Pronostico de Demanda

Gestin de Operaciones :
Pronsticos
Programa Advanced
Produccin II - Pronsticos 2
Que es y para qu se usan:

Es una prediccin de eventos futuros y que es utilizado para poder planificar.

Es necesario para:
Determinar que recursos se necesitan.
Programar los recursos existentes.
Adquirir recursos adicionales.

Permite que los ingenieros programadores:
Utilicen eficientemente las capacidades de las mquinas.
Reducir los tiempos de produccin.
Recortar los inventarios.
Los mtodos de pronsticos generalmente se basan en modelos
matemticos que se respaldan por datos histricos disponibles.
PRONSTICOS
Pronsticos
Son estimaciones de la ocurrencia, la cronologa o la
magnitud de futuros eventos inciertos.
Objetivos Pronsticos Polticas Presupuestos
El propsito de pronosticar es usar
la mejor informacin disponible para
guiar las actividades futuras
tendientes al cumplimiento de las
metas de la organizacin.
Este pronstico se traduce a su vez
en poltica mediante un
presupuesto de operacin, que es la
representacin cuantitativa de la
poltica corporativa.
En el mbito de las operaciones, la expresin
ms sucinta de los objetivos es el pronstico
de ventas (demanda), que puede considerarse
como el enunciado cuantitativo de los
objetivos corporativos de la empresa.
En qu se basan ?
Generalmente, los pronsticos son respaldados por consejeros econmicos,
estadsticos, polticos y tcnicos, y se basa en informacin sobre los aspectos tales
como:
Niveles de produccin industrial, tanto nacionales como internacionales.
Gasto pblico.
Disponibilidad de mano de obra.
Cambios posibles en la estructura de precios.
Variaciones en los niveles de vida.
Competencia, tanto nacional como internacional.
Nuevos productos posibles.
Mercados potenciales.
Cambios tecnolgicos.
Recursos e historial de la empresa.
Objetivos, polticas y planes de la empresa a largo plazo.
.
Qu se pronostica?
Principalmente la DEMANDA... pero tambin:

Precios de materiales

Costo de mano de obra

Tasas de inters

Ingresos

Gastos
El Rol de los Pronsticos en la Administracin Operativa
Son imprescindibles para la toma de decisiones efectiva.

Son necesarios para reducir el nivel de incertidumbre o riesgo acerca del futuro.

Son necesarios por la existencia de tiempos de implantacin (entrega, proceso,
decisin, construccin).

Tiempos largos de implantacin incrementan el riesgo en la toma de decisiones
actual que involucra la asignacin de recursos.

Todas las decisiones de asignacin de corto y mediano plazo se basan en
pronsticos.

Un sistema jerrquico de pronsticos debe soportar la toma de decisiones
jerrquica de una empresa..
Jerarqua de Metas, Decisiones y Funciones
Control de produccin
compras, pedidos, trfico
Proceso de Transacciones
1 da a un mes. Control diario
operativo.
Administrar y Control
Distribuir y producir,
planear reqs. de
capacidad y materiales
Planeacin
y Control Operativo
1 mes a 2
aos.
En meses o
semanas.

Administrar
efectiva y
eficientemente la
asignacin de los
recursos.
Administracin: Finanzas,
Mercadotecnia, Ventas,
tamao y localizacin de
instalaciones, produccin
agregada. (MPS)
Planeacin
Administrativa
3 meses a 3
aos.
En meses o
semanas
Administrar la
adquisicin de
recursos para
cumplir metas
Planeacin: Metas de
rentabilidad, calidad,
participacin de mercado,
servicio al consumidor,
automatizacin.
Planeacin
Estratgica
3 - 20 aos.
En aos,
meses o
trimestres.
Planeacin de
metasde la
organizacin.
Decisiones Tpicas
de Manufactura
Jerarqua de Decisiones
Horizonte de
Pronsticos
Objetivos
Administrativos
Fundamentos de Pronsticos
Un pronstico es un estimado o descripcin de un valor o condicin
futura.
Un buen pronstico debe ser un estimado probabilstico de un valor futuro
que incluye media, rango y una inferencia de probabilidad. Por ejemplo las
ventas esperadas del prximo mes sern de 400 unidades con un 70% de
probabilidad de que estn entre 300 y 500
Los pronsticos siempre son errneos, y cuando aciertan es por razones
equivocadas.
La mayora de los pronsticos se basan en el supuesto de que el pasado
se repite.
Pronstico de Demandas
Pronosticar las demandas independientes y calcular las dependientes.
Principio del pronstico nico:
Todos los pronsticos de un producto o actividad deben ser iguales.
Normalmente existen diferentes pronsticos de demanda de un producto
realizados por diferentes funciones de la empresa, unos a nivel agregado y
otros a nivel desagregado.
La utilizacin de diferentes pronsticos origina que la toma de decisiones
en las funciones de la empresa sea inconsistente e incongruente.
Sistema Operativo de Pronsticos
Un sistema operativo de pronsticos debe soportar ms los pronsticos de grupos
de artculos.
Un sistema operativo de pronsticos se conceptualiza normalmente como un
sistema computacional que;
procesa un alto volumen de informacin rpidamente y con alta precisin,
proporciona pronsticos para miles de artculos mensualmente, modela tendencias y
estacionalidades,
proporciona interfaces grficas, interactivas y de diagnstico,
captura informacin de demanda de diversas partes,
genera reportes jerrquicos para la administracin, etc.
Los mdulos que integran un sistema operativo de pronsticos son: Captura de
datos, pronsticos, interaccin e interfase con la administracin, control y
mantenimiento del sistema, reportes, y la base de datos.
Integracin de Base de Datos de Demanda
La integracin de la base de datos de demanda no es tarea fcil.
El resultado final de un buen pronstico es la satisfaccin del consumidor y el
logro de rentabilidad duradera de la empresa.
El concepto de servicio al consumidor se relaciona con l, a travs de las
ventas prdidas y envos de rdenes tardas.
Generalmente estos conceptos distorsionan los datos histricos, los cuales
pierden precisin para la estimacin de la demanda.
Los datos histricos de ventas son iguales al valor mnimo entre la demanda y la
oferta de artculos.
Ordenes tardas distorsionan datos de embarque como una medida de la
demanda.
La fecha de la demanda debe ser la fecha de entrega solicitada y no la realizada.
Capturar datos de demanda, no datos de ventas o embarque.
La demanda es la cantidad de artculos pedida, n la prometida.
Capturar la cantidad requerida por el cliente antes de informar sobre la no
disponibilidad de artculos.
La falta de un artculo puede causar la prdida de ventas de otros
complementarios.
La falta de un artculo puede distorsionar la historia de demanda de los
artculos complementarios.
Algunas empresas no capturan como demanda las ventas perdidas.
Se recomienda utilizar un sistema de captura de datos perpetuo o continuo.
La efectividad de los pronsticos requiere de bases de datos de demanda
precisas.
Una base de datos de demanda precisa es un recurso estratgico.
Los sistemas de pronsticos consideran la utilizacin de 3 tipos de
pronsticos:
Pronsticos Tipo 1: Pronsticos a detalle de corto plazo para la planeacin
operativa de artculos.
Pronsticos Tipo 2: Pronsticos agregados de mediano y largo plazo para la
planeacin estratgica, financiera, de mercado y operativa.
Pronsticos Tipo 3: Pronsticos agregados de largo plazo para anlisis
estratgico y toma de decisiones que integra el corto y largo plazo.
Los pronsticos operativos de corto plazo deben hacerse en semanas o
meses.
Los pronsticos para planeacin de largo plazo deben hacerse en
trimestres o aos.

Tipos de Mtodos de Pronsticos
Mtodos de
Pronstico
Cuantitativos Cualitativos
Causal
Series de
Tiempo
Suavizacin
Proyeccin de
tendencias
Proyeccin de tendencias
ajustadas por influencias
estacionales
Opinin Ejecutiva
Analoga Histrica
Delphi
Investigacin de Mercado
Se emplean cuando la situacin
no es clara y existen pocos
datos: Productos nuevos,
Nueva tecnologa.
Mtodos basados en
opiniones o estimados
subjetivos o de juicio.
Se emplean cuando la situacin es
estable y existen datos
histricos: Productos existentes,
Tecnologa actual.
Dependencia de datos histricos de
variables independientes:
Campaa de promociones
Condiciones econmicas
Actividades de los competidores
Estadstico que depende,
fundamentalmente, de los
datos histricos de la
demanda.
Previsiones Predicciones
Demanda
Suelen variar considerablemente tanto para bienes y servicios.

