P.

Reyes / enero 2010

MTODOS DE
PRONSTICOS

http://renovables.wordpress.com/2008/03/
1
Pronsticos
El Pronstico de la Demanda en el Futuro es
esencial para el manejo adecuado de la Cadena
de Suministro.

http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2
Pronsticos
Cul ser la demanda del cliente por
determinado producto en el futuro?
En qu parte del proceso est el Inventario?

http://www.psychicguild.com/forecasting/
3
Patrones de demanda
Relaciona cantidades demandadas con
respecto al tiempo.

Por Temporada: los datos muestran

consistentemente picos y valles.

Cclico: se observan incrementos y

decrementos sobre diferentes perodos

4
 Patrones de demanda
Componente Descripcin
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminucin en
la serie sobre un periodo amplio.
Cclico Es la fluctuacin en forma de onda
alrededor de la tendencia.
Estacional Es un patrn de cambio que se repite a s
mismo perodo tras perodo ( ao tras ao,
mes con mes, da con da, etc.)
Aleatorio Mide la variabilidad de las series de tiempo
despus de retirar los otros componentes
(tendencias, ciclos, estacionalidad, etc.).

5
Patrones de demanda

http://html.rincondelvago.com/ciclo-economico.html

7
Patrones de demanda
Una curva en S es tpica del crecimiento
del producto y el ciclo de madurez

http://samscam.co.uk/blog/410
8
reas de toma de decisiones
Decisiones importantes
Mercadotecnia
Manufactura
Asignacin de
Planeacin de la fuerza de trabajo
produccin Promociones
Control de Inventarios Introduccin de
Planeacin Agregada Nuevos Productos

Finanzas Personal
Inversin de Planeacin de
Planta/ Equipo Fuerza de Trabajo
Planeacin de Capital Contrataciones

10
 Bases para pronsticos
Datos histricos para proyectar el futuro
en base a modelos matemticos.
Prediccin del futuro subjetiva o intuitiva
Modelos causales de regresin

http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
11
 Horizonte de planeacin
Horizonte de tiempo
Corto plazo Mediano Plazo Largo Plazo
(0-3 meses) (3 meses- 2 aos) (ms de 2 aos)
Nivel de
Pronstico Productos y Ventas Totales/ Ventas Totales
servicios Familias de
Individuales Productos y
Servicios
rea de Manejo de Planeacin de Localizacin
Decisin Inventarios puestos de
Programa de directivos Infraestructura
ensamble Final Planeacin de Planeacin de
Programa de la produccin la capacidad
fuerza de MPS Gerencia de
trabajo Procuracin Procesos
MPS Distribucin
Tcnica de Series de
Pronstico tiempo/Registro Regresin Regresin Lineal/
Lineal/Pronstico Lineal/Pronstico Pronstico
cualitativo Cualitativo Cualitativo 12
 Insumos para la planeacin
Condiciones del Panorama Otros
Mercado Econmico Factores
Acciones de la
competencia Situacin del ciclo Legales
de los negocios
Gustos del Polticos
Consumidor Indicadores Lderes
Precios de las Sociales
Ciclo de vida de los acciones
productos Rendimiento de Culturales
los bonos
Precios de
Estacin del ao materiales
Oferta de dinero
Planes de los clientes Cierre de
Negocios
Desempleo
14
 Insumos para la planeacin
Plan de Plan Financiero
Plan de Mercadotecnia
Produccin
Nivele y
Publicidad gestin de la Polticas de
calidad en el crdito
Fuerza de ventas
proceso de
produccin Polticas de
Precio facturacin
Ventas histricas Servicio al
cliente Manejo
Canales de Financiero de
Comercializacin Capacidad recursos

Costos

15
Influencia del ciclo de vida del
producto
Los bienes y servicios no se venden en forma constante
a travs de su vida en el mercado.

http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-e-innovacion-
a-traves-del-ciclo-de-vida/print/
16
Enfoques para pronsticos
Modelos de
Decisin para
Pronsticos

