Unidad 03 Pronósticos

Unidad 3
Pronósticos
Producción II - Pronósticos 1
PRONÓSTICOS
Que es y para qué se usan:
Es una predicción 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 máquinas.
• Reducir los tiempos de producción.
• Recortar los inventarios.
Los métodos de pronósticos generalmente se basan en modelos

matemáticos que se respaldan por datos históricos disponibles.
PRONÓSTICOS
 Son estimaciones de la ocurrencia, la cronología o la
magnitud de futuros eventos inciertos.
Objetivos Pronósticos Políticas Presupuestos
Este pronóstico se traduce a su vez

En el ámbito de las operaciones, la expresión
El propósito de pronosticar es usar
en política mediante un
más sucinta de los objetivos es el pronóstico
la mejor información disponible
presupuesto para
de operación, que es la
de ventas (demanda), que puede considerarse
guiar las actividades futuras
representación cuantitativa de la
como el enunciado cuantitativo de los
tendientes objetivos
al cumplimiento decorporativa.
política las
corporativos de la empresa.
metas de la organización.
PRONÓSTICOS
¿En qué se basan ?
 Generalmente, los pronósticos son respaldados por consejeros económicos,
estadísticos, políticos y técnicos, y se basa en información sobre los aspectos tales
como:
 Niveles de producción industrial, tanto nacionales como internacionales.
 Gasto público.
 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 tecnológicos.
 Recursos e historial de la empresa.
 Objetivos, políticas y planes de la empresa a largo plazo.
PRONÓSTICOS
¿Qué se pronostica?
 Principalmente la DEMANDA... pero también:
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
El Rol de los Pronósticos en la Administración
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 implantación (entrega, proceso,

decisión, construcción).
 Tiempos largos de implantación incrementan el riesgo en la toma de decisiones

actual que involucra la asignación de recursos.
 Todas las decisiones de asignación de corto y mediano plazo se basan en

pronósticos.
 Un sistema jerárquico de pronósticos debe soportar la toma de decisiones

jerárquica de una empresa..
Jerarquía de Metas, Decisiones y Funciones
Objetivos Horizonte de Decisiones Típicas

Jerarquía de Decisiones
Administrativos Pronósticos de Manufactura
 Planeación de  3 - 20 años.  Planeación: Metas de
metasde la  En años, rentabilidad, calidad,
Planeación
organización. meses o participación de mercado,
Estratégica
trimestres. servicio al consumidor,
automatización.
 Administrar la  3 meses a 3  Administración: Finanzas,
adquisición de años. Mercadotecnia, Ventas,
Planeación
recursos para  En meses o tamaño y localización de
Administrativa
cumplir metas semanas instalaciones, producción
agregada. (MPS)
 Administrar  1 mes a 2  Administrar y Control
efectiva y años.  Distribuir y producir,
eficientemente la Planeación planear req´s. de
 En meses o
asignación de los y Control Operativo capacidad y materiales
semanas.
recursos.
 Control diario  1 día a un mes.  Control de producción

operativo. Proceso de Transacciones compras, pedidos, tráfico
Fundamentos de Pronósticos
 Un pronóstico es un estimado o descripción de un valor o condición

futura.
 Un buen pronóstico debe ser un estimado probabilístico de un valor futuro
que incluye media, rango y una inferencia de probabilidad. Por ejemplo “las
ventas esperadas del próximo mes serán de 400 unidades con un 70% de
probabilidad de que estén entre 300 y 500”
 Los pronósticos siempre son erróneos, y cuando aciertan es por razones
equivocadas.
 La mayoría de los pronósticos se basan en el supuesto de que el pasado
se repite.
Pronóstico de Demandas
 Pronosticar las demandas independientes y calcular las dependientes.

 Principio del “pronóstico único”:
 Todos los pronósticos de un producto o actividad deben ser iguales.
 Normalmente existen diferentes pronósticos de demanda de un producto
realizados por diferentes funciones de la empresa, unos a nivel agregado y
otros a nivel desagregado.
 La utilización de diferentes pronósticos origina que la toma de decisiones
en las funciones de la empresa sea inconsistente e incongruente.
Sistema Operativo de Pronósticos
 Un sistema operativo de pronósticos debe soportar más los pronósticos de grupos

de artículos.
 Un sistema operativo de pronósticos se conceptualiza normalmente como un
sistema computacional que;
 procesa un alto volumen de información rápidamente y con alta precisión,
 proporciona pronósticos para miles de artículos mensualmente, modela tendencias y
estacionalidades,
 proporciona interfaces gráficas, interactivas y de diagnóstico,
 captura información de demanda de diversas partes,
 genera reportes jerárquicos para la administración, etc.
 Los módulos que integran un sistema operativo de pronósticos son: Captura de
datos, pronósticos, interacción e interfase con la administración, control y
mantenimiento del sistema, reportes, y la base de datos.
Integración de Base de Datos de Demanda
 La integración de la base de datos de demanda no es tarea fácil.

 El resultado final de un buen pronóstico es la satisfacción del consumidor y el
logro de rentabilidad duradera de la empresa.
 El concepto de servicio al consumidor se relaciona con él, a través de las
ventas pérdidas y envíos de órdenes tardías.
 Generalmente estos conceptos distorsionan los datos históricos, los cuales
pierden precisión para la estimación de la demanda.
 Los datos históricos de ventas son iguales al valor mínimo entre la demanda y la
oferta de artículos.
 Ordenes tardías 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.
Integración de Base de Datos de
Demanda
 La demanda es la cantidad de artículos pedida, nó la prometida.
 Capturar la cantidad requerida por el cliente antes de informar sobre la no
disponibilidad de artículos.
 La falta de un artículo puede causar la pérdida de ventas de otros
complementarios.
 La falta de un artículo puede distorsionar la historia de demanda de los
artículos 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 pronósticos requiere de bases de datos de demanda
precisas.
 Una base de datos de demanda precisa es un recurso estratégico.
Integración y Tipos de Pronósticos
 Los sistemas de pronósticos consideran la utilización de 3 tipos de

pronósticos:
Pronósticos Tipo 1: Pronósticos a detalle de corto plazo para la planeación
operativa de artículos.
Pronósticos Tipo 2: Pronósticos agregados de mediano y largo plazo para la
planeación estratégica, financiera, de mercado y operativa.
Pronósticos Tipo 3: Pronósticos agregados de largo plazo para análisis
estratégico y toma de decisiones que integra el corto y largo plazo.
 Los pronósticos operativos de corto plazo deben hacerse en semanas o
meses.
 Los pronósticos para planeación de largo plazo deben hacerse en
trimestres o años.
Tipos de Métodos de Pronósticos
Métodos de
Pronóstico
Previsiones Predicciones
Se emplean cuando la situación es Se emplean cuando la situación
Métodos basados en
“estable” y existen datos no es clara y existen pocos
Cuantitativos opinionesCualitativos
o estimados
“históricos”: Productos existentes, datos: Productos nuevos,
subjetivos o de juicio.
Tecnología actual. Nueva tecnología.
Estadístico quede
depende, Opinión Ejecutiva
Dependencia de datos históricos
Series de Analogía Histórica
Causal fundamentalmente,
variables independientes: de los
Tiempo Delphi
datos históricos de la
Campaña de promociones
demanda. Investigación de Mercado
Condiciones económicas
Actividades de los competidores
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales
14
PRONÓSTICOS
Demanda
Suelen variar considerablemente tanto para bienes y servicios.
Pronosticar la demanda  descubrir los patrones básicos 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 básicos.
a. Horizontal.
b. De tendencia.
c. Estacionalidad.
d. Cíclico.
e. Aleatorio.
Patrones de Demanda
Cantidad
Tiempo
(a) Horizontal: Cúmulos de datos en torno a una cantidad

línea horizontal.
Patrones de Demanda
Cantidad
Tiempo
(b) De tendencia: Los datos aumentan o disminuyen de manera

consistente a través 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 población, ingresos, etc. influyen en la
tendencia.
 Varios periodos de duración.
Respuesta
Mes, trimestre, año