Pronosticar la demanda descubrir los patrones bsicos de la demanda.
Patrones de la Demanda (Para productos y servicios )

Serie de tiempo: Es el orden en que se realiza las observaciones
repetitivas de la demanda, dando origen a cinco patrones bsicos.
a. Horizontal.
b. De tendencia.
c. Estacionalidad.
d. Cclico.
e. Aleatorio.
PRONSTICOS
Patrones de Demanda
C
a
n
t
i
d
a
d

Tiempo
(a) Horizontal: Cmulos de datos en torno a una
lnea horizontal.
C
a
n
t
i
d
a
d

Tiempo
(b) De tendencia: Los datos aumentan o disminuyen de manera
consistente a travs del tiempo.
Patrones de Demanda
Tendencia
Es el movimiento gradual de ascenso o descenso de los
datos a lo largo del tiempo.
Los cambios en la poblacin, ingresos, etc. influyen en la
tendencia.
Varios periodos de duracin.
Mes, trimestre, ao
Respuesta
C
a
n
t
i
d
a
d

| | | | | | | | | | | |
J F M A M J J A S O N D
Meses
Ao 1
Ao 2
(c) Estacional: Los datos muestran crestas y valles de manera
consistentes.
Patrones de Demanda
Estacionalidad
Muestra de datos de ascenso o descenso que se repiten.
Se puede ver afectada por la climatologa, las costumbres,
etc.
Se produce dentro de un periodo anual.
Produccin II - Pronsticos
20
Mes, trimestre
Respuesta
Verano
C
a
n
t
i
d
a
d

| | | | | |
1 2 3 4 5 6
Aos
(d) Cclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos perodos de
tiempo.
Patrones de Demanda
Variaciones aleatorias
Son saltos en los datos causados por el azar y
situaciones inusuales.
Son debidas a variaciones aleatorias o a situaciones
imprevistas:
Huelga.
Terremoto.
Son de corta duracin y no se repiten.
Los patrones a, b, c y d (Horizontal, de tendencia, estacionalidad y cclico) se
combinan en diferentes grados para definir el patrn de la demanda.

El patrn Aleatorio no se toma en cuenta por ser fortuito.

PRONSTICOS
Factores externos
Se encuentran fuera del control de la gerencia.

Ejemplo: Una economa en auge influye positivamente en la demanda pero no
necesariamente a todos los sectores de productividad o servicios. (Ej. Elctricas
v/s carbn)

Un factor importante es:

Punto de Inflexin: perodo en que cambia la tasa de crecimiento a lo largo de
la demanda del producto, difcil de prever el momento preciso, pero a travs de
algunas series de tiempo se tienen dichos puntos y pueden ser tiles para
estimar que ocurrir en la organizacin.
Factores que Afectan la Demanda
PRONSTICOS
Factores externos (continuacin)

Indicadores Tempranos: representan factores externos cuyos puntos de inflexin
anteceden a crestas y valles del ciclo general de los negocios.
Ej. Incremento en ventas de residencias en verde

Indicadores Coincidentes: los puntos de inflexin coinciden con el ciclo general de
los negocios
Ej. Cifras de desempleos, temporeras

Indicadores retrasados: se presentan a continuacin de los puntos de inflexin con
demora de varias semanas o meses.
Ej. Prstamo comercial para expandir la empresa

Otros factores: - Gustos cambiantes (ropa)
- Imagen del artculo (cigarros vs. cncer)
- Actividad de la competencia (publicidad)
PRONSTICOS
Factores internos

Las decisiones internas en su conjunto, provocan cambios en el volumen de la
demanda como es:

Diseo de producto o servicio.

Los precios y promociones publicitaria

Diseo de envases.

Incentivos para los vendedores

Expansin o contraccin del rea geogrfica seleccionada como
objetivo de mercado.
PRONSTICOS
Factores internos
Administracin de la demanda proceso de la empresa que influyen en los
tiempos y en el volumen de la demanda.

Con frecuencia respecto a su punto de mxima demanda, se crean
incentivos de precios o promociones antes y despus para que compren.

Compaas programan fechas de entrega del producto o servicios de
acuerdo a sus capacidades (Ej. Mdicos, dentistas, productos
personalizados)
PRONSTICOS
Diseo del sistema de Pronstico
Gerencia frente a un pronstico debe tomar tres decisiones

Que va a pronosticar.

Que tipo de tcnica va a aplicar

Tipo de hardware o software o ambos que utilizar
I. Que va a pronosticar
1. Nivel de acumulacin
Es agrupar varios productos o servicios similares, con lo cual las compaas
pueden realizar pronsticos ms asertivos y derivar por productos o servicios

Esta forma con lleva a un error generalmente es s 5%.
Al pronosticar por artculo el error es >> 5%
PRONSTICOS
2. Unidades de medicin
De mayor utilidad son las unidades de productos o servicios y no de dinero.
Ej. Unidades de radios, paquetes por entregar, nmero de clientes, etc.

Cuidado! No es til ingresos por ventas. (Ej. minoristas)
Sistema a dos niveles.

1er pronstico: Familias bienes o servicios con similares caractersticas en:
-- Requisitos de demanda
Procesamiento
Trabajo y Materiales.

2do pronstico: de las cifras generales se deriva el pronstico por elemento
individual.
Que va a pronosticar (continuacin)
PRONSTICOS
Enfoques del Pronstico
Se emplean cuando la situacin es
estable y existen datos
histricos:
Productos existentes.
Tecnologa actual.

Mtodos cuantitativos
Se emplean cuando la situacin no es
clara y existen pocos datos:
Productos nuevos.
Nueva tecnologa.
Mtodos cualitativos
Requieren intuicin y experiencia:
Por ejemplo, el pronstico
de las ventas a travs de
Internet.

Requieren tcnicas matemticas:
Por ejemplo, el pronstico de
las ventas de televisiones en
color.
PRONSTICOS
II. Decisin del tipo de tcnica de pronstico
La precisin de pronstico depende de la seleccin de una tcnica
apropiada y de los costos que esto puede acarrear, para este ltimo:

Comprar un software.
Tiempo requerido para hacerlo
Capacitacin del personal

Tcnicas

Cualitativa:
Mtodo de juicio
Cuantitativa:
Mtodos Causales
Anlisis de serie de tiempo
PRONSTICOS
Decisin del tipo de tcnica de pronstico (continuacin)
Cualitativos
Mtodo de juicio: cuando no se dispone de datos histricos
Opinin de Gerentes y Expertos
Encuestas de consumidores
Estimaciones entregadas por rea de ventas
Cuantitativos
Mtodos Causales: Dependencia de datos histricos de variables
independientes:
Campaa de promociones
Condiciones econmicas
Actividades de los competidores

Anlisis de Serie de Tiempo estadstico que depende,
fundamentalmente, de los datos histricos de la demanda.
PRONSTICOS
Tcnicas

Anlisis de serie de tiempo es de mayor utilizacin, es econmico.
Mtodos Causales menos ocupado, ms costoso, mayor tiempo de procesamiento que
el anterior pero ms preciso.
Mtodo de juicio cuando no se dispone de datos histricos, ms costoso que el primero.

Un factor clave en la seleccin del pronstico ms adecuado es el HORIZONTE DE
TIEMPO: corto, mediano y largo plazo.

Corto plazo ( 0 3 meses)

tiles en la determinacin de productos o servicios individuales.
Caso pronstico de demanda, problemas:
Escaso tiempo para reaccionar frente a posibles errores.
Se debe alcanzar la mayor precisin posible para planificar.
Decisin del tipo de tcnica de pronstico (continuacin)
PRONSTICOS
34
Horizonte de tiempo

Mediano plazo Largo plazo
Corto plazo (3 Meses - (ms de
Aplicaciones (0-3 Meses) 2 Aos) 2 Aos)

Cantidad pronosticada Productos o
servicios
Individuales

rea de decisin Administracin
de inventario.
Programacin de
ensamble final.
Programacin de
la fuerza de trabajo.
Programacin de
produccin.
Tcnica Series de Tiempo
de pronstico Causal
De juicio
Horizonte de tiempo (continuacin)

Mediano plazo ( 3 meses 2 aos )
Este horizonte se relaciona con la planificacin de la capacidad.
No es tan exigente como el anterior (nivel detalles), se puede pronosticar la
demanda total de ventas en general expresada en dinero o nmero de
unidades de un grupo familiar.