Pronsticos Pronsticos
Cuantitativos Cualitativos

Modelos Aspectos subjetivos

Matemticos Intuicin, emociones,
Datos Histricos experiencias
Sistema de Valores

17
 Forecasting Models
Forecasting
Techniques

Qualitative Time Series

Models Methods

Delphi
Naive
Method
Moving
Jury of Executive
Average
Opinion
Weighted
Sales Force
Moving Average
Composite
Exponential
Consumer Market
Smoothing
Survey

Trend Analysis
Causal
Methods
Seasonality
Simple Analysis
Regression
Analysis Multiplicative
Decomposition
Multiple
Regression
Analysis
Pronsticos cualitativos
Grass roots fuerza de ventas
tendencias de clientes

http://technet.microsoft.com/en-us/library/bb687375.aspx
19
 Grass roots Forecasting
Se basa en cuestionar al personal cercano al cliente,
tales como vendedores y distribuidores estables y
con experiencia, sobre lo que piensan vender el
siguiente periodo para considerarse en el
pronstico.

Implica distraer a la fuerza de ventas y puede ser

sesgado. Los pronsticos pueden ajustarse con base
en la correlacin histrica de la opinion de la fuerza
de ventas y las ventas reales.

http://firgoa.usc.es/drupal/node/41923/print
20
Pronsticos cualitativos
Investigacin de mercado

http://www.elg-
asesores.com/servicios.html http://customerservicevoodoo.
wordpress.com/2009/05/

21
Investigacin de mercado
Permite determinar si hay demanda
suficiente para el producto o servicio

Permite determinar las necesidades y

deseos del cliente actual o potencial

Hay dos tipos de investigacin de

mercado: primaria y secundaria

22
Investigacin de mercado
IM Primaria: informacin directa de
clientes actuales o potenciales, ms
costosa

Encuestas (mail, telfono, cara a cara)

Grupos focales (6 10)

Se comentan problemas y bondades del producto

Entrevistas individuales

23
Investigacin de mercado
IM secundaria: informacin que alguien
ms ha colectado
Reportes / estudios
Peridicos
Revistas
Bibliotecas (datos estadsticos)
Organismos gubernamentales
Estadsticas en Web
Asociaciones comerciales e industriales

24
Investigacin de mercado
IM mientras opera el negocio
Reportes de ventas (seguir productos)

Competencia (cambios)

Encuestas de clientes

Identificar las zonas desde donde llaman los

clientes

25
Pronsticos cualitativos
Consenso de expertos
(evitar juicio de ejecutivos)

http://www.ravenwerks.com/?p=7
26
Pronsticos cualitativos
Analoga histrica (geogrfica o histrica)
Ver comportamiento de productos anlogos

http://www.chromaservices.ca/multimedia_services/convert_vhs_to_dvd.html
http://www.hdtvexpert.com/pages_b/toshiba_HD-A2.html
27
Ciclo de vida del producto
Los bienes y servicios no se venden en forma constante
a travs de su vida en el mercado.

28
http://exoplanet.as.arizona.edu/~lclose/teaching/a202/lect24.html
29
Pronsticos cualitativos
Analoga histrica
Ver comportamiento de productos anlogos

http://www.uiah.fi/projects/metodi/190.htm

30
Pronsticos cualitativos
Mtodo Delphi (Rand Corporation)
Oculta la identidad de las personas que participan

Los pasos de este procedimiento son:

Escoger los expertos que participarn. Debe
haber personas que tengan conocimiento de
distintas reas.
Por medio de un cuestionario (o correo
electrnico), obtener pronsticos (y las
premisas o calificaciones para estos
pronsticos) de todos los participantes.
31
Pronsticos cualitativos
Resumir los resultados y volver a repartirlos
entre los participantes, con las
correspondientes preguntas nuevas.

Volver a resumir, mejorando los pronsticos

y las condiciones y volver a preparar
preguntas nuevas.