Patrones de Demanda
Cantidad
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O N D
Meses
(c) Estacional: Los datos muestran crestas y valles de manera
consistentes.
19
Patrones de Demanda
Estacionalidad
 Muestra de datos de ascenso o descenso que se repiten.
 Se puede ver afectada por la climatología, las costumbres,
etc.
 Se produce dentro de un periodo anual.
Verano
Respuesta
Mes, trimestre
Producción II - Pronósticos
20
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
21
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 duración y no se repiten.
Patrones de Demanda
Los patrones a, b, c y d (Horizontal, de tendencia,

estacionalidad y cíclico) se combinan en diferentes
grados para definir el patrón de la demanda.
El patrón Aleatorio no se toma en cuenta por ser fortuito.
PRONÓSTICOS
Factores que Afectan la Demanda
Factores externos
Se encuentran fuera del control de la gerencia.
Ejemplo: Una economía en auge influye positivamente en la demanda

pero no necesariamente a todos los sectores de productividad o
servicios. (Ej. Eléctricas v/s carbón)
Un factor importante es:
Punto de Inflexión: período en que cambia la tasa de crecimiento a lo

largo de la demanda del producto, difícil de prever el momento preciso,
pero a través de algunas series de tiempo se tienen dichos puntos y
pueden ser útiles para estimar que ocurrirá en la organización.
PRONÓSTICOS
Factores externos (continuación)
Indicadores Tempranos: representan factores externos cuyos puntos de
inflexión anteceden a crestas y valles del ciclo general de los negocios.
Ej. Incremento en ventas de residencias en verde
Indicadores Coincidentes: los puntos de inflexión coinciden con el ciclo
general de los negocios
Ej. Cifras de desempleos, temporeras
Indicadores retrasados: se presentan a continuación de los puntos de
inflexión con demora de varias semanas o meses.
Ej. Préstamo comercial para expandir la empresa
Otros factores: - Gustos cambiantes (ropa)
- Imagen del artículo (cigarros vs. cáncer)
- Actividad de la competencia (publicidad)
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el volumen
de la demanda como es:
• Diseño de producto o servicio.
• Los precios y promociones publicitaria
• Diseño de envases.
• Incentivos para los vendedores
• Expansión o contracción del área geográfica seleccionada como

objetivo de mercado.
PRONÓSTICOS
Factores internos
Administración 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 máxima demanda, se crean

incentivos de precios o promociones antes y después para que compren.
 Compañías programan fechas de entrega del producto o servicios de

acuerdo a sus capacidades (Ej. Médicos, dentistas, productos
personalizados)
PRONÓSTICOS
Diseño del sistema de Pronóstico
Gerencia frente a un pronóstico debe tomar tres decisiones
 Que va a pronosticar.
 Que tipo de técnica va a aplicar
 Tipo de hardware o software o ambos que utilizará
I. Que va a pronosticar
1. Nivel de acumulación
Es agrupar varios productos o servicios similares, con lo cual las
compañías pueden realizar pronósticos más asertivos y derivar por
productos o servicios
Esta forma con lleva a un error generalmente es  5%.
Al pronosticar por artículo el error es >> 5%
PRONÓSTICOS
Que va a pronosticar (continuación)
Sistema a dos niveles.
1er pronóstico: Familias bienes o servicios con similares características en:
-- Requisitos de demanda
– Procesamiento
– Trabajo y Materiales.
2do pronóstico: de las cifras generales se deriva el pronóstico por elemento
individual.
2. Unidades de medición
De mayor utilidad son las unidades de productos o servicios y no de dinero.
Ej. Unidades de radios, paquetes por entregar, número de clientes, etc.
¡Cuidado! No es útil ingresos por ventas. (Ej. minoristas)
PRONÓSTICOS
Enfoques del Pronóstico
Métodos cualitativos Métodos cuantitativos
Se emplean cuando la situación no es Se emplean cuando la situación es
clara y existen pocos datos: “estable” y existen datos
Productos nuevos. “históricos”:
Nueva tecnología. Productos existentes.
Tecnología actual.
Requieren intuición y experiencia: Requieren técnicas matemáticas:
Por ejemplo, el pronóstico Por ejemplo, el pronóstico de
de las ventas a través de las ventas de televisiones en
Internet. color.
PRONÓSTICOS
II. Decisión del tipo de técnica de pronóstico
La precisión de pronóstico depende de la selección de una técnica
apropiada y de los costos que esto puede acarrear, para este último:
• Comprar un software.
• Tiempo requerido para hacerlo
• Capacitación del personal
Técnicas
 Cualitativa:
Método de juicio
Cuantitativa:
Métodos Causales
Análisis de serie de tiempo
PRONÓSTICOS
Decisión del tipo de técnica de pronóstico (continuación)
Cualitativos
 Método de juicio: cuando no se dispone de datos históricos
• Opinión de Gerentes y Expertos
• Encuestas de consumidores
• Estimaciones entregadas por área de ventas
Cuantitativos
 Métodos Causales: Dependencia de datos históricos de variables
independientes:
• Campaña de promociones
• Condiciones económicas
• Actividades de los competidores
 Análisis de Serie de Tiempo estadístico que depende,
fundamentalmente, de los datos históricos de la demanda.
PRONÓSTICOS
Decisión del tipo de técnica de pronóstico (continuación)
Técnicas
 Análisis de serie de tiempo es de mayor utilización, es económico.
 Métodos Causales menos ocupado, más costoso, mayor tiempo de
procesamiento que el anterior pero más preciso.
 Método de juicio cuando no se dispone de datos históricos, más
costoso que el primero.
Un factor clave en la selección del pronóstico más adecuado es el
HORIZONTE DE TIEMPO: corto, mediano y largo plazo.
Corto plazo ( 0 – 3 meses)

Útiles en la determinación de productos o servicios individuales.
Caso pronóstico de demanda, problemas:
• Escaso tiempo para reaccionar frente a posibles errores.
• Se debe alcanzar la mayor precisión posible para planificar.
Horizonte de tiempo
Mediano plazo Largo plazo
Corto plazo (3 Meses - (más de
Aplicaciones (0-3 Meses) 2 Años) 2 Años)
Cantidad pronosticada Productos o
servicios
Individuales
Área de decisión Administración

de inventario.
Programación de
ensamble final.
Programación de
la fuerza de trabajo.
Programación de
producción.
Técnica Series de Tiempo
de pronóstico Causal
De juicio
34
PRONÓSTICOS
Horizonte de tiempo (continuación)
Mediano plazo ( 3 meses – 2 años )

Este horizonte se relaciona con la planificación 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 número de
unidades de un grupo familiar.
Técnicas
 Métodos Causales eficaz para estimar puntos de inflexión, crecimientos
lentos de ventas, útil para gerentes de producción.
 Método de juicio también estima puntos de inflexión, usado cuando no
existen antecedentes históricos.
¡Cuidado! Análisis de serie de tiempo no sirve, ya que los patrones
considerados no tiene porque seguir existiendo en el futuro.
Horizonte de tiempo
Corto plazo Mediano plazo Largo plazo

Aplicaciones (0-3 Meses) (3 Meses - Años 2) (más de 2 Años)
Cantidad pronosticada Productos o Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
Área de decisión Administración Planificación de
de inventario personal
Programación de Planificación de Prod.
ensamble final Programación de
Programación de producción
la fuerza de trabajo Compras
Programación de Distribución
producción
Técnica Series de Tiempo
de pronóstico Causal Causal
De juicio De juicio
PRONÓSTICOS
Horizonte de tiempo (continuación)
Largo plazo ( más de dos años)
Sus pronósticos se elaboran en torno a la demanda total de ventas en
términos de dinero u otras como: kilogramos, barriles, HP etc.
• Son difíciles de realizar.
• Son excesivamente detalladas.
Técnicas
 Métodos Causales aunque es un análisis matemático, igual deben
ser revisados por la experiencia y el buen juicio.
Método de juicio
Horizonte de tiempo
Corto plazo Mediano plazo Largo plazo

Aplicaciones (0-3 Meses) (3 Meses - 2 Años) (más de 2 Años)
Cantidad pronosticada Productos o Total de ventas Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
Área de decisión Administración Planificación de Localización
de inventario. personal Planificación de
Programación de Planificación de Prod. capacidad
ensamble final. Programación de Administración
Programación de producción de procesos
la fuerza de trabajo. Compras
Programación de Distribución
producción.
Técnica Series de tiempo
de pronóstico Causal Causal Causal
De juicio De Juicio De juicio
38
III. Pronóstico por medio de Computadoras
Contesta la pregunta ¿qué tipo de hardware o software o ambos utilizará?