Tcnicas
Mtodos Causales eficaz para estimar puntos de inflexin, crecimientos
lentos de ventas, til para gerentes de produccin.
Mtodo de juicio tambin estima puntos de inflexin, usado cuando no
existen antecedentes histricos.

Cuidado! Anlisis de serie de tiempo no sirve, ya que los patrones
considerados no tiene porque seguir existiendo en el futuro.
PRONSTICOS
36
Horizonte de tiempo

Corto plazo Mediano plazo Largo plazo
Aplicaciones (0-3 Meses) (3 Meses - Aos 2) (ms de 2 Aos)

Cantidad pronosticada Productos o Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
rea de decisin Administracin Planificacin de
de inventario personal
Programacin de Planificacin de Prod.
ensamble final Programacin de
Programacin de produccin
la fuerza de trabajo Compras
Programacin de Distribucin
produccin
Tcnica Series de Tiempo
de pronstico Causal Causal
De juicio De juicio

Horizonte de tiempo (continuacin)

Largo plazo ( ms de dos aos)
Sus pronsticos se elaboran en torno a la demanda total de ventas en
trminos de dinero u otras como: kilogramos, barriles, HP etc.
Son difciles de realizar.
Son excesivamente detalladas.

Tcnicas
Mtodos Causales aunque es un anlisis matemtico, igual deben
ser revisados por la experiencia y el buen juicio.
Mtodo de juicio

PRONSTICOS
38
Horizonte de tiempo

Corto plazo Mediano plazo Largo plazo
Aplicaciones (0-3 Meses) (3 Meses - 2 Aos) (ms de 2 Aos)

Cantidad pronosticada Productos o Total de ventas Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
rea de decisin Administracin Planificacin de Localizacin
de inventario. personal Planificacin de
Programacin de Planificacin de Prod. capacidad
ensamble final. Programacin de Administracin
Programacin de produccin de procesos
la fuerza de trabajo. Compras
Programacin de Distribucin
produccin.
Tcnica Series de tiempo
de pronstico Causal Causal Causal
De juicio De Juicio De juicio

39
III. Pronstico por medio de Computadoras
Contesta la pregunta qu tipo de hardware o software o ambos utilizar?
Se aplica para cortos plazos y en el mercado existen muchos paquetes
que se clasifican como:

Sistemas manuales: Usuario selecciona la tcnica de pronstico y
parmetros.
Sistema semiautomtico: Usuario especifica la tcnica pero el software
determina los parmetros para el modelo.
Sistema automtico: Software analiza los datos, sugiere tcnica y
parmetros.

Criterios para seleccionar software (Dep. marketing + operaciones)
Satisfacer las necesidades.
Costo de compra o licencia.
Nivel del soporte del personal requerido.
Magnitud del mantenimiento necesario.
Anlisis de Mtodos
Mtodo de Juicio

Utilizado cuando:
No existen datos histricos.
Cambio de tecnologa.
Modificacin de pronsticos cuantitativos (resultados extraos)
Se confa en la experiencia y el buen juicio
Existen cuatro formas:

1.- Estimacin de la fuerza de ventas
Personas cerca de los clientes

Ventajas
Mayor probabilidad de conocer que productos o servicios comprarn los clientes.
Informacin til para administrar inventario, distribucin, formacin de equipos de venta.
Combinar todas las opiniones para obtener una sola por ejemplo para una regin.
Anlisis de Mtodos
Mtodo de Juicio (continuacin)

Desventajas
Algunos muy optimistas otros muy cautelosos
No diferencian entre lo que el cliente desea y lo que realmente necesita.
Vendedores subestiman el pronstico, para que su rendimiento parezca bueno, cuando
supera la proyeccin o esforzarse solamente para alcanzar meta.

2.- Opinin Ejecutiva
Uso
Modificar un pronostico de venta actual, debido a un evento inesperado.
Elaborar pronsticos tecnolgicos.

Desventajas
Puede ser costosa.
Puede quedar fuera de control.(sin la aprobacin colectiva)
Anlisis de Mtodos

3.- Investigacin de Mercado
Creacin y puesta en marcha de diferentes hiptesis por medio de una encuesta, para determinar el grado de inters
del consumidor.
La investigacin incluye:

Diseo de un cuestionario, para obtener informacin econmica, demogrfica e inters(es) de cada persona.
Aplicacin: - Telfono Correo Entrevista
Seleccin de la muestra representativa.
Anlisis de la informacin. Interpretacin con criterio estadstico.

Uso, pronosticar la demanda con precisin:
Excelente a corto plazo.
Buena a mediano plazo.
Regular a largo plazo.

Desventajas
Costosas, errores en la formulacin e interpretacin de las respuestas.
Limitaciones (Ej. Respuestas por correo)
Anlisis de Mtodos

4.- Mtodo Delphi
Obtener consenso dentro de un grupo de expertos, pero en anonimato, sin experiencia en
el tema.
El panel de expertos pueden dedicarse a distintos rubros como, poltica, negocios,
cientfico, ambientalistas, etc.

Uso
Pronosticar a largo plazo.
Proyeccin de venta de un producto nuevo.

Desventajas
Puede alargarse por mucho tiempo (ms de un ao).
Probabilidad de respuestas menos significativas que si ellos no asumen el problema.
Pocas evidencias de alto grado de precisin.
Los cuestionarios mal planteados conducen a errores.
Visin Global de los Mtodos Cuantitativos
Promedio mviles simples
Promedio mviles ponderados
Suavizacin exponencial
Proyeccin de tendencia
Modelos de
series temporales
Mtodo
causal
Regresin lineal
Se dispone de datos histricos, se puede relacionar lo que se intenta pronosticar
con otros factores externos o internos.
Ventajas
Posee instrumentos ms refinados de pronsticos.
Excelente para prever puntos de inflexin de la demanda.
til para pronsticos de mediano o largo plazo.
Regresin lineal consiste en que una variable dependiente se relaciona con una
o ms variables independiente por medio de una expresin algebraica.

Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construccin
de nuevas viviendas.

Modelo de mayor sencillez: y = a + bx
Mtodo Causal: Regresin Lineal
V
a
r
i
a
b
l
e

D
e
p
e
n
d
i
e
n
t
e

Variable Independiente
X
Y
V
a
r
i
a
b
l
e

D
e
p
e
n
d
i
e
n
t
e

X
Y Ecuacin de
regresin:
Y = a + bX
V
a
r
i
a
b
l
e

D
e
p
e
n
d
i
e
n
t
e

X
Y
V
a
r
i
a
b
l
e

D
e
p
e
n
d
i
e
n
t
e

X
Y
Valor
actual
de Y
Valor de X empleado
para calcular Y
Ecuacin de
regresin:
Y = a + bX
Estimacin de
Y a partir de
la ecuacin
de regresin
V
a
r
i
a
b
l
e

D
e
p
e
n
d
i
e
n
t
e

X
Y
Valor
actual
de Y
Valor de X empleado
para calcular Y
Desviacin
o error
{
Ecuacin de
regresin:
Y = a + bX
Estimacin de
Y a partir de
la ecuacin
de regresin
Objetivo del anlisis de regresin lineal Encontrara los valores de a y b que minimicen la
suma de las desviaciones (errores) al cuadrado de los puntos reales de la grafica.
Formas de evaluar la precisin del pronstico (existen 2)

1.- Coeficiente de correlacin de la muestra ( r )

Mide la intensidad y direccin de la relacin entre x e y.
r puede fluctuar entre 1 y +1.
r = 0 x no se relaciona con y.
r = +1,00 cambios registrados de uno a otro perodo, en la direccin (incrementos o
decrementos) de la variable independiente, siempre lo acompaa los cambios de la
variable dependiente en la misma direccin.
r = - 1,00 los decrementos de x siempre va acompaados de los incrementos de y , y
viceversa.
Cuando ms se aproxime el valor de r a 1,00 ser ms adecuado el ajuste de la lnea
de regresin respecto a los puntos de la grfica.
2. Coeficiente de determinacin de la muestra ( r
2
)

Mide la variacin que representa y respecto a su valor medio.

Coeficiente de determinacin = (Coeficiente de correlacin)
2
= r
2

r
2
oscila entre 0,00 y 1,00; pero generalmente se analiza como un %.