Repetir el paso 4 en caso necesario. Repartir

los resultados finales entre todos los
participantes.

32
 Pronsticos cualitativos
Mtodo Delphi

http://flickr.com/photos/78846417@N00/2513262775
33
 Pronsticos cuantitativos
Modelos de Modelo
Causal
Series de Tiempo

Predicen sobre la Se incorporan al modelo

base que el futuro las variables o factores
est en funcin del que pueden influenciar la
pasado. cantidad que se
pronostica.
Estn expresados
en nocin
matemtica.

34
MODELOS DE SERIES DE
TIEMPO
Mtodos cuantitativos de pronstico

35
 Pronsticos cuantitativos
Mtodo de Cantidad de Datos Patrn de Datos Plazo del Tiempo de Antecedentes
Pronstico Histricos Pronstico Preparacin del Personal
Mtodo exponencial 5 a 10 observaciones para Los datos deben Corto Breve Poca
simple establecer el peso ser estticos sofisticacin

Mtodo Exponencial 5 a 10 observaciones para Tendencia pero no Corto a Breve Leve

doble establecer los dos pesos estacionalidad mediano sofisticacin

Mtodo Exponencial Un mnimo de 4 a 5 Tendencia y Corto a Breve Moderada

de Winters observaciones por estacionalidad mediano sofisticacin
temporada

Modelos de 10 a 20; para Tendencia y Corto a Breve Moderada

regresin de estacionalidad un mnimo estacionalidad mediano sofisticacin
tendencias de 5 por estacin

Modelos de 10 observaciones por Capacidad para Corto, Mucho para Considerable

regresin causal variable independiente manejar patrones mediano o preparacin, sofisticacin
complejos largo breve para la
aplicacin

Descomposicin de Basta con ver 2 crestas y Maneja patrones Corto a Breve a Poca
series de tiempo valles cclicos y mediano moderado sofisticacin
estacinales;
puede identificar
puntos de inflexin

36
 Pronsticos cuantitativos
Promedio ingenuo
Pronstico t = resultado del mes anterior
2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi- (Xi-Fi)
Fi)/Xi|*100
Enero 1 52 - - - -
Febrero 2 81 52 29 29 35.80 841
Marzo 3 47 81 -34 34 72.34 1,156
Abril 4 65 47 18 18 27.69 324
Mayo 5 50 65 -15 15 30.00 225
Junio 6 73 50 23 23 31.51 529
Julio 7 45 73 -28 28 62.22 784
Agosto 8 60 45 15 15 25.00 225
Septiembre 9 50 60 -10 10 20.00 100
Octubre 10 79 50 29 29 36.71 841
Noviembre 11 45 79 -34 34 75.56 1,156
Diciembre 12 62 45 17 17 27.42 289
Suma 709 10 252 444 6,470
MAD MAPE MSD
Media 0.83 21 37.02 539.17
37
Pronsticos cuantitativos
Promedio ingenuo
Pronstico t = resultado del mes anterior
90

80

70

60

50
Xi 52
40 Fi -

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11

38
 Pronsticos cuantitativos
Promedio simple
Pronstico t = promedio de meses anteriores
2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi)
Enero 1 52 - - - -
Febrero 2 81 52 29 29 35.80 841
Marzo 3 47 67 -20 19.5 41.49 380
Abril 4 65 60 5 5 7.69 25
Mayo 5 50 61 -11 11.25 22.50 127
Junio 6 73 59 14 14 19.18 196
Julio 7 45 61 -16 16.333 36.30 267
Agosto 8 60 59 1 1 1.67 1
Septiembre 9 50 60 -10 10.143 20.29 103
Octubre 10 79 58 21 20.889 26.44 436
Noviembre 11 45 65 -20 19.5 43.33 380
Diciembre 12 62 59 3 3.1818 5.13 10
Suma 709 -4 150 260 2,766
MAD MAPE RMS
Media -0.30 12.483 21.65 230.52