Se aplica para cortos plazos y en el mercado existen muchos paquetes
que se clasifican como:
•Sistemas manuales: Usuario selecciona la técnica de pronóstico y
parámetros.
•Sistema semiautomático: Usuario especifica la técnica pero el software
determina los parámetros para el modelo.
•Sistema automático: Software analiza los datos, sugiere técnica y
parámetros.
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.
39
Análisis de Métodos
Método de Juicio
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios comprarán los
clientes.
•Información útil para administrar inventario, distribución, formación de equipos
de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo para una
región.
Método de Juicio (continuación)
Desventajas
• Algunos muy optimistas otros muy cautelosos
• No diferencian entre lo que el cliente desea y lo que realmente necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento parezca
bueno, cuando supera la proyección o esforzarse solamente para alcanzar
meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronostico de venta actual, debido a un evento inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control.(sin la aprobación colectiva)
3.- Investigación de Mercado

Creación y puesta en marcha de diferentes hipótesis por medio de una encuesta, para
determinar el grado de interés del consumidor.
La investigación incluye:
•Diseño de un cuestionario, para obtener información económica, demográfica e interés(es)
de cada persona.
•Aplicación: - Teléfono ó Correo ó Entrevista
•Selección de la muestra representativa.
•Análisis de la información. Interpretación con criterio estadístico.
Uso, pronosticar la demanda con precisión:
•Excelente a corto plazo.
•Buena a mediano plazo.
•Regular a largo plazo.
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo)
4.- Método 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, política,
negocios, científico, ambientalistas, etc.
Uso
•Pronosticar a largo plazo.
•Proyección de venta de un producto nuevo.
Desventajas
•Puede alargarse por mucho tiempo (más de un año).
•Probabilidad de respuestas menos significativas que si ellos no asumen el
problema.
•Pocas evidencias de alto grado de precisión.
•Los cuestionarios mal planteados conducen a errores.
Visión Global de los Métodos Cuantitativos
Método
 Regresión lineal
causal
 Promedio móviles simples

 Promedio móviles ponderados Modelos de
 Suavización exponencial series temporales
 Proyección de tendencia
Método Causal
Regresión Lineal
Se dispone de datos históricos, se puede relacionar lo que se intenta pronosticar
con otros factores externos o internos.
Ventajas
• Posee instrumentos más refinados de pronósticos.
• Excelente para prever puntos de inflexión de la demanda.
• Útil para pronósticos de mediano o largo plazo.
Regresión lineal consiste en que una variable dependiente se relaciona con una
o más variables independiente por medio de una expresión algebraica.
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construcción
de nuevas viviendas.
Modelo de mayor sencillez: y = a + bx
Método Causal
Regresión Lineal
Y Ecuación de
Estimación de
Variable Dependiente
Y a partir de
regresión:
la ecuación Y = a + bX
de regresión
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
46
Método Causal
Regresión Lineal
Desviación
Y o error
Ecuación de
Variable Dependiente
Estimación de regresión:
Y a partir de
la ecuación
Y = a + bX
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
47
Método Causal
Regresión Lineal
Objetivo del análisis de regresión 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 precisión del pronóstico (existen 2)
1.- Coeficiente de correlación de la muestra ( r )
Mide la intensidad y dirección de la relación 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 período, en la dirección
(incrementos o decrementos) de la variable independiente, siempre lo
acompaña los cambios de la variable dependiente en la misma dirección.
r = - 1,00  los decrementos de x siempre va acompañados de los
incrementos de y , y viceversa.
Cuando más se aproxime el valor de r a  1,00 será más adecuado el
ajuste de la línea de regresión respecto a los puntos de la gráfica.
Método Causal
Regresión Lineal
2. Coeficiente de determinación de la muestra ( r 2)

Mide la variación que representa “y” respecto a su valor medio.
Coeficiente de determinación = (Coeficiente de correlación)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

pronóstico generado por la ecuación de regresión se encuentran muy
relacionadas, en caso de alejarse (  0,75) significa que existen otras
variables que están afectando.
Desviación Estándar (Syx): Promedio de desviación de las puntuaciones

con respecto a la media.
Cuando mayor sea la dispersión de los datos alrededor de la media
mayor será la desviación estándar.
Método Causal
Regresión Lineal
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía, tiene
que elaborar un pronósticos de la demanda de un producto, a fin
de plantear las cantidades de producción más apropiadas
Durante un almuerzo de negocios, el gerente de Marketing aporta
información sobre el presupuesto de publicidad destinado a una
bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el mes
entrante US$1.750 en publicidad para el producto. Aplique la regresión
lineal para desarrollar una ecuación y un pronóstico para ese producto.
Método Causal
Regresión Lineal
Ventas Publicidad 000 = miles

Mes (miles de unidades) (miles de $)
1 264 2.5 a = - 8.136
2 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4 101 1.0
r2 = 0.96
5 209 2.0
syx = 15.61
Gasto en publicidad para el mes 6 es de $ 1.750
Antecedentes cuantitativos obtenidos a través de la calculadora
Ejemplo 01
Método Causal
Regresión Lineal
300 —
Ventas (miles de unidades)
250 — 000 = miles
200 — a = - 8.136
b = 109.229
150 —
r = 0.98
100 — r2 = 0.96
Y = - 8.136 + 109.229X syx = 15.61
50 | | | |
• El valor
1.0 1.5de r es2.0 2.5 a 1,00 significa que existe una
muy próximo
Pronóstico
Pronóstico
fuerte
Publicidad relación
(miles de
para
para
entre Mes
Mes
ventas
dólares)
66
y publicidad, la selección es buena.
2 =significa
Ejemplo 01
•X
RX =$1750,
$1.750,queYel Y=96%
=- 8.136
183.015 + 109.229(1.75)
unidades
de la variación observada en las
ventas, se atribuye aIIlos
Producción gasto involucrados de publicidad.
- Pronósticos 52
Método Causal
Regresión Lineal
300 —
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 —
1 264 2.5 a = - 8.136
2—
150 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 209
Y = - 8.136 +2.0
109.229X syx = 15.61
50 |
El ingeniero a| cargo de
| producción
| puede utilizar este
1.0
pronóstico 1.5 saber
para 2.0las bisagras
2.5 que necesitará en el mes 6.
Publicidad
Si suponemos(miles
quede
sedólares)
tiene en inventario 62.500 unidades,
¿Cuánto deberá planificar como producción?.
Ejemplo 01
Método Causal
Regresión Lineal
300 —
250 —
Ventas Publicidad
200 —
1 264 2.5 a = - 8.136
2—
150 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 209
Y = - 8.136 +2.0
109.229X syx = 15.61
50 | | | |
Se1.0
tiene1.5
en inventario
2.0 2.5 = 62,500 unidades,
Publicidad (miles de dólares)
Producción = 183,015 - 62,500 = 120,015 unidades
Ejemplo 01
Método Causal
Regresión Lineal
El análisis de regresión es una buena guía para decisiones importantes
como:
• Administración de inventarios.
• Planificación de capacidades.
• Administración de procesos.
Análisis de regresión múltiples