Si r
2
se acerca a 1,00 significa que las variaciones de y y el pronstico generado por la
ecuacin de regresin se encuentran muy relacionadas, en caso de alejarse ( ~ 0,75)
significa que existen otras variables que estn afectando.

Desviacin Estndar (S
yx
): Promedio de desviacin de las puntuaciones
con respecto a la media.
Cuando mayor sea la dispersin de los datos alrededor de la media mayor ser la
desviacin estndar.
Ejercicio prctico:

La persona a cargo de programar la produccin de la compaa, tiene
que elaborar un pronsticos de la demanda de un producto, a fin
de plantear las cantidades de produccin ms apropiadas

Durante un almuerzo de negocios, el gerente de Marketing aporta
informacin sobre el presupuesto de publicidad destinado a una
bisagra de bronce para puertas.

Se presenta a continuacin los datos sobre ventas y publicidad
correspondiente a los ltimos cinco meses.

La gerencia de Marketing afirma que la compaa gastar el mes
entrante US$1.750 en publicidad para el producto. Aplique la regresin
lineal para desarrollar una ecuacin y un pronstico para ese producto.
Ventas Publicidad
Mes (miles de unidades) (miles de $)

1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
Ejemplo 01
Gasto en publicidad para el mes 6 es de $ 1.750
Antecedentes cuantitativos obtenidos a travs de la calculadora
000 = miles

a = - 8.136
b = 109.229
r = 0.98
r
2
= 0.96
s
yx
= 15.61
Ejemplo 01
| | | |
1.0 1.5 2.0 2.5
Publicidad (miles de dlares)
300
250
200
150
100
50
V
e
n
t
a
s

(
m
i
l
e
s

d
e

u
n
i
d
a
d
e
s
)

000 = miles

a = - 8.136
b = 109.229
r = 0.98
r
2
= 0.96
s
yx
= 15.61
Y = - 8.136 + 109.229X
El valor de r es muy prximo a 1,00 significa que existe una
fuerte relacin entre ventas y publicidad, la seleccin es buena.
R
2
significa que el 96% de la variacin observada en las
ventas, se atribuye a los gasto involucrados de publicidad.
Pronstico para Mes 6

X = $1750, Y = - 8.136 + 109.229(1.75)
Pronstico para Mes 6

X = $1.750, Y = 183.015 unidades
Ventas Publicidad
Mes (000 unidades) (000 $)

1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = - 8.136
b = 109.229
r = 0.98
r
2
= 0.96
s
yx
= 15.61
| | | |
1.0 1.5 2.0 2.5
300
250
200
150
100
50
Y = - 8.136 + 109.229X
V
e
n
t
a
s

(
m
i
l
e
s

d
e

u
n
i
d
a
d
e
s
)

El ingeniero a cargo de produccin puede utilizar este
pronstico para saber las bisagras que necesitar en el mes 6.
Si suponemos que se tiene en inventario 62.500 unidades,
Cunto deber planificar como produccin?.
Ejemplo 01
Ventas Publicidad

1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = - 8.136
b = 109.229
r = 0.98
r
2
= 0.96
s
yx
= 15.61
| | | |
1.0 1.5 2.0 2.5
300
250
200
150
100
50
Y = - 8.136 + 109.229X
V
e
n
t
a
s

(
m
i
l
e
s

d
e

u
n
i
d
a
d
e
s
)

Se tiene en inventario = 62,500 unidades,

Produccin = 183,015 - 62,500 = 120,015 unidades
Ejemplo 01
El anlisis de regresin es una buena gua para decisiones importantes
como:
Administracin de inventarios.
Planificacin de capacidades.
Administracin de procesos.

Anlisis de regresin mltiples
Se da cuando la variable dependiente (Y) depende de ms de una
variable independiente. (Ej. Bisagra de bronce)
Son costosas, debido a la gran cantidad de datos que se acumula y su
posterior anlisis e interpretacin.
Ventas Publicidad

1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
Ejemplo 01
a = ?
b = ?
r = ?
r
2
= ?

No se tiene calculadora o bien se pide su demostracin.
Ventas Publicidad

1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
a = Y - bX b =
EXY - nXY
EX
2
- nX
2
Ejemplo 01
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
a = Y - bX b =
EXY - nXY
EX
2
- nX
2
Ejemplo 01
a = Y - bX b =
EXY - nXY
EX
2
- nX
2
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
a = Y - bX b =
1560.8 - 5(1.64)(171)
14.90 - 5(1.64)
2
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
a = Y - bX b = 109.229
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
a = 171 - 109.229(1.64) b = 109.229
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
a = - 8.136 b = 109.229
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
a = - 8.136 b = 109.229
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Y = - 8.136 + 109.229(X)
Ejemplo 01
a = - 8.136 b = 109.229
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Y = - 8.136 + 109.229(X)
V
e
n
t
a
s

(
m
i
l
e
s

d
e

u
n
i
d
a
d
e
s
)

| | | |
1.0 1.5 2.0 2.5
300
250
200
150
100
50
Ejemplo 01
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
nEXY - EX EY
[nEX
2
-(EX)
2
][nEY
2
- (EY)
2
]
r =
Ejemplo 01
Coeficiente de
correlacin de
la muestra
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
r = 0.98
Ejemplo 01
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
r = 0.98 r
2
= 0.96 o
YX
= 15.61
Ejemplo 01
Coeficiente de
determinacin
Desviacin
estndar
2
Y
2

1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
r = 0.98 r
2
= 0.96 o
YX
= 15.61
Pronstico para Mes 6:

Gasto de publicidad = $1750

Y = 183.015 o 183,015 bisagras
Ejemplo 01
La demanda de cambios de aceite registrada en el Taller ha sido la siguiente
a. Aplique el anlisis de regresin lineal simple y elabore un mtodo de pronstico para la demanda
mensual. En esta aplicacin Y (variable dependiente) corresponde a la demanda mensual, X
(variable independiente) representa el mes, para enero X = 1, para febrero X = 2, y as
sucesivamente.

b. Utilizando el modelo realice un pronstico de demanda para septiembre, octubre y noviembre.

b = 2,45 a = 42,475 r = 0,817 r
2
= 0,668

Problema
Solucin
a. a = 2,45 b = 42.475 r = 0,817 r
2
= 0,668

Y = 42,475 + 2,45X
b. Y(sep) = 42,475 + 2,45 (9) = 64,525 o 65

Y(oct) = 42,475 + 2,45 (10) = 66,975 o 67

Y(nov) = 42,475 + 2,45 (11) = 69,425 o 69
Mtodo Series de Tiempo
Usa solo informacin referida a la variable dependiente.

Supuesto: La variable dependiente (su patrn) del pasado continua en el
futuro.

Identifica los patrones de la demanda que se combinan para generar el
patrn histrico observado anteriormente en la demanda dependiente
generando un modelo que pueda reproducir dicho patrn.
Modelo de Pronstico Emprico

Mtodo sencillo de series de tiempo.
Se usa con frecuencia.
Considera que: el pronstico de la demanda actual es igual al pronstico
de la demanda del perodo siguiente. Ejemplo.

Mes 1 : 150.000 art. Mes 2 : 150.000 art.
Martes 35 visitas sitio Mircoles 35 visitas sitio
Jueves 20 enfermos Viernes 20 enfermos

Para demanda de tendencia
Incremento o decremento de la demanda actual se usa para ajustar la
demanda para el siguiente perodo.
Modelo de Pronstico Emprico (continuacin)
1 semana 2 semana
108 unid. 120 unid.
12
Para demanda estacional
Los pronsticos de los meses del ao entrante ser el reflejo de la demanda
real observada en los mismos meses del ao anterior. Ejemplo:
Julio 2002 Julio 2003
50.000 unid. 50.000 unid.
3 semana 4 semana
120 + 12 = 132
Real 127 127 + 7 = 134
Ventajas del pronstico emprico
Simplicidad
Bajo costo
Funciona bien cuando las demanda son estables (variac. azar pequeas)
Estimacin del promedio
Cada serie de tiempos de demanda posee a lo menos dos de los 5 patrones
posibles de demanda. Ejemplo: Horizontal y Aleatorio (azar).

Es posible que contenga tambin: de tendencia o estacinales o cclicos, se
har inicialmente el estudio sin considerar estos.
Estimacin del promedio (continuacin)
El patrn horizontal de una serie de tiempos se basa en la media de las
demandas poner atencin en los mtodos de pronsticos en los que
se estima el promedio de una serie de datos a travs del tiempo.