39
Pronsticos cuantitativos
Promedio simple
Pronstico t = promedio de meses anteriores
90

80

70

60

50
Xi 52
40 Fi -

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11

40
 Pronsticos cuantitativos
Promedio mvil simple
Pronstico t = promedio de n=3 meses anteriores
2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi)

Enero 1 52 - - - -
Febrero 2 81 - - - - -
Marzo 3 47
Abril 4 65 64.33 1 0.6667 1.03 0
Mayo 5 50 54.00 -4 4 8.00 16
Junio 6 73 62.67 10 10.333 14.16 107
Julio 7 45 56.00 -11 11 24.44 121
Agosto 8 60 59.33 1 0.6667 1.11 0
Septiembre 9 50 51.67 -2 1.6667 3.33 3
Octubre 10 79 63.00 16 16 20.25 256
Noviembre 11 45 58.00 -13 13 28.89 169
Diciembre 12 62 62.00 0 0 0.00 0
Suma 709 -2 57 101 672
MAD MAPE RMS
Media -0.17 4.7778 8.43 56.04
41
Pronsticos cuantitativos
Promedio mvil simple
Pronstico t = promedio de n=3 meses anteriores

42
Promedio mvil simple

43
Promedio mvil simple

http://www.fxwords.com/m/moving-averages.html
44
 Pronsticos cuantitativos
Promedio mvil ponderado (pesos 0.6, 0.3, 0.1)
Pronstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi)
Enero 1 52 - - - -
Febrero 2 81 - - - - -
Marzo 3 47
Abril 4 65 57.70 7 7.3 11.23 53
Mayo 5 50 61.20 -11 11.2 22.40 125
Junio 6 73 54.20 19 18.8 25.75 353
Julio 7 45 65.30 -20 20.3 45.11 412
Agosto 8 60 53.90 6 6.1 10.17 37
Septiembre 9 50 56.80 -7 6.8 13.60 46
Octubre 10 79 52.50 27 26.5 33.54 702
Noviembre 11 45 68.40 -23 23.4 52.00 548
Diciembre 12 62 55.70 6 6.3 10.16 40
Suma 709 3 127 224 2,317
MAD MAPE RMS
Media 0.27 10.558 18.66 193.10

45
Pronsticos cuantitativos
Promedio mvil ponderado (pesos 0.6, 0.3, 0.1)
Pronstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
90

80

70

60

50
Xi 52 81
40 Fi - -

30

20

10

0
1 2 3 4 5 6 7 8 9 10

46
Pronsticos cuantitativos
Promedio mvil ponderado

http://www.marketoracle.co.uk/Article9875.html

47
Pronsticos cuantitativos
Suavizamiento exponencial simple (alfa =0.2)
Asigna la ponderacin mayor a los valores
observados ms recientes, y ponderaciones
decrecientes a los valores ms antiguos.
Minitab usa el promedio de las primeros 6
observaciones (o N, si N < 6) para el valor inicial
estimado en tiempo uno.
Los valores subsecuentes se calculan con la
frmula:

Pronstico t = Resultado mes anterior*Alfa + (1-Alfa)

*pronstico del mes anterior

48
 Pronsticos cuantitativos
F1 = promedio de las primeras 6 observaciones

2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi)
Enero 1 52 61.33 -9.33 9.33 17.95 87.11
Febrero 2 81 59.47 21.53 21.53 26.58 463.68
Marzo 3 47 63.77 -16.77 16.77 35.69 281.34
Abril 4 65 60.42 4.58 4.58 7.05 20.99
Mayo 5 50 61.33 -11.33 11.33 22.67 128.48
Junio 6 73 59.07 13.93 13.93 19.09 194.10
Julio 7 45 61.85 -16.85 16.85 37.45 284.07
Agosto 8 60 58.48 1.52 1.52 2.53 2.30
Septiembre 9 50 58.79 -8.79 8.79 17.57 77.21
Octubre 10 79 57.03 21.97 21.97 27.81 482.71
Noviembre 11 45 61.42 -16.42 16.42 36.50 269.73
Diciembre 12 62 58.14 3.86 3.86 6.23 14.91
Suma 709 -12.11 146.90 257.11 2,306.64
MAD MAPE MSD
Media -1.01 12.24 21.43 192.22