Se da cuando la variable dependiente (Y) depende de más de una
variable independiente. (Ej. Bisagra de bronce)
Son costosas, debido a la gran cantidad de datos que se acumula y su
posterior análisis e interpretación.
Método Causal
Regresión Lineal
Ventas Publicidad
1 264 2.5 a = ?
2 116 1.3 b = ?
3 165 1.4 r = ?
4 101 1.0 r2 = ?
5 209 2.0
No se tiene calculadora o bien se pide su demostración.
Ejemplo 01
Método Causal
Regresión Lineal
Ventas Publicidad
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
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
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Método Causal
Regresión Lineal
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
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Método Causal
Regresión Lineal
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
1560.8 - 5(1.64)(171)
a = Y - bX b=
14.90 - 5(1.64)2
Ejemplo 01
Método Causal
Regresión Lineal
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
a = Y - bX b = 109.229
Ejemplo 01
Método Causal
Regresión Lineal
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
a = 171 - 109.229(1.64) b = 109.229
Ejemplo 01
Método Causal
Regresión Lineal
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
a = - 8.136 b = 109.229
Ejemplo 01
Método Causal
Regresión Lineal
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
a = - 8.136 b = 109.229
Y = - 8.136 + 109.229(X)
Ejemplo 01
Método Causal
Regresión
300 — Lineal
250 — Y Publicidad, X
Ventas,
1 —
200264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 150165
— 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
100 —
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
50 | | | |
1.0 1.5 2.0 2.5
a = - 8.136 = 109.229
Publicidad b(miles de dólares)
Y = - 8.136 + 109.229(X)
Ejemplo 01
Método Causal
Regresión Lineal
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
Método Causal
Regresión Lineal
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
Coeficiente de
nXY - X Y
r= correlación de
[nX 2 -(X) 2][nY 2 - (Y) 2] la muestra
Ejemplo 01
Método Causal
Regresión Lineal
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
Método Causal
Regresión Lineal
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 YX = 15.61

Coeficiente de Desviación
determinación estándar
Ejemplo 01
Método Causal
Regresión Lineal
1
Pronóstico
264
para
2.5
Mes 660.0
6: 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 Gasto
165 de publicidad
1.4 =231.0
$1750 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209= 183.0152.0
Y 418.0 bisagras
o 183,015 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 YX = 15.61
Ejemplo 01
Problema
La demanda de cambios de aceite registrada en el Taller ha sido la siguiente
Mes Nº de cambios de aceite

Enero 41
Febrero 46
Marzo 57
Abril 52
Mayo 59
Junio 51
Julio 60
Agosto 62
a. Aplique el análisis de regresión lineal simple y elabore un método de
pronóstico para la demanda mensual. En esta aplicación Y (variable
dependiente) corresponde a la demanda mensual, X (variable independiente)
representa el mes, para enero X = 1, para febrero X = 2, y así sucesivamente.
b. Utilizando el modelo realice un pronóstico de demanda para septiembre,
octubre y noviembre.
b = 2,45 a = 42,475 r = 0,817 r2 = 0,668
Solución
a. a = 2,45 b = 42.475 r = 0,817 r2 = 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
Método Series de Tiempo
Usa solo información referida a la variable dependiente.
Supuesto: La variable dependiente (su patrón) del pasado continua en el

futuro.
Identifica los patrones de la demanda que se combinan para generar el

patrón histórico observado anteriormente en la demanda dependiente
generando un modelo que pueda reproducir dicho patrón.
Modelo de Pronóstico Empírico
• Método sencillo de series de tiempo.

• Se usa con frecuencia.
• Considera que: el pronóstico de la demanda actual es igual al pronóstico
de la demanda del período siguiente. Ejemplo.
Mes 1 : 150.000 art. Mes 2 : 150.000 art.

Martes 35 visitas sitio Miércoles 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 período.
Modelo de Pronóstico Empírico (continuación)
1ª semana 2ª semana 3ª semana 4ª semana

108 unid. 120 unid. 120 + 12 = 132
12 Real 127 127 + 7 = 134
Para demanda estacional

Los pronósticos de los meses del año entrante será el reflejo de la demanda
real observada en los mismos meses del año anterior. Ejemplo:
Julio 2002 Julio 2003
50.000 unid. 50.000 unid.
Ventajas del pronóstico empírico

• Simplicidad
• Bajo costo
• Funciona bien cuando las demanda son estables (variac. azar pequeñas)
Estimación 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 también: de tendencia o estaciónales o cíclicos, se

hará inicialmente el estudio sin considerar estos.
Estimación del promedio (continuación)

El patrón horizontal de una serie de tiempos se basa en la media de las
demandas  poner atención en los métodos de pronósticos en los que
se estima el promedio de una serie de datos a través del tiempo.
El pronóstico de la demanda para cualquier período futuro es el promedio

de las series de tiempos calculadas en el período actual. Ejemplo:
Ejemplo
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede Llegadas reales
prever, no quedamos tranquilos al de pacientes
estimar solo promedios.
Semana
Técnicas estadísticas útiles para el pronóstico de series de tiempo:
• Promedio móviles simples.
• Promedio móviles ponderados.
• Suavización exponencial.
Método de Promedio Móviles Simples (MA)

Uso: estima el promedio de una serie de tiempos de demanda y suprime
de esta forma las fluctuaciones al azar.
Útil: cuando la demanda no tiene tendencias pronunciadas ni influencias
estaciónales.
Cálculo: para “n” períodos más recientes, con el fin de usarlos como
pronósticos para el siguiente período.
Pronóstico al período t + 1 
Suma de las n últimas demandas
F t + 1= A t =
n
Método de Promedio Móviles Simples (MA)
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
F t + 1 = pronóstico para el período t + 1

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

La estabilidad de una serie correspondiente a la demanda determina
cuantos períodos serán necesarios incluir o sea “n”.
Serie de demanda estable son aquellas para los cuales el promedio
cambia solamente en forma infrecuente.
Cálculo del Promedio Móvil, At
 Elabore un pronóstico de promedio móvil de tres semanas para estimar la
llegada de pacientes a la clínica médica durante la cuarta semana. Los datos
correspondientes a la llegada de pacientes durante las últimas tres semanas
fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
 Si el número real de llegadas de pacientes durante la semana cuatro fue de

415 ¿Cuál será el pronóstico para la semana 5?
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
400 400
A3 =397
At =( Dt + Dt - 1 + 395Dt - 2 ) / 3
A3 =( D +A
Ft3 = D2t -+
390D ) / 3
1 1
A3 =( 400F+ 380385
4 = A 3
+ 411 ) / 3
380 380
F4 = 397
375
0 1 2 3 4 5Semana 6
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
410
405
A4 =402 400 400
At =( Dt + Dt - 1 + D
395 t - 2
)/3
A4 =( D +A
Ft4 = D3t -+
1 D2 ) / 3
390
A3 =( 415F+ 411 385
5 = A 4
+ 380 ) / 3
F5 = 402380 380
375
0 1 2 3 4 5 6
Semana
Promedios Móviles Simples
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 84
450 —
430 —
410 —
390 —
370 — Llegadas reales

de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
450 —
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Pronóstico MA
450 — Pronóstico MA
6-semanas
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Problema
La dueña de una tienda de computadores arrienda impresoras a algunos
de sus mejores clientes. Ahora le interesa elaborar un pronóstico de sus
operaciones de arriendo para poder comprar la cantidad apropiada de
suministros para sus impresoras. A continuación se entregan los datos
correspondiente a las 10 últimas 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 pronóstico para la semana 6 a 10, usando un promedio móvil

simple de cinco semanas. ¿cuál será el pronóstico para la semana 11?
Semana Arriendo Semana Arriendo
1 23 6 28 Solución
2 24 7 32
3 32 8 35
4 26 9 26
5 31 10 24
Período Demanda Promedio Pronóstico 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
Promedios Móviles Ponderados
Cada una de las tendencias históricas que intervienen en el promedio

pueden tener su ponderación, la suma de estas debe ser 1,00.
Ejemplo: En tres períodos, al más reciente puede asignarse ponderación

0,50, al segundo más reciente 0,30 y el tercero más reciente 0,20.
El promedio se obtiene como:
A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2
Ft+1 = A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2
Promedio Móvil Ponderado, AWt
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo 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 disminución en
forma sistemática.
 El analista que está a cargo de la clínica médica ha asignado

ponderaciones de 0.70 a la demanda más 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 pronóstico de promedio móvil ponderado
para la semana cuatro.
Semana Llegada de pacientes Ponderación