El pronstico de la demanda para cualquier perodo futuro es el promedio
de las series de tiempos calculadas en el perodo actual. Ejemplo:

Ejemplo
Clnica: llegada de pacientes en las
ltimas 28 semanas.
Patrn de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cclico.
Serie de tiempo: muestra un patrn
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede
prever, no quedamos tranquilos al
estimar solo promedios.
Semana
Llegadas reales
de pacientes
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Tcnicas estadsticas tiles para el pronstico de series de tiempo:
Promedio mviles simples.
Promedio mviles ponderados.
Suavizacin exponencial.
Mtodo de Promedio Mviles Simples (MA)
Uso: estima el promedio de una serie de tiempos de demanda y suprime
de esta forma las fluctuaciones al azar.
til: cuando la demanda no tiene tendencias pronunciadas ni influencias
estacinales.
Clculo: para n perodos ms recientes, con el fin de usarlos como
pronsticos para el siguiente perodo.
Pronstico al perodo t + 1
F
t + 1
= At =
Suma de las n ltimas demandas
n
Mtodo de Promedio Mviles Simples (MA) (continuacin)
F
t + 1
= At =

D
t
+ D
t 1
+ D
t 2
...........D
t n + 1
n
At = Promedio de la demanda real de n periodos anteriores
D
t
= demanda real del perodo t
n = Nmero total de perodos incluidos en el promedio.

F
t + 1
= pronstico para el perodo t + 1

F t+1 = At Ft = At-1
Puede incluirse todos los perodos pasados de demanda que se desee.

La estabilidad de una serie correspondiente a la demanda determina
cuantos perodos sern necesarios incluir o sea n.

Serie de demanda estable son aquellas para los cuales el promedio
cambia solamente en forma infrecuente.
Clculo del Promedio Mvil, A
t
Elabore un pronstico de promedio mvil de tres semanas para estimar la
llegada de pacientes a la clnica mdica durante la cuarta semana. Los datos
correspondientes a la llegada de pacientes durante las ltimas tres semanas
fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411

Si el nmero real de llegadas de pacientes durante la semana cuatro fue de
415 Cul ser el pronstico para la semana 5?
t
400
380
411
375
380
385
390
395
400
405
410
415
0 1 2 3 4 5 6
Semana
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s
D
1
=400
D
2
=380
D
3
= 411
A
t
=( D
t
+ D
t - 1
+ D
t - 2
) / 3
A
3
=( D
3
+ D
2
+ D
1
) / 3
A
3
=( 400 + 380 + 411 ) / 3
F
t
= A
t - 1

F
4
= A
3

F
4
= 397
A
3
=397
t
400
380
411
415
375
380
385
390
395
400
405
410
415
420
0 1 2 3 4 5 6
Semana
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s
A
t
=( D
t
+ D
t - 1
+ D
t - 2
) / 3
A
4
=( D
4
+ D
3
+ D
2
) / 3
A
3
=( 415 + 411 + 380 ) / 3
D
1
=400
D
2
=380
D
3
= 411
D
4
= 415
F
t
= A
t - 1

F
5
= A
4

F
5
= 402
A
4
=402
Mtodo Series de Tiempo: Promedios Mviles Simples
Semana
450
430
410
390
370
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

| | | | | |
0 5 10 15 20 25 30
Ejemplo 02
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Ejemplo 02
450
430
410
390
370
Semana
| | | | | |
0 5 10 15 20 25 30
Llegadas reales
de pacientes
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Ejemplo 02
450
430
410
390
370
Semana
| | | | | |
0 5 10 15 20 25 30
Llegadas de
pacientes reales
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

450
430
410
390
370
Semana
| | | | | |
0 5 10 15 20 25 30
Llegadas de
pacientes reales
Pronstico MA
3-semana

L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Pronstico MA
6-semanas
Problema
La duea de una tienda de computadores arrienda impresoras a algunos
de sus mejores clientes. Ahora le interesa elaborar un pronstico de sus
operaciones de arriendo para poder comprar la cantidad apropiada de
suministros para sus impresoras. A continuacin se entregan los datos
correspondiente a las 10 ltimas semanas.
Semana Arriendo Semana Arriendo
1 23 6 28
2 24 7 32
3 32 8 35
4 26 9 26
5 31 10 24
Prepare un pronstico para la semana 6 a 10, usando un promedio mvil
simple de cinco semanas. cul ser el pronstico para la semana 11?
t
Solucin
Semana Arriendo Semana Arriendo
1 23 6 28
2 24 7 32
3 32 8 35
4 26 9 26
5 31 10 24
Perodo Demanda Promedio Pronstico Error
Semana Arriendo At (n=5) Ft Et (Dt-Ft)
1 23
2 24
3 32
4 26
5 31 (31+26+32+24+23)/5 = 27,2
6 28 (28+31+26+32+24)/5 = 28,2 27,2 0,8
7 32 (32+28+31+26+32)/5 = 29,8 28,2 3,8
8 35 (35+32+28+31+26)/5 = 30,4 29,8 5,2
9 26 (26+35+32+28+31)/5 = 30,4 30,4 -4,4
10 24 (24+26+35+32+28)/5 = 29,0 30,4 -6,4
11 29
t
Cada una de las tendencias histricas que intervienen en el promedio
pueden tener su ponderacin, la suma de estas debe ser 1,00.

Ejemplo: En tres perodos, al ms reciente puede asignarse ponderacin
0,50, al segundo ms reciente 0,30 y el tercero ms reciente 0,20.
El promedio se obtiene como:

A t = 0,50 D
t
+ 0,30 D
t-1
+ 0,20 D
t-2

F
t+1
= A t = 0,50 D
t
+ 0,30 D
t-1
+ 0,20 D
t-2
Promedios Mviles Ponderados
Ventaja
Permite hacer nfasis en la demanda reciente.
Responde mejor que el pronstico de promedio mvil simple.

Desventaja
Sigue retrasndose con respecto a la demanda porque slo calcula
promedios de la demanda en el pasado.
Se observa mucho mejor el retrazo cuando existe una tendencia, ya que
el promedio de serie de tiempos va en incremento o disminucin en
forma sistemtica.
Promedios Mviles Ponderados (continuacin)
Promedio Mvil Ponderado, AW
t
El analista que est a cargo de la clnica mdica ha asignado
ponderaciones de 0.70 a la demanda ms reciente, 0.20 a la
demanda de hace una semana y 0.10 a la demanda de hace dos
semanas. Use los datos correspondientes a las tres primeras
semanas para calcular el pronstico de promedio mvil ponderado
para la semana cuatro.

Semana Llegada de pacientes Ponderacin
1 400 0,1
2 380 0,2
3 411 0.7
Promedio Mvil Ponderado, AW
t
400
380
411
375
380
385
390
395
400
405
410
415
0 1 2 3 4 5 6
Semana
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s
A
3
= W
3
*D
3
+ W
2
*D
2
+ W
1
*D
1

A
3
= 0,7*411 + 0,2*380 + 0,1*400
A
3
= 403,7 =404
D
1
=400 W
1
= 0,1
D
2
=380 W
2
= 0,2
D
3
= 411 W
3
= 0,7
F
t
= A
t - 1

F
4
= A
3

F
4
= 404
1 j t
N
1 j
1 j t t
W D AW
+
=
+
=
Mtodo Series de Tiempo: Promedios Mviles Ponderados

Ejemplo 03
Actual patient
arrivals
450
430
410
390
370
Semana
| | | | | |
0 5 10 15 20 25 30
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Supongamos que la demanda real para
la semana 4.fuera de 415 pacientes.
Entonces el pronstico para la semana
5 seria:
Ejemplo 03
Actual patient
arrivals
450
430
410
390
370
Semana
| | | | | |
0 5 10 15 20 25 30
Llegada de
Semana pacientes
1 400
2 380
3 411
4 415
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

F
5
= 0,7(415) + 0,2(411) + 0,1(380)
Ejemplo 03
Actual patient
arrivals
450
430
410
390
370
Semana
| | | | | |
0 5 10 15 20 25 30
Llegada de
Semana pacientes
1 400
2 380
3 411
4 415
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

F
5
= 410,7 = 411 pacientes
Suavizamiento Exponencial Simple
D
t
= + e
t

El modelo refleja un error aleatorio alrededor de una tendencia central estable.
Donde e
t
se distribuye normalmente con media cero.