49
Pronsticos cuantitativos
F1 = promedio de las primeras 6 observaciones

Smoothing Plot for Xi

Single Exponential Method

90 Variable
Actual
Fits
80 Forecasts
95.0% PI

70 Smoothing Constant
Alpha 0.2

Accuracy Measures
60
Xi

MAPE 21.426
MAD 12.242
MSD 192.220
50

40

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index

50
Pronsticos cuantitativos
Suavizamiento exponencial doble
Considera la tendencia
Lt es el nivel en tiempo t, alfa es el peso para el nivel
Tt es el nivel de tendencia en tiempo t, g es el peso
para la tendencia t
Y es el valor observado en tiempo t,Yest es el valor
estimado un paso adelante en tiempo t

51
Pronsticos cuantitativos
Los valores de estimaciones iniciales son:
S1 = X1 T1 = X2 - X1
Las proyecciones o pronsticos se obtienen con las
siguientes ecuaciones:

St equivalente del valor suavizado exponencial nico

Beta coeficiente de suavizamiento, anlogo a lfa
Tt tendencia suavizada en la serie de datos.
m nmero de perodos a pronosticar 1,2,3

52
 Pronsticos cuantitativos
Suavizamiento exponencial doble
2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi)
Enero 1 52 60.29 -8.29 8.29 15.95 68.80
Febrero 2 81 58.08 22.92 22.92 28.29 525.15
Marzo 3 47 63.03 -16.03 16.03 34.11 257.01
Abril 4 65 59.55 5.45 5.45 8.39 29.72
Mayo 5 50 60.58 -10.58 10.58 21.16 111.94
Junio 6 73 57.98 15.02 15.02 20.57 225.53
Julio 7 45 61.10 -16.10 16.10 35.79 259.36
Agosto 8 60 57.36 2.64 2.64 4.40 6.98
Septiembre 9 50 57.47 -7.47 7.47 14.93 55.76
Octubre 10 79 55.26 23.74 23.74 30.06 563.81
Noviembre 11 45 60.24 -15.24 15.24 33.86 232.13
Diciembre 12 62 56.81 5.19 5.19 8.37 26.93
Suma 709 1.25 148.68 255.88 2,363.12
MAD MAPE MSD
Media 0.10 12.39 21.32 196.93

53
Pronsticos cuantitativos
Suavizamiento exponencial de Winters para tendencia
y estacionalidad

54
 Pronsticos cuantitativos
Suavizamiento exponencial de Winters para tendencia
y estacionalidad
2
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi- (Xi-Fi)
Fi)/Xi|*100
Enero 1 52 52 0.00 0.00 0.00 0.00
Febrero 2 81 81 0.00 0.00 0.00 0.00
Marzo 3 47 47 0.00 0.00 0.00 0.00
Abril 4 65 65 0.00 0.00 0.00 0.00
Mayo 5 50 50 0.00 0.00 0.00 0.00
Junio 6 73 73 0.00 0.00 0.00 0.00
Julio 7 45 45 0.00 0.00 0.00 0.00
Agosto 8 60 60 0.00 0.00 0.00 0.00
Septiembre 9 50 50 0.00 0.00 0.00 0.00
Octubre 10 79 79 0.00 0.00 0.00 0.00
Noviembre 11 45 45 0.00 0.00 0.00 0.00
Diciembre 12 62 62 0.00 0.00 0.00 0.00
Suma 709 0.00 0.00 0.00 0.00
MAD MAPE MSD
Media 0.00 0.00 0.00 0.00