1 400 0,1
2 380 0,2
3 411 0.7
N
D1 =400 W1 = 0,1 AWt   D t  j1  Wt  j1
j1
D2 =380 W2 = 0,2
415
D3 = 411 W3 = 0,7 411
410
405
A3 = W3*D3 + 400
W2*D2 + W1*D
4001
A3 = 0,7*411 + 0,2*380
395
+ 0,1*400
A3 = 403,7
390
=404
385
Ft =
380 A t-1 380
F4 =
375 A3
F4 = 404
0 1 2 3 4 5Semana 6
450 —
Supongamos que la demanda real para

430 —
la semana 4.fuera de 415 pacientes.
Entonces el pronóstico para la semana
410 —
5 seria:
390 —
370 — Actual patient

arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
450 — Llegada de
Semana pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
F5 = 0,7(415) + 0,2(411) + 0,1(380)

arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
450 — Llegada de
Semana pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
F5 = 410,7 = 411 pacientes

arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
Problema
Las ventas realizadas en los últimos doce meses por la minera
“El Indio” aparecen a continuación.
Mes Ventas
(US$ millones) Utilice un promedio móvil ponderado de tres
Enero 20 meses para pronosticar las ventas en los
Febrero 24 meses transcurridos entre abril y diciembre.
Marzo 27
Use ponderaciones de 3/6 , 2/6 y 1/6,
asignando una ponderación mayor a los
Abril 31
datos más recientes.
Mayo 37
Junio 47
Julio 53
Agosto 62
Septiembre 54
Octubre 36
Noviembre 32
Diciembre 29
Promedio móvil ponderado minera “El Indio”
Mes Ventas reales Cada tres meses

(US$ millones) Pronóstico medio Ponderado
Enero 20
Febrero 24
Marzo 27
Abril 31 [(3x27)+(2x24)+(lx20)]/6 = 24.83
Mayo 37 [(3x31)+(2x27)+(lx24)]/6 = 28.50
Junio 47 [(3x37)+(2x31)+(lx27)]/6 = 33.33
Julio 53 [(3x47)+2x37)+(lx31)]/6 = 41.00
Agosto 62 [(3x53)+(2x47)+(lx37)]/6 = 48.33
Septiembre 54 [(3x62)+(2x53)+(lx47)]/6 = 56.50
Octubre 36 [(3x54)+(2x62)+(lx53)]/6 = 56.50
Noviembre 32 [(3x36)+(2x54)+(lx62)]/6 = 46.33
Diciembre 29 [(3x32)+(2x36)+(lx54)]/6 = 37.00
Suavizamiento Exponencial Simple
Dt =  + et
 El modelo refleja un error aleatorio alrededor de una tendencia central estable.
Donde et se distribuye normalmente con media cero.
 El método consiste en estimar la demanda promedio suavizada (ajustada) para el

periodo venidero (At) sumando o substrayendo a los pronósticos promedios
precedentes (A t - 1) un porcentaje () de la diferencia entre la demanda actual
(Dt) y los pronósticos promedios precedentes (Ft - 1)
At =  Dt + ( 1 -  ) A t - 1

 La constante de suavizamiento o tasa de respuesta ,

representa la proporción del peso que se da a la nueva
demanda contra el promedio anterior
  varia en general de 0.01 a 0.3
At =  Dt + ( 1 -  ) A t - 1
 A t -1 refleja la historia
 Si se cree en la última demanda
=1
 Si se cree en la historia
=0

At =  Dt + ( 1 -  ) A t – 1 ó At = A t - 1 +  ( Dt - At-1 )
Ft+1 = A t ó Ft+1 =  Dt + ( 1 -  ) F t
et = Dt – Ft
Donde: At = Nuevo promedio suavizado

A t - 1 = Antiguo promedio exponencial
 = Constante de Suavizamiento Exponencial, 0 <  < 1
Dt = Demanda real actual
Ft+1 = Pronóstico para el periodo t+1
et = error aleatorio para el periodo t

Método de promedio móvil 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 pronóstico del último período
• Demanda de ese período
• Un parámetro suavizador , cuyo valor fluctúa entre 0 y 1,0

F t+1 =  (Demanda para ese período) + (1 - )(Pronóstico calculado para

ese último período)
F t+1 =  D t + (1 -  ) F t equivalente a:
Es igual al pronóstico del período actual

F t+1 = F t +  ( D t - F t ) más una proporción del error del pronóstico
correspondiente al mismo período actual.

Formas de Uso
 Se requiere de las demandas históricas (Dt) y del pronóstico más reciente
(Ao = F1)
 A1 =  D1 + (1 - ) A0 ó F2 =  D1 + ( 1 -  ) F1
 A2 =  D2 + (1 - ) A1 ó F3 =  D2 + ( 1 -  ) F2
 Se va calibrando 
 También se puede utilizar la formula general:
t 1
Ft    (1   ) k Dt  k (1   ) t F1
k 0
Ft 1   * Dt  (1   ) * Ft
 Donde F1 es la estimación inicial de 

 Ejemplo:
 Suponiendo alfa = 0.20 , el pronóstico para el periodo t+1 es:
 Ft+1 = 0.20 Dt + 0.80Ft

 Ft = 0.20Dt-1 + 0.80 Ft-1
 Ft+1 = 0.20 Dt + 0.80 (0.20Dt-1 + 0.80 Ft-1) = 0.20Dt + 0.16Dt-1 + 0.64Ft-1
 Si continuamos expandiéndola, obtenemos:

 Ft+1 = 0.20Dt + 0.16Dt-1 + 0.128Dt-2 + 0.1024Dt-3 + ....
 Este método es similar al método de los promedios móviles ponderados,

donde la suma de las ponderaciones debe ser igual a uno.

En la práctica se ensaya con diversos valores de  y se selecciona

el que produzca los mejores pronósticos, estos valores puede ser
altos o pequeños.
El trabajo con la suavización exponencial requiere de un pronóstico

inicial que se puede obtener de dos formas:
1. Usar la demanda del último período.

2. Con datos históricos, calcular el promedio de varios períodos
recientes de demanda.

 El analista que está a cargo de la clínica médica utilizará el método de

suavización exponencial con alfa = 0,1 para estimar la demanda del tercer
periodo. Use el promedio correspondientes a las dos primeras semanas
para estimar un pronóstico inicial y calcular el pronóstico de la semana 4
Semana Llegada de pacientes

1 400
2 380
3 411

D1 =400
D2 =380
D3 = 411
415
410 411
405
Pronóstico Inicial
400 400
F3 = (D1 + D2)/2
395
F3 = (400 + 380)/2 = 390
390
Para = 0.1 385
Ft+1 = 0.1*Dt + (1 380
- 0.1)*Ft 380
F4 = 0.1*D3 + (1 - 0.1)*F3
375
F4 = 0.1*411 + (1 - 0.1)*390
0 1 2 3 4 5Semana 6
F4 = 392,1

D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
410
405
400 400
395
 Si la demanda real390
D4 = 415
F5 = 0.1*415 + 0.9*392.1 = 394.1
385
380 380
375
0 1 2 3 4 5 6
Semana

450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
450 —
430 —
410 —
390 —
370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Suavización Exponencial
Pronóstico MA Pronóstico MA
450 —
3-semanas 6-semanas
430 —
410 —
390 —
370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Suavizamiento Exponencial Simple Problema
02) Nicos y Cia Ltda. Vende y repara máquinas de fotocopiado. El gerente

necesita pronósticos semanales de las solicitudes de servicio, a fin de
poder programar las actividades de su personal de servicio. El pronóstico
correspondiente a la semana del 3 de julio fue de 24 llamadas para
servicio. El gerente aplica suavización exponencial con  = 0,20.
Pronostique usted el número de llamadas para servicio correspondiente a
la semana del 7 de agosto, suponiendo que esta sea la semana próxima.
Número real de llamadas
Semana del para el servicio
3 de julio 24
10 de julio 32
17 de julio 36
24 de julio 23
31 de julio 25

Semana del para el servicio Solución
3 de julio 24
10 de julio 32
17 de julio 36
24 de julio 23
31 de julio 25
Sem ana Nº Llam adas At Ft