El mtodo consiste en estimar la demanda promedio suavizada (ajustada) para el
periodo venidero (A
t
) sumando o substrayendo a los pronsticos promedios
precedentes (A
t - 1
) un porcentaje (o) de la diferencia entre la demanda actual
(D
t
) y los pronsticos promedios precedentes (F
t - 1
)

A
t
= o D
t
+ ( 1 - o ) A
t - 1
La constante de suavizamiento o tasa de respuesta o,
representa la proporcin del peso que se da a la nueva
demanda contra el promedio anterior

o varia en general de 0.01 a 0.3

A
t
= o D
t
+ ( 1 - o ) A
t - 1
A
t -1
refleja la historia
Si se cree en la ltima demanda
o = 1
Si se cree en la historia
o = 0
A
t
= o D
t
+ ( 1 - o ) A
t 1
A
t
= A
t - 1
+ o ( D
t
- A
t-1
)

F
t+1
= A
t
F
t+1
= o D
t
+ ( 1 - o ) F
t

e
t
= D
t
F
t

Donde: A
t
= Nuevo promedio suavizado
A
t - 1
= Antiguo promedio exponencial
o = Constante de Suavizamiento Exponencial, 0 < o < 1
D
t
= Demanda real actual
F
t+1
= Pronstico para el periodo t+1
e
t
= error aleatorio para el periodo t
Mtodo de promedio mvil ponderado muy refinado.
Calcula el promedio de una serie de tiempo, asignado a las demandas
recientes mayores ponderaciones que a las demandas anteriores.
Su uso es de mayor frecuencia por su simplicidad y reducida cantidad de
datos que se necesita.

Requiere solo de tres tipos de datos:

El pronstico del ltimo perodo

Demanda de ese perodo

Un parmetro suavizador o, cuyo valor flucta entre 0 y 1,0
Suavizacin Exponencial
F
t+1
= o (Demanda para ese perodo) + (1 - o)(Pronstico calculado para
ese ltimo perodo)
F
t+1
= o D
t
+ (1 - o ) F
t
equivalente a:

F
t+1
= F
t
+ o ( D
t
- F
t
)
Es igual al pronstico del perodo actual
ms una proporcin del error del pronstico
correspondiente al mismo perodo actual.
Formas de Uso
Se requiere de las demandas histricas (D
t
) y del pronstico ms reciente
(A
o
= F
1
)
A
1
= o D
1
+ (1 - o) A
0
F
2
= o D
1
+ ( 1 - o ) F
1
A
2
= o D
2
+ (1 - o) A
1
F
3
= o D
2
+ ( 1 - o ) F
2
Se va calibrando o

Tambin se puede utilizar la formula general:

Donde F
1
es la estimacin inicial de
t t t
t
t
k
k t
k
t
F D F
F D F
* ) 1 ( *
) 1 ( ) 1 (
1
1
1
0
o o
o o o
+ =
+ =
+
=

Ejemplo:
Suponiendo alfa = 0.20 , el pronstico para el periodo t+1 es:

F
t+1
= 0.20 D
t
+ 0.80F
t

F
t =
0.20D
t-1
+ 0.80 F
t-1

F
t+1
= 0.20 D
t
+ 0.80 (0.20D
t-1
+ 0.80 F
t-1
) = 0.20D
t
+ 0.16D
t-1
+ 0.64F
t-1

Si continuamos expandindola, obtenemos:
F
t+1
= 0.20D
t
+ 0.16D
t-1
+ 0.128D
t-2
+ 0.1024D
t-3
+ ....

Este mtodo es similar al mtodo de los promedios mviles ponderados,
donde la suma de las ponderaciones debe ser igual a uno.

En la prctica se ensaya con diversos valores de o y se selecciona
el que produzca los mejores pronsticos, estos valores puede ser
altos o pequeos.

El trabajo con la suavizacin exponencial requiere de un pronstico
inicial que se puede obtener de dos formas:

1. Usar la demanda del ltimo perodo.
2. Con datos histricos, calcular el promedio de varios perodos
recientes de demanda.
El analista que est a cargo de la clnica mdica utilizar el mtodo de
suavizacin exponencial con alfa = 0,1 para estimar la demanda del tercer
periodo. Use el promedio correspondientes a las dos primeras semanas
para estimar un pronstico inicial y calcular el pronstico de la semana 4

Semana Llegada de pacientes
1 400
2 380
3 411

400
380
411
375
380
385
390
395
400
405
410
415
0 1 2 3 4 5 6
Semana
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s
Pronstico Inicial
F
3
= (D
1
+ D
2
)/2
F
3
= (400 + 380)/2 = 390

Para o = 0.1
F
t+1
= 0.1*D
t
+ (1 - 0.1)*F
t

F
4
= 0.1*D
3
+ (1 - 0.1)*F
3

F
4
= 0.1*411 + (1 - 0.1)*390
F
4
= 392,1
D
1
=400
D
2
=380
D
3
= 411
400
380
411
415
375
380
385
390
395
400
405
410
415
420
0 1 2 3 4 5 6
Semana
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s
Si la demanda real D
4
= 415
F
5
= 0.1*415 + 0.9*392.1 = 394.1
D
1
=400
D
2
=380
D
3
= 411
D
4
= 415
Mtodo Series de Tiempo Suavizacin Exponencial
Semana
450
430
410
390
370
| | | | | |
0 5 10 15 20 25 30
Ejemplo 04
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

450
430
410
390
370
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Semana
| | | | | |
0 5 10 15 20 25 30
Ejemplo 04
Suavizacin
Exponencial
o = 0.10
450
430
410
390
370
| | | | | |
0 5 10 15 20 25 30
Suavizacin
Exponencial
o = 0.10
Pronstico MA
3-semanas
Pronstico MA
6-semanas
Semana
L
l
e
g
a
d
a
s

d
e

p
a
c
i
e
n
t
e
s

Ejemplo 04
Inclusin de una Tendencia
Tendencia
Incrementos o decrementos sistemticos de los promedios de la serie a
travs del tiempo.
Suavizacin exponencial ser modificado ya que los resultados estar
por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razn de 10 unidades en cada perodo, al considerar
o = 0,3 se tiene:
Perodo Demanda
real
Pronstico para t Resultado
1 10 F
1
= 10
2 20 F
2
= 0,3(10) + 0,7(10) = 10
3 30 F
3
= 0,3(20) + 0,7(10) = 13
4 40 F
4
= 0,3(30) + 0,7(13) = 18,1
Mtodo de suavizacin Exponencial ajustada a la Tendencia
Sern suavizadas
Las estimaciones para el Promedio o
La Tendencia |
Promedio (A
t
)
A
t
= o + (1 - o)

Demanda en
este perodo
Promedio + Estimacin de
la Tendencia
(en el ltimo
perodo)
A
t
= o D
t
+ (1 - o) (A
t - 1
+ T
t 1
)

Tendencia (T
t
)
T
t
= | + (1 - |)
Promedio de Promedio del
este perodo ltimo perodo
-
Estimacin de la Tendencia
en el ltimo perodo
T
t
= | (A
t
- A
t 1
) + (1 - |) T
t 1
F
t + 1
= A
t
+ T
t
A
t - 1
y T
t 1
: Promedio y Tendencia del ltimo perodo, lo que se puede
obtener por medio de:
Datos del pasado
Estimaciones aproximadas al no existir histricos.
o y | : Se encuentran ajustando hasta obtener errores de pronsticos lo
ms bajo posible, el valor para ambos entre 0 y 1.
F
t + 1
: Pronstico para el perodo t + 1
Mtodo de suavizacin Exponencial ajustada a la Tendencia
Mdica SA, ofrece servicios de laboratorio clnico a los pacientes del Hospital Providencia, una
agrupacin de 10 mdicos familiares asociados que brindan un nuevo programa de
mantenimiento de la salud. Los gerentes estn interesados en pronosticar el nmero de
pacientes que van a requerir anlisis de sangre cada semana. Es preciso comprar suministros y
tomar una decisin acerca del nmero de muestras sanguneas que sern enviadas a otro
laboratorio, para compensar las limitaciones de la capacidad del laboratorio principal.

Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el
corazn han generado un incremento en las solicitudes de anlisis ordinarios de sangre en todo
el pas. En promedio el laboratorio realiz 28 anlisis de sangre cada semana durante las 4
ltimas semanas. La tendencia durante en ese periodo fue de tres pacientes adicionales por
semana.

La demanda de esta semana fue de 27 anlisis de sangre.

Utilizar o = 0.20 y | =0.20 para calcular el pronstico correspondiente a la semana siguiente
Ejemplo de Suavizacin Exponencial ajustada a la Tendencia
Recopilacin de Antecedentes

A
0
= 28 pacientes
T
0
= 3 pacientes
D
1
= 27 pacientes
o = 0.20 y | = 0.20
Ejemplo de Suavizacin Exponencial ajustada a la Tendencia
80
70
60
50
40
30
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s

Semana
A
t
= o D
t
+ (1 - o)*( A
t -1
+ T
t - 1
)
T
t
= | (A
t
- A
t-1
) + (1- |) T
t-1
F
t+1
= A
t
+ T
t

A
1
= 0,2 D
1
+ (1 0,2)*( A
0
+ T
0
)
T
1
= 0,2 (A
1
A
0
) + (1- 0,2) T
0
F
2
= A
1
+ T
1

A
0
= 28 pacientes
T
0
= 3 pacientes
D
1
= 27 pacientes
o = 0.20 y | = 0.20
A
1
= 0,2 *27+ (1 0,2)*( 28 + 3) = 30,2
T
1
= 0,2 (30,2 28) + (1- 0,2)*3 = 2,8

F
2
= 30,2 + 2,8 = 33
Suavizacin exponencial ajustada a la Tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s

80
70
60
50
40
30
Si la demanda real del periodo 2 es de 44
anlisis de sangre

Cul ser el pronstico para el periodo 3?
A
1
= 30,2 pacientes
T
1
= 2,8 pacientes
D
2
= 44 pacientes
o = 0.20 y | = 0.20
A
2
= 0,2 *44+ (10,2)*( 30,2+2,8) = 35,2
T
2
= 0,2 (35,2 30,2) + (1- 0,2)*2,8 = 3,1

F
3
= 35,2 + 3,2 = 38,4
Mtodo Series de Tiempo Suavizacin exponencial ajustada
a la Tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80
70
60
50
40
30
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s

Semana
Nmero real
de anlisis
de sangre
Ejemplo 05
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
80
70
60
50
40
30
L
l
e
g
a
d
a

d
e

p
a
c
i
e
n
t
e
s

Semana
Pronstico
ajustado a la
Tendencia
Nmero real
de anlisis
de sangre
Ejemplo 05
Mtodo Series de Tiempo Suavizacin exponencial ajustada
a la Tendencia
Patrones Estacionales
Son movimientos ascendentes o descendentes de la demanda,
Son repetitivos
Se limitan en general a perodos menores de un ao, como horas,
das, meses, trimestres, etc.
A cada perodo de tiempo se le denomina estaciones.
Empresa Patrn estacional Estacin
Comida rpida Un da hora
Peluquera Semana da
Renovacin licencia de
conducir
Mes da
Neumticos autos Ao mes
Mtodo Series de Tiempo Mtodo Estacional Multiplicativo
Este es uno de los mtodos de pronsticos, el ms usual.
Metodologa: promedios simples de la demanda pretrita.
Ejemplo: Patrn estacional: un ao, estacin: un mes

1. Para cada ao se obtiene la demanda promedio por estacin, esto es dividiendo la
demanda anual por el nmero de estaciones perteneciente al ao.

Ejemplo: demanda total en un ao 6000 y estacin mes 6000/12 = 500 unid.

2. Genere un ndice estacional para cada estacin del ao, su valor es el nivel de
demanda en relacin con la demanda promedio.
Clculo: para cada ao, divida la demanda real de una estacin entre la demanda
promedio por estacin.

Ejemplo: Mes Junio demanda 620.
Por lo tanto el ndice estacional = 620/500 = 1.24
que la demanda en junio es de 24 % mayor que la demanda promedio por mes.
3. Obtenga el ndice estacional promedio para cada estacin (usando 2. )
Sume los ndices estacinales para una estacin dada y divdalos
entre el nmero de aos que abarquen los datos.
Ejemplo: Mes junio
Ao 2002 2003 2004
ndice estacional
junio
1,24 1,18 1,06
ndice estacional promedio = (1,24 + 1,18 + 1,06) / 3 = 1,16
Este valor es usado para pronosticar la demanda de junio de
prximo ao (2005).
4. Calcule el pronstico de cada estacin para el ao siguiente.
Ejercicio
El gerente de la compaa San-limp, perteneciente al rubro de limpieza
de alfombras, necesita un pronstico trimestral del nmero esperado de
clientes para el ao siguiente. El negocio de la limpieza de alfombras es
estacional, con un punto mximo en el tercer trimestre y un uno mnimo
en el primer trimestre. Se presenta a continuacin los datos de la
demanda trimestral registrada en los cuatros aos ms recientes.

Patrn Estacional =
Ao
Estacin =
Trimestre
Trimestre Ao 1 Ao 2 Ao 3 Ao 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215

Ejemplo 07
El gerente desea hacer un pronstico de la demanda de los clientes
para cada uno de los trimestres del ao cinco, basndose en su
estimacin de que la demanda total durante el ao 5 ser de 2600
clientes, debido a que el incremento anual observado en la
demanda es de 400 servicios por ao.
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215

ndice estacional =
Demanda Actual
Promedio Demanda
Ejemplo 07
Total 1000 1200 1800 2200
Promedio 250 300 450 550

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Promedio 250 300 450 550
ndice estacional = = 0.18
45
250
Ejemplo 07
1 45/250 = 0.18 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Promedio 250 300 450 550
ndice estacional = = 0.18
45
250
Ejemplo 07
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Ejemplo 07
Observe que los ndices estacinales de cada trimestre fluctan de un ao
a otro a causa de los factores aleatorios, debido a lo cual se debe calcular
el ndice estacional promedio para cada trimestre.
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre ndice estacional promedio
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2
3
4
Ejemplo 07
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre ndice estacional promedio
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50
Ejemplo 07
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre ndice estacional promedio Pronstico
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50
El incremento promedio al ao es de 400 clientes, se
prolonga esa tendencia proyectando una demanda
anual para el ao cinco de 2200 + 400
Proyeccin Anual Demanda = 2600
Promedio Trimestral Demanda = 2600/4 = 650
Ejemplo 07
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50
Proyeccin Anual Demanda = 2600
Promedio Trimestral Demanda = 2600/4 = 650
Ejemplo 07
1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 650(1.30) = 845
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 650(2.00) = 1300
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 650(0.50) = 325
Ejemplo 07
Total = 2600
Seleccin de un Mtodo con series de Tiempo Error de
Pronstico
Los pronsticos siempre contienen errores.
Los errores se clasifican en:
Errores de Sesgo.
Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemticas que el pronstico siempre
sea muy alto o muy bajo.
por qu?
Son resultados de ignorar o no estimar correctamente ciertos patrones de
demanda como ejemplo de tendencia, estacinales o cclicos.
Errores Aleatorios
Resultado de factores imprevisibles El pronstico se ve obligado a
desviarse de la demanda real.
Seleccin de un Mtodo Error de Pronstico
Mediciones del Error de Pronstico
E
t
= D
t
- F
t
Antes de minimizar, se debe tener un medio de medicin:
Error de pronstico
E
t
= error de pronstico para el perodo t
D
t
= demanda real para el perodo t
F
t
= pronstico para el perodo t
Pero la tendencia es medir el error para a lo largo perodo,
lo que da origen a:
Es de carcter puntual
Ventajas
Los errores positivos grandes tienden a anular a los errores negativos
grandes.
Es til para evaluar el sesgo de un pronstico, por ejemplo:
Si F
t
siempre es ms bajo que D
t
entonces CFE cada vez ser mayor (+).
Este error creciente indica deficiencias continuas en el enfoque del
pronstico, que puede deberse a:
Omisin de un elemento de tendencia o patrn cclico.
Influencias estacinales cambiaron frente al patrn histrico.
Error de pronstico promedio
n
CFE
E =
Suma Acumulativa de errores de Pronsticos (CFE)
Mide el error total de un pronstico
CFE = EE
t
EE
t
n
=
E|E
t
|
n
MAD =
MSE =
EE
t
2

n
E(E
t
- E )
2

n - 1
o =
La dispersin de los errores de pronstico suelen ser medidas por:
Cuadrado de Error Medio
Desviacin estndar
Desviacin Media Absoluta

MAD ; o ; MSE si los valores que entregan son:
Pequeos; el pronstico dado generalmente se aproxima a la
demanda real.
Grandes: enuncia la posibilidad de errores de pronstico
considerable.