55
Pronsticos cuantitativos
Modelo aditivo, la variacin aleatoria permanece
constante durante la tendencia o en el tiempo

http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
56
Pronsticos cuantitativos
Modelo multiplicativo, la variacin aleatoria se
incrementa durante la tendencia o en el tiempo

http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
57
Pronsticos cuantitativos
Suavizamiento exponencial de Winters para tendencia
y estacionalidad

Winters' Method Plot for Xi

Additive Method
Variable
80 Actual
Fits

Smoothing Constants
Alpha (level) 0.2
70 Gamma (trend) 0.2
Delta (seasonal) 0.2

Accuracy Measures
Xi

MAPE 0.0000000
60
MAD 0.0000000
MSD 0.0000000

50

40
1 2 3 4 5 6 7 8 9 10 11 12
Index

58
Pronsticos cuantitativos
Mtodo de descomposicin
Time Series Decomposition Plot for Xi
A dditiv e M odel

80 Variable
Actual
Fits
70 Trend
Forecasts
60
Xi

Accuracy Measures
MAPE 8.6063
MAD 5.5407
50
MSD 62.7065

40
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index

Component Analysis for Xi

A dditiv e M odel
Original Data Detrended Data
80 20

65
0
50
-20
2 4 6 8 10 12 2 4 6 8 10 12
Index Index

Seasonally Adjusted Data Seas. Adj. and Detr. Data

80
12
65
0
50
-12
2 4 6 8 10 12 2 4 6 8 10 12
Index Index

59
Errores de pronstico
Es la diferencia entre el valor del
pronstico y lo ocurrido en realidad. En
estadstica a estos errores se les llama
residuales

60
Errores de pronstico MAD
Es el promedio de las desviaciones absolutas de los
valores reales menos los pronosticados
Mes i Xi Fi Xi-Fi |Xi-Fi|

Enero 1 52 - - -
Febrero 2 81 - - -
Marzo 3 47
Abril 4 65 64.33 1 0.67
Mayo 5 50 54.00 -4 4.00
Junio 6 73 62.67 10 10.33
Julio 7 45 56.00 -11 11.00
Agosto 8 60 59.33 1 0.67
Septiembre 9 50 51.67 -2 1.67
Octubre 10 79 63.00 16 16.00
Noviembre 11 45 58.00 -13 13.00
Diciembre 12 62 62.00 0 0.00
Suma 709 -2 57.33
MAD
Media -0.17 4.78
61
Errores de pronstico MAPE
Es el porcentaje de error promedio absoluto de las
desviaciones de los valores reales menos pronstico
entre valor real Mes i Xi Fi Xi-Fi |(Xi-Fi)/Xi|*100

Enero 1 52 - - -
Febrero 2 81 - - -
Marzo 3 47
Abril 4 65 64.33 1 1.03
Mayo 5 50 54.00 -4 8.00
Junio 6 73 62.67 10 14.16
Julio 7 45 56.00 -11 24.44
Agosto 8 60 59.33 1 1.11
Septiembre 9 50 51.67 -2 3.33
Octubre 10 79 63.00 16 20.25
Noviembre 11 45 58.00 -13 28.89
Diciembre 12 62 62.00 0 0.00
Suma 709 -2 101
MAPE
Media -0.17 8.43

62
Errores de pronstico MSD
Es el promedio de las desviaciones al cuadrado de los
valores reales menos pronstico (amplifica las
diferencias grandes) Mes i Xi Fi Xi-Fi (Xi-Fi)
2

Enero 1 52 - -
Febrero 2 81 - - -
Marzo 3 47
Abril 4 65 64.33 1 0
Mayo 5 50 54.00 -4 16
Junio 6 73 62.67 10 107
Julio 7 45 56.00 -11 121
Agosto 8 60 59.33 1 0
Septiembre 9 50 51.67 -2 3
Octubre 10 79 63.00 16 256
Noviembre 11 45 58.00 -13 169
Diciembre 12 62 62.00 0 0
Suma 709 -2 672
MSD
Media -0.17 56.04

63
Lmites de prediccin / seal de
rastreo
Lmite superior = Pronstico + 1.96*1.25*MAD
Lmite inferior = Pronstico - 1.96*1.25*MAD
Desviacin estndar = 1.25*MAD

Una seal de rastreo es una medida que indica si el

promedio del pronstico est siguiendo el ritmo de un
verdadero cambio ascendente o descendente en la
demanda. Constituye el nmero de desviaciones medias
absolutas en que el valor del pronstico est por arriba
o por abajo de los hechos.