24
3 de Julio 24 0,2 x 24 + 0,8 x 24 = 24 24
10 de Julio 32 0,2 x 32 + 0,8 x 24 = 25,6 24
17 de Julio 36 0,2 x 36 + 0,8 x 25,6 = 27,7 25,6
24 de Julio 23 0,2 x 23 + 0,8 x 27,7 = 26,7 27,7
31 de Julio 25 0,2 x 25 + 0,8 x 27,7 = 26,4 26,7
26,4
El pronóstico para la semana del 7 de agosto es de 26 llamadas

Inclusión de una Tendencia
Tendencia
• Incrementos o decrementos sistemáticos de los promedios de la serie a
través del tiempo.
• Suavización exponencial será modificado ya que los resultados estará
por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razón de 10 unidades en cada período, al considerar
 = 0,3 se tiene:
Período Demanda Pronóstico para t Resultado
real
1 10 F1 = 10
2 20 F2 = 0,3(10) + 0,7(10) = 10
3 30 F3 = 0,3(20) + 0,7(10) = 13
4 40 F4 = 0,3(30) + 0,7(13) = 18,1

Método de suavización Exponencial
Ajustada a la Tendencia
Serán suavizadas
• Las estimaciones para el Promedio  
• La Tendencia  
Promedio (At)
Demanda en Promedio + Estimación de
At=  + (1 - )
este período la Tendencia (en el último
período)
A t =  D t + (1 - ) (A t -1+ T t–1 )
Tendencia (T t)
T t =  Promedio de Promedio del + (1 - ) Estimación de la Tendencia
este período
- último período en el último período
T t =  (A t - A t – 1 ) + (1 - ) T t–1

Método de suavización Exponencial
Ajustada a la Tendencia
F t+1= A t + T t
At -1 y T t – 1 : Promedio y Tendencia del último período, lo que se puede
obtener por medio de:
Datos del pasado
Estimaciones aproximadas al no existir históricos.
 y  : Se encuentran ajustando hasta obtener errores de pronósticos lo
más bajo posible, el valor para ambos entre 0 y 1.
F t + 1 : Pronóstico para el período t + 1

Ejemplo de Suavización Exponencial
ajustada a la Tendencia
Recopilación de Antecedentes
 Médica SA, ofrece servicios de laboratorio clínico a los pacientes del Hospital Providencia, una
A0 = 28
agrupación de 10 médicos familiares asociados que brindan pacientes
un nuevo programa de
mantenimiento de la salud. Los gerentes están interesados en pronosticar el número de
T0 = 3Espacientes
pacientes que van a requerir análisis de sangre cada semana. preciso comprar suministros y
tomar una decisión acerca del número de muestras sanguíneas que serán enviadas a otro
D1 = del
laboratorio, para compensar las limitaciones de la capacidad 27laboratorio
pacientes principal.
 = 0.20 y  = 0.20
 Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el
corazón han generado un incremento en las solicitudes de análisis ordinarios de sangre en todo
el país. En promedio el laboratorio realizó 28 análisis de sangre cada semana durante las 4
últimas semanas. La tendencia durante ese periodo fue de tres pacientes adicionales por
semana.
 La demanda de esta semana fue de 27 análisis de sangre.
 Utilizar  = 0.20 y  =0.20 para calcular el pronóstico correspondiente a la semana siguiente

Ejemplo de Suavización
Exponencial
A0 = 28 pacientes ajustada a la
Tendencia
T0 = 3 pacientes
D = 27 pacientes
80 —1
AA1At =
1=
0,2
= 0,2D*27+
+1(1
tD )*(
+(1-(1– –0,2)*(
A t -128
0,2)*( +0+T+3)
A tT =)
0 30,2
 = 0.20 y  = 0.20 -1
70 — = 0,2 –– 28)
t -1A t-10) + (1- ) T t-10
T1TT=1t =
0,2 (30,2
(A(A A ) + (1- 0,2)*3
0,2) T = 2,8
60 — FF2 F
=230,2
t+1
== AA1t+++2,8
TT1 t = 33
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Suavización exponencial ajustada a la
A = 30,2 pacientes Tendencia
1
T1 = 2,8 pacientes
Si laDdemanda real del periodo 2 es de 44
2 = 44 pacientes
80 —
análisis de sangre
 = 0.20 y  = 0.20 A2 = 0,2 *44+ (1–0,2)*( 30,2+2,8) = 35,2
70 — será el pronóstico para el T
2 = 0,2 (35,2 – 30,2) + (1- 0,2)*2,8 = 3,1
¿Cuál periodo 3?
60 — F3 = 35,2 + 3,2 = 38,4
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana 121
Método Series de Tiempo Suavización
exponencial ajustada a la Tendencia
80 —
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
80 — Pronóstico
ajustado a la
Tendencia
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Problema
Los siguientes datos corresponde a las calculadoras vendidas expresadas en

unidades en una tienda electrónica durante las últimas cinco semanas
Semana ventas
Aplique la suavización exponencial ajustada a la
1 46
tendencia, con  = 0,2 y  = 0,2, para pronosticar
2 49 las ventas correspondiente a las semanas 2 a 6.
Suponga que el promedio de la serie de tiempo fue
3 43
de 45 unidades y que la tendencia promedio fue de
4 50 +2 unidades por semana, inmediatamente antes de
5 53
la semana 1

Solución
Sem ana ventas At Tt Ft Et

45,0 2,0
1 46 0,2 x 46 + 0,8 x ( 45 + 2) = 46,80 0,2 (46,8 - 45,0) + 0,8 x 2 = 1,96 45,00 + 2,00 = 47,00 46,00 - 47,00 = -1,00
2 49 0,2 x 49 + 0,8 x ( 46,8 + 1,96) = 48,81 0,2 (48,81 - 46,8) + 0,8 x 1,96 = 1,97 46,80 + 1,96 = 48,76 49,00 - 48,76 = 0,24
3 43 0,2 x 43 + 0,8 x ( 48,81 + 1,97) = 49,22 0,2 (49,22 - 48,81) + 0,8 x 1,97 = 1,66 48,81 + 1,97 = 50,78 43,00 - 50,78 = -7,78
4 50 0,2 x 50 + 0,8 x ( 49,22 + 1,66) = 50,70 0,2 (50,70 - 49,22) + 0,8 x 1,66 = 1,62 49,22 + 1,66 = 50,88 50,00 - 50,88 = -0,88
5 53 0,2 x 53 + 0,8 x ( 50,70 + 1,62) = 52,46 0,2 (52,46 - 50,70) + 0,8 x 1,62 = 1,65 50,70 + 1,62 = 52,32 53,00 - 52,32 = 0,68
52,46 + 1,65 = 54,11

Patrones Estaciónales
• Son movimientos ascendentes o descendentes de la demanda,

• Son repetitivos
• Se limitan en general a períodos menores de un año, como horas,
días, meses, trimestres, etc.
• A cada período de tiempo se le denomina estaciones.
Empresa Patrón estacional Estación

Comida rápida Un día hora
Peluquería Semana día
Renovación licencia de Mes día

conducir
Neumáticos autos Año mes

Método Estacional Multiplicativo
Este es uno de los métodos de pronósticos, el más usual.
Metodología: promedios simples de la demanda pretérita.
Ejemplo: Patrón estacional: un año, estación: un mes
1. Para cada año se obtiene la demanda promedio por estación, esto es dividiendo la
demanda anual por el número de estaciones perteneciente al año.
Ejemplo: demanda total en un año 6000 y estación mes  6000/12 = 500 unid.
2. Genere un índice estacional para cada estación del año, su valor es el nivel de
demanda en relación con la demanda promedio.
Cálculo: para cada año, divida la demanda real de una estación entre la demanda
promedio por estación.
Ejemplo: Mes Junio demanda 620.

Por lo tanto el índice estacional = 620/500 = 1.24
 que la demanda en junio es de 24 % mayor que la demanda promedio por mes.