Los errores grandes reciben mayor ponderacin en MSE y o
por elevarse el error al cuadrado.

MAD entrega un valor comn de error, el que no detecta, si el
error consisti en estimaciones excesivas o de
subestimaciones.
Error Porcentual Medio Absoluto (MAPE)
Relaciona el error del pronstico con el nivel de la demanda.
til para colocar el rendimiento del pronstico en su correcta direccin.
E[ |E
t
| (100) ] / D
t

n
MAPE =
Error Porcentual Absoluto
[ |E
t
| / D
t
]

(100)
APE =
Ejemplo 04
La siguiente tabla muestra, las ventas reales de sillas tapizadas
que realiz un fabricante de muebles y los pronsticos
correspondiente a cada uno de los ltimos ocho meses.

Se debe calcular CFE, MSE, o, MAD y MAPE para este producto.
Error
Cuadrado Error porcentual
Mes, Demanda, Pronstico, Error, del Error, Absoluto, absoluto,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
Ejemplo 04
Error
Mes, Demanda, Pronstico,Error, del Error , absoluto, absoluto,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
Medicines del Error
Ejemplo 04
Error
Mes, Demanda, Pronstico, Error, del Error, absoluto, absoluto,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
CFE = EE
t
= - 15
Mediciones del Error
Ejemplo 04
Suma acumulativa de errores de pronsticos
Indica que el pronstico tiene la
tendencia de sobrestimar la
demanda
Pronstico > Demanda
Error
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
CFE = - 15
Medicines del Error
E = = - 1,875
- 15
8
Ejemplo 04
Error de pronstico promedio
Tendencia del Pronstico > Demanda
Error
Mes, Demanda, Pronstico, Error, , del Error absoluto, absoluto,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
MSE = = 659.4
5275
8
CFE = - 15
Medicines del Error
E = = - 1.875
- 15
8
Ejemplo 04
Cuadrado del error medio
Proporciona medida de la variabilidad
del error de pronstico
Error
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
MSE = = 659.4
5275
8
CFE = - 15
Medicines del Error
E = = - 1.875
- 15
8
o = 27.4
Ejemplo 04
Desviacin estndar
Indica que la distribucin de errores
de pronstico dentro de una muestra
tiene una desviacin estndar de
27,4 unidades.
Erro
Mes, Demanda, Pronstico,Error, del error, absoluto, absolutor,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
MSE = = 659.4
5275
8
CFE = - 15
Medicines del Error
MAD = = 24.4
195
8
E = = - 1.875
- 15
8
o = 27.4
Ejemplo 04
Desviacin media absoluta
Indica que el error de pronstico
promedio fue de 24,4 unidades en
valor absoluto.
Erro
Cuadrado, Error porcentual
Mes, Demanda, Pronstico, Error, del error absoluto, absolutor,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
MSE = = 659.4
5275
8
CFE = - 15
Medicines del Error
MAD = = 24.4
195
8
MAPE = = 10.2%
81.3%
8
E = = - 1.875
- 15
8
o = 27.4
Ejemplo 04
Error porcentual medio absoluto
Indica que, en promedio, el error de
pronstico fue de ms o menos el 10% de la
demanda real observada.
Error
Mes, Demanda, Pronstico, Error, del error, absoluto, absoluto,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
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 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
MSE = = 659.4
5275
8
CFE = - 15
Medicines del Error
MAD = = 24.4
195
8
MAPE = = 10.2%
81.3%
8
E = = - 1.875
- 15
8
o = 27.4
Ejemplo 04
Seleccin de un Mtodo: Seales de Rastreo
Es una medida que nos dice si el mtodo de pronstico utilizado esta
previendo con precisin los cambios reales de la demanda.
Seal de rastreo =
CFE
MAD
CFE y MAD en cada perodo son actualizados para observar el error actual y
compararlo con seales determinadas anteriormente.
Posibilidades de clculo para MAD
1. Promedio simple de todos los errores absolutos
2. Promedio ponderado mediante el
mtodo de suavizacin exponencial
E|E
t
|
n
MAD =
MAD = o |E
t
| + (1 - o)MAD
t - 1

Ventajas de 2.
No es necesario tantos datos histricos
o no tiene porque ser igual al valor utilizado en el modelo de pronstico.
Frecuentemente se usa ~ 0,1 para suavizar los efectos de los errores
recientes en al pasado.
Seal de rastreo =
CFE
MAD
+2.0
+1.5
+1.0
+0.5
0
- 0.5
- 1.0
- 1.5
| | | | |
0 5 10 15 20 25
Nmero de observaciones
S
e
a
l

d
e

r
a
s
t
r
e
o

Lmite de control

Lmite de control
Ejemplo 5
Seal de rastreo =
CFE
MAD
+2.0
+1.5
+1.0
+0.5
0
- 0.5
- 1.0
- 1.5
| | | | |
0 5 10 15 20 25
Nmero de observaciones
S
e
a
l

d
e

r
a
s
t
r
e
o

Lmite de control

Lmite de control

Fuera de control
Ejemplo 5
Criterios para la Seleccin de Mtodos con Series de Tiempo
Cuantificar errores de pronstico entrega la informacin vital, cuando se debe
seleccionar un mtodo de pronstico tanto para manufactura como servicio.
Es una gua para seleccionar el valor del parmetro ms adecuado en el
mtodo elegido, como:
n para pronstico simple
ponderaciones para promedio mvil ponderado y
o y Beta para suavizacin exponencial.
Criterios para escoger un mtodo de pronstico y seleccionar el parmetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersin (MAD y MSE)
En 1 y 2 se basan en el rendimiento histrico.
Criterio Estadstico
Consideramos nuevamente el ejemplo de la clnica mdica con 28
perodos que entrega el siguiente cuadro.
Suma acumulativa Desviacin media
Mtodo de errores (CFE) absoluta (MAD)
Promedio mvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio mvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
o = 0,1 65,6 14,8
o = 0,2 41,0 15,3
.
Criterio Estadstico
Consideramos nuevamente el ejemplo de la clnica mdica con 28 perodos que
entrega el siguiente cuadro.
Promedio mvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicaran que los
pronsticos son muy bajos, n = 3 sera el mejor.
Suavizacin exponencial: MAD muy parecidos, CFE distintos o = 0,2
se prefiere.

Suma acumulativa Desviacin media
Mtodo de errores (CFE) absoluta (MAD)
Promedio mvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio mvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
o = 0,1 65,6 14,8
o = 0,2 41,0 15,3
De los tres mtodos con n = 3 y o = 0,2 NO se asigna una mayor
ponderacin a los niveles de demanda ms recientes.
Note que Promedio mvil ponderado con ponderacin 0,7 para la
demanda ms reciente entrega un Sesgo (CFE) ms bajo y MAD
levemente superior.
En consecuencia Promedio Ponderado sera el mtodo elegido.
Criterio Expectativas de Gerencia

Frente a los diversos factores internos como externos (un cambio en el
promedio, en la tendencia, etc) se tiene las siguientes posibilidades:

a) Proyecciones basadas en patrones de demanda estables, usar valores
de o ms bajos o valores de n ms altos, con el fin de dar importancia a
los datos histricos.

b) Proyecciones basadas en patrones de demanda dinmicas, usar
valores de o ms altos o valores de n ms bajos, como los datos
histricos estn cambiando se pone nfasis a la historia ms nueva.
Criterio Expectativas de Gerencia
Uso del ltimo perodo en el error de pronsticos

Siempre se obtiene un mejor pronstico cuando se utiliza un modelo de
pronstico ms sofisticado?

Existe una tcnica de pronstico ptima para todos los productos o
servicios?

Para ambas preguntas NO

Da origen(particularmente) al Pronstico enfocado que surge de
seleccionar el mejor pronstico a partir de un grupo de pronsticos
generados por medio de tcnicas sencillas
Fin Capitulo de Pronsticos

Pronostico de Demanda

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

Pronostico de Demanda

Uploaded by

Copyright:

Available Formats

Gestin de Operaciones :

Mtodo Series de Tiempo: Promedios Mviles Ponderados

You might also like