64
Ejercicio 1
Los datos de la demanda para el ltimo ao se
muestran a continuacin, calcular el pronstico para los
siguientes tres meses, indicar los errores. Si se utiliza
mtodos de suavizamiento utilizar alfa = 0.3, Beta = 0.3,
Gama = 0.3 Mes Demanda
Ene 62
Feb 65
Mar 67
Abr 68
May 71
Jun 73
Jul 76
Ago 78
Sep 78
Oct 80
Nov 84
Dic 85 65
Ejercicios
Winters' Method Plot for Demanda
Additive Method
95 Variable
A ctual
90 Fits
Forecasts
95.0% PI
85
Smoothing C onstants
A lpha (lev el) 0.3
Demanda

80 Gamma (trend) 0.3

Delta (seasonal) 0.3

75 A ccuracy Measures
MA PE 0.685849
MA D 0.503828
70 MSD 0.420778

65

60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Period Forecast
Index
13 87.5444
14 89.9401
15 90.8469
66
 Anlisis de tendencia con regresin
lineal
Regresin es la relacin funcional de dos o ms
variables crrelacionadas.
La usamos para prever una variable, dada otra
variable
Presupone que los datos del pasado y las
proyecciones del futuro quedan aproximadamente
en lnea recta

http://serc.carleton.edu/introgeo/teachingwdata/StatRegression.html

67
 Anlisis de tendencia con regresin
lineal
Una empresa hace publicidad de un nuevo producto y se
desea pronosticar los clientes nuevos para los periodos 13
y 14 con base en los datos de los ltimos 12 meses
Trend Analysis Plot for Clientes
Mes Clientes Linear Trend Model
Yt = 43.85 - 1.41259*t
1 41
45 Variable
2 43 Actual
Fits
3 39 Forecasts
40
4 37 Accuracy Measures
MAPE 4.43754
5 42 MAD 1.57265
Clientes

35 MSD 4.61033
6 35
7 30
30
8 31
9 32
25
10 30
11 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index
12 28

68
Ejercicio 2
Estimar el pronstico para el cuarto trimestre de ventas
de una empresa considerando los datos de ventas
reales de los ltimos 21 meses Si se utiliza mtodos de
suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama = 0.3
Ao Mes Ventas 2001 Ene 275
2000 Ene 300 2001 Feb 375
2000 Feb 400 2001 Mar 350
2000 Mar 425 2001 Abr 425
2000 Abr 450 2001 May 400
2000 May 400 2001 Jun 350
2000 Jun 460 2001 Jul 275
2000 Jul 400 2001 Ago 350
2000 Ago 300 2001 Sep 375
2000 Sep 375
2000 Oct 500
2000 Nov 550
2000 Dic 500
69
Ejercicio 2

Period Forecast
22 409.229
23 403.609
24 387.989
70
MODELOS CAUSALES
Regresin lineal y mltiple

71
Modelos de regresin lineal
Se asume que una variable dependiente Y depende de
otra variable independiente X, tal como ventas y
cantidad de lluvia

72
Regresin lineal

http://serc.carleton.edu/introgeo/teachingwdata/S
tatRegression.html

73
Modelos de regresin mltiple
Se asume que una variable dependiente Y depende de
otras variable independiente Xs, tal como ventas
depende de la publicidad, ingreso, etc.