3. Obtenga el índice estacional promedio para cada estación (usando 2. )

Sume los índices estaciónales para una estación dada y divídalos
entre el número de años que abarquen los datos.
Ejemplo: Mes junio
Año 2002 2003 2004

Índice estacional 1,24 1,18 1,06
junio
índice estacional promedio = (1,24 + 1,18 + 1,06) / 3 = 1,16
Este valor es usado para pronosticar la demanda de junio de
próximo año (2005).
4. Calcule el pronóstico de cada estación para el año siguiente.

Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de limpieza
de 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 un uno mínimo
en el primer trimestre. Se presenta a continuación los datos de la
demanda trimestral registrada en los cuatros años más recientes.
Patrón Estacional =
Año
Estación =
Trimestre

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
El gerente desea hacer un pronóstico de la demanda de los clientes

para cada uno de los trimestres del año cinco, basándose en su
estimación de que la demanda total durante el año 5 será de 2600
clientes, debido a que el incremento anual observado en la
demanda es de 400 servicios por año.
Ejemplo 07

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
Demanda Actual
Índice estacional =
Promedio Demanda
Ejemplo 07

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
45
Índice estacional = = 0.18
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
45
Índice estacional = = 0.18
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
Observe que los índices estaciónales de cada trimestre fluctúan de un año

a otro a causa de los factores aleatorios, debido a lo cual se debe calcular
el índice estacional promedio para cada trimestre.
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 Índice 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 Índice 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
El incremento promedio al año es de 400 clientes, se

Trimestre prolonga
Año 1 esa tendencia
Año 2 proyectandoAño 3una demanda
Año 4
1 anual=para
45/250 0.18 el año cinco
70/300 de 2200
= 0.23 + 400
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
Proyección Anual Demanda = 2600
520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 Promedio
100/250 = 0.40 Trimestral
170/300 = 0.57Demanda = 2600/4
285/450 = 0.63 = 650
215/550 = 0.39
Trimestre Índice estacional promedio Pronóstico

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
Proyección Anual Demanda = 2600
335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 Promedio
520/250 = 2.08 Trimestral
590/300 = 1.97Demanda = 2600/4
830/450 = 1.84 = 650
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
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
Total = 2600
Ejemplo 07
Problema
El gerente de una compañía de servicio público, que se localiza en la región de

Atacama, desea elaborar pronósticos trimestrales de las cargas de energía
eléctrica que deberá suministrar el año entrante. Las cargas de consumo de
energía son estaciónales. A continuación se presentan para los cuatro últimos
años los datos correspondiente en mega-watts (Mw).
1 103,5 94,7 118,6 109,3
2 126,1 116,0 141,2 131,6
3 144,5 137,1 159,0 149,5
4 166,1 152,5 178,2 169,0
El gerente ha estimado la demanda total para el próximo año en 780 MW

Use un método estacional multiplicativo y elabore un pronóstico para cada
trimestre del año que se pide.

Solución
Trimestre Año 1 Año 2 Año 3 Año 4 Trimestre Año 1 Año 2 Año 3 Año 4 Promedio
Índice Estaciona
1 103.5 94.7 118.6 109.3
2 126.1 116.0 141.2 131.6 1 0.7664 0.7571 0.7946 0.7816 0.7749
3 144.5 137.1 159.0 149.5 2 0.9337 0.9274 0.9410 0.9410 0.9371
4 166.1 152.5 178.2 169.0
3 1.0700 1.0961 1.0653 1.0690 1.0751
Total 540.2 500.3 597.0 559.4
Promedio 135.05 125.075 149.25 139.85 4 1.2299 1.2193 1.1940 1.2084 1.2129
Total 4 4 4 4 4
Trimestre Promedio Ajuste

Demanda por Demanda
trimestre
1 195 151.1055 = 151
Pronóstico para el año 5
2 195 182.7345 = 183
3 195 209.6445 = 210
4 195 236.5155 = 237
780 780

Selección de un Método
con series de Tiempo
Error de Pronóstico
• Los pronósticos siempre contienen errores.

• Los errores se clasifican en:
 Errores de Sesgo.
 Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemáticas  que el pronóstico siempre
sea muy alto o muy bajo.
¿por qué?
Son resultados de ignorar o no estimar correctamente ciertos patrones de
demanda como ejemplo de tendencia, estaciónales o cíclicos.
Errores Aleatorios
Resultado de factores imprevisibles  El pronóstico se ve obligado a
desviarse de la demanda real.
Mediciones del Error de Pronóstico

Antes de minimizar, se debe tener un medio de medición:
Error de pronóstico
Es de carácter puntual
Et = Dt - Ft
E t = error de pronóstico para el período t
D t = demanda real para el período t
F t = pronóstico para el período t
Pero la tendencia es medir el error para a lo largo período,
lo que da origen a:

Suma Acumulativa de errores de Pronósticos (CFE)
Mide el error total de un pronóstico
CFE = Et
Ventajas
• Los errores positivos grandes tienden a anular a los errores negativos
grandes.
• Es útil para evaluar el sesgo de un pronóstico, por ejemplo:
Si F t siempre es más bajo que D t entonces CFE cada vez será mayor (+).
Este error creciente indica deficiencias continuas en el enfoque del
pronóstico, que puede deberse a:
 Omisión de un elemento de tendencia o patrón cíclico.
 Influencias estaciónales cambiaron frente al patrón histórico.
Error de pronóstico promedio

E=
CFE
= Et
n n

La dispersión de los errores de pronóstico suelen ser medidas por:
Cuadrado de Error Medio

Et2
MSE = n
Desviación estándar  = (Et - E )2

n-1
Desviación Media Absoluta MAD =

|Et |
n

MAD ;  ; MSE si los valores que entregan son:

Pequeños; el pronóstico dado generalmente se aproxima a la
demanda real.
Grandes: enuncia la posibilidad de errores de pronóstico
considerable.
Los errores grandes reciben mayor ponderación en MSE y 

por elevarse el error al cuadrado.
MAD entrega un valor común de error, el que no detecta, si el

error consistió en estimaciones excesivas o de
subestimaciones.

Error Porcentual Absoluto
APE = [ |Et | / D t] (100)
Error Porcentual Medio Absoluto (MAPE)

• Relaciona el error del pronóstico con el nivel de la demanda.
• Útil para colocar el rendimiento del pronóstico en su correcta dirección.
[ |Et | (100) ] /Dt

MAPE = n

La siguiente tabla muestra, las ventas reales de sillas tapizadas

que realizó un fabricante de muebles y los pronósticos
correspondiente a cada uno de los últimos ocho meses.
Se debe calcular CFE, MSE, , MAD y MAPE para este producto.
Ejemplo 04
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(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
Mediciónes del Error

Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico,Error, del Error , absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(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
Mediciones del Error

Suma acumulativa de errores de pronósticos
Error
CFE = E t = - 15 Cuadrado Error porcentual
Mes,
Indica que Demanda,
el pronóstico Pronóstico,
tiene la Error, del Error, absoluto, absoluto,
2
tendenciat de sobrestimar
Dt la Ft Et Et |Et| (|Et|/Dt)(100)
demanda1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
Pronóstico > Demanda
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
CFE = - 15 Cuadrado Error porcentual
Error de pronóstico promedio
Mes, Demanda, Pronóstico, Error, del Error, absoluto, absoluto,
- 15
E =t =D-t 1,875 Ft Et Et 2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12.5%
Tendencia 2del Pronóstico
240 > Demanda
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, Pronóstico, Error, , del Error absoluto, absoluto,
- 15
E =t =D-t 1.875 Ft Et Et 2 |Et| (|Et|/Dt)(100)
8
Cuadrado1 del error 200
medio 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4 285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
Proporciona5 medida230 250
de la variabilidad -20 400 20 8.7
6 pronóstico
del error de 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, Pronóstico, Error, del Error, absoluto, absoluto,
- 15
8
1 200 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4
285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
Desviación estándar
5 230 250 -20 400 20 8.7
6  = 27.4 260 240 20 400 20 7.7
Indica que7 la distribución
210 de errores
250 -40 1600 40 19.0
de pronóstico
8 dentro de una muestra
275 240 35 1225 35 12.7
tiene una desviación estándar de
Total -15 5275 195 81.3%
27,4 unidades.
Ejemplo 04