74
Ejemplo de Regresin mltiple
No se sabe si los precios o la publicidad
influyen ms en las ventas de la empresa
para analizar lo anterior se toman las
ventas reales en millares de 12 aos con
sus correspondientes datos de
precios/unidad y publicidad en ($000)

75
Regresin mltiple
Ao Ventas Precio Publicidad
1990 400 280 600
1991 700 215 835
1992 900 211 1100
1993 1300 210 1400
1994 1150 215 1200
1995 1200 200 1300
1996 900 225 900
1997 1100 207 1100
1998 980 220 700
1999 1234 211 900
2000 925 227 700
2001 800 245 690

76
Regresin mltiple
a) Ecuacin de regresin
Ventas = 2191 - 6.91 Precio + 0.325 Publicidad

b) Identificar los factores significativos con influencia en

la respuesta
P value de Precio = 0.042 Si P <=0.05 es significativo
P value Publicidad= 0.206 no tiene influencia en ventas

c) Si el precio es de 300 y la publicidad es de 900 Cul

es el nivel de ventas esperado?
Ventas = 2191 - 6.91*300 + 0.325*900 = 410.5

77
Regresin mltiple
d) Obtener la grfica de regresin lineal entre Ventas y
precio
Fitted Line Plot
Ventas = 3129 - 9.737 Precio
S 152.777
1300
R-Sq 67.5%
1200 R-Sq(adj) 64.3%

1100

1000

900
Ventas

800
700

600

500

400

190 200 210 220 230 240 250 260 270 280
Precio

78
Regresin mltiple
d) Obtener la grfica de regresin lineal entre Ventas y
publicidad

79
I. Cualitativas Subjetivas: de Raz de Pasto Grass Roots Deriva un pronstico reuniendo informacin de las personas
juicio. Basadas en que estn en un extremo de la jerarqua y que se ocupan de
estimados y aquello que se pronosticar.
opiniones. Investigacin de Mercado Rene datos por distintos medios (encuestas, entrevistas, etc.)
a efecto de comprobar hiptesis sobre el mercado.
Consenso de jurado Intercambio franco y libre de juntas.
Analoga histrica Relaciona lo que se pronostica con un elemento similar.
Mtodo Delphi Un grupo de expertos contesta un cuestionario. Un moderador
compila los resultados y prepara otro cuestionario que
tambin le presenta al grupo.
I. Anlisis de Se basa en la idea Promedio Mvil Simple Se obtiene el promedio de un periodo especfico que contiene
Series de de que podemos una serie de datos dividiendo la suma de los valores de stos
Tiempo usar la historia de entre el nmero de valores.
los hechos Promedio Mvil Ponderado Se ponderan puntos especficos, adjudicndoles mayor o
ocurridos para menor valor que a otros, segn los aconseje la experiencia.
prever el futuro. Mtodo de suavizamiento Se ponderan los puntos de datos recientes con un valor ms
exponencial alto, y su peso va disminuyendo exponencialmente a medida
que los datos envejecen.
Anlisis de Regresin Se adapta una lnea recta los datos del pasado, normalmente
relacionando el valor de los datos con el tiempo.
Proyecciones de Tendencias Aplica una lnea matemtica de tendencias a los puntos de
datos y los proyecta al futuro.
I. Causales Trata de entender Anlisis de Regresin Su base es que el pronstico se deriva de otros hechos que han
el sistema bsico ocurrido.
en torno al Modelos Economtricos Tratan de describir algn sector de la economa mediante una
elemento que ser serie de ecuaciones interdependientes.
pronosticado. Modelos de Insumos / Se concentran en las ventas que cada industria hace a otras
Productos empresas y gobiernos.
Indicadores Lderes Representan estadsticas que se mueven en la misma direccin
que la serie que se est pronosticando, pero que se mueven
antes que la serie.

80
ndices estacionales
Un factor estacional es la cantidad de correccin que
necesita una serie de tiempo para ajustarse a la estacin
de ao

81
ndices estacionales

82
ndices estacionales

83