Erro
Mes,
- 15Demanda, Pronóstico,Error, del error, absoluto, absolutor,
E =t =D-t 1.875 Ft Et Et2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6  = 27.4260 240 20 400 20 7.7
Desviación media absoluta
7 210 250 -40 1600 40 19.0
8 195275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
Indica que el error de pronóstico
promedio fue de 24,4 unidades en
valor absoluto.
Ejemplo 04

Erro
CFE = - 15 Cuadrado, Error porcentual
Mes,
- 15Demanda, Pronóstico, Error, del error absoluto, absolutor,
Et2
E =t =D-t 1.875 Ft Et |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3
MSE 3= 300 = 285
659.4 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6  = 27.4
260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 195
275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
Error porcentual medio absoluto
81.3% Indica que, en promedio, el error de
MAPE = = 10.2% pronóstico fue de más o menos el 10% de la
8 Ejemplo 04
demanda
Producción II - real observada.
Pronósticos 156

Error
Mes, Demanda, Pronóstico, Error, del error, absoluto, absoluto,
- 15
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3
MSE 3= 300 = 285
659.4 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6  = 27.4
260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 195
275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
81.3%
MAPE = = 10.2%
8 Ejemplo 04
157
Problema
01) Nicos y Cia Ltda. Vende y repara máquinas de fotocopiado. El gerente

necesita pronósticos semanales de las solicitudes de servicio, a fin de poder
programar las actividades de su personal de servicio. El pronóstico
correspondiente a la semana del 3 de julio fue de 24 llamadas para servicio.
El gerente aplica suavización exponencial con  = 0,20. Pronostique usted el
número de llamadas para servicio correspondiente a la semana del 7 de
agosto, suponiendo que esta sea la semana próxima.

Semana del para el servicio
3 de julio 24
10 de julio 32
17 de julio 36
24 de julio 23
31 de julio 25
Obtener, CFE, MSE, , MAD y MAPE

Para las cinco primeras semanas

Solución
Sem ana Nº Llam adas At Ft Et ( Dt - Ft) ¡Et¡ Et x Et APE (Et/Dt)x100

24
3 de Julio 24 0,2 x 24 + 0,8 x 24 = 24 24 0,00 0,00 0,00 0,00
10 de Julio 32 0,2 x 32 + 0,8 x 24 = 25,6 24 8,00 8,00 64,00 0,25
17 de Julio 36 0,2 x 36 + 0,8 x 25,6 = 27,7 25,6 10,40 10,40 108,16 0,29
24 de Julio 23 0,2 x 23 + 0,8 x 27,7 = 26,7 27,7 -4,68 4,68 21,90 0,20
31 de Julio 25 0,2 x 25 + 0,8 x 27,7 = 26,4 26,7 -1,74 1,74 3,04 0,07
Sum 11,98 24,82 197,10 0,81
Prom 2,40 4,96 39,42 16,24%
E Prom MAD MSE MAPE
(Et - E )2 = (Et – 2,396 )2

= n-1 5-1 = 6,49

Problema
02) Las ventas realizadas en los últimos 12 meses por Dalwoorth
Compañía son las que se muestran.
a) Utilice un promedio móvil ponderado de tres

Ventas meses para pronosticar las ventas en los meses
Mes transcurridos entre abril y diciembre. Use
Millon. US$
ponderaciones de 3/6 , 2/6 y 1/6, asignando
Enero 20
ponderación mayor a los datos más recientes.
Febrero 24
Marzo 27 b) Use la suavización exponencial con  = 0,6 para
Abril 31 pronosticar las ventas en los meses comprendidos
Mayo 37 entre abril y diciembre. Suponga que el pronóstico
Junio 47 inicial para enero haya sido de US$22 millones.
Julio 53
Agosto 62 c) Compare el rendimiento de los dos métodos usando
Desviación media absoluta (MAD), Error porcentual
Septiembre 54
medio absoluto (MAPE) y Cuadrado del error medio
Octubre 36
(MSE) como criterios de rendimientos. En cada
Noviembre 32
caso ¿Cuál de esos métodos recomendaría usted?
Diciembre 29

Mes Venta real Cada tres meses Error Error % Error
(000s) Pronóstico medio Ponderado absoluto absoluto cuadrado
Ener.
Febr.
20
24 Solución
Mar. 27
Abr. 31 [(3x27)+(2x24)+(lx20)]/6 = 24.83 6.17 19.90 38.07
May 37 [(3x31)+(2x27)+(lx24)]/6 = 28.50 8.50 22.97 72.25
Junio 47 [(3x37)+(2x31)+(lx27)]/6 = 33.33 13.67 29.09 186.87
Julio 53 [(3x47)+2x37)+(lx31)]/6 = 41.00 12.00 22.64 144.00
Agosto 62 [(3x53)+(2x47)+(lx37)]/6 = 48.33 13.67 22.05 186.87
Sept. 54 [(3x62)+(2x53)+(lx47)]/6 = 56.50 2.50 4.63 6.25
Oct. 36 [(3x54)+(2x62)+(lx53)]/6 = 56.50 20.50 56.94 420.25
Nov. 32 [(3x36)+(2x54)+(lx62)]/6 = 46.33 14.33 44.78 205.35
Dic. 29 [(3x32)+(2x36)+(lx54)]/6 = 37.00 8.00 27.59 64.00
Total 99.34 250.59 1,323.91
Prom. 11.04 27.84 147.09
Mes Dt Ft Ft+1 = Ft + (Dt-Ft) Error Error % Error

(t) (millones) Absoluto Absoluto cuadrado
Ener. 20 22.00 20.80
Febr. 24 20.80 22.72
Mar. 27 22.72 25.29
Abr. 31 25.29 28.72 5.71 18.41 32.60
May 37 28.72 33.69 8.28 22.38 68.56
Junio 47 33.69 41.67 13.31 28.32 177.16
Julio 53 41.67 48.47 11.33 21.38 128.37
Agost. 62 48.47 56.59 13.53 21.82 183.06
Sept. 54 56.59 55.04 2.59 4.80 6.71
Oct. 36 55.04 43.62 19.04 52.88 362.52
Nov. 32 43.61 36.64 11.61 36.28 134.79
Dic. 29 36.65 32.06 7.65 26.38 58.52
Total 93.05 232.65 1,152.29
Promedio 10.34 25.85 128.03
PMP Exponencial Recomendación

c.MAD 11.04 10.34 Suavización Exponencial
d.MAPE 27.84 25.85 Suavización Exponencial
e.MSE 147.10 128.03 Suavización Exponencial 161
Señales de rastreo
Es una medida que nos dice si el método de pronóstico utilizado esta
previendo con precisión los cambios reales de la demanda.
CFE
Señal de rastreo =
MAD
CFE y MAD en cada período son actualizados para observar el error actual y
compararlo con señales determinadas anteriormente.
Posibilidades de cálculo para MAD |Et |
1. Promedio simple de todos los errores absolutos MAD = n
2. Promedio ponderado mediante el
método de suavización exponencial MAD =  Et + (1 - )MAD t - 1
Ventajas de 2.
•No es necesario tantos datos históricos
•  no tiene porque ser igual al valor utilizado en el modelo de pronóstico.
• Frecuentemente se usa  0,1 para suavizar los efectos de los errores
recientes en al pasado.

Señales de rastreo
CFE
Señal de rastreo =
MAD
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones
Ejemplo 5
Señales de rastreo
CFE
Señal de rastreo =
MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones
Ejemplo 5
164
Criterios para la Selección de Métodos
con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando se debe
seleccionar un método de pronóstico tanto para manufactura como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado en el
método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
 y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.

Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
Suma acumulativa Desviación media

Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3

Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.

0,7 ; 0,2 ; 0,1 14,0 18,4
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3
Promedio móvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicarían que los
pronósticos son muy bajos, n = 3 sería el mejor.
Suavización exponencial: MAD muy parecidos, CFE distintos  = 0,2
se prefiere.
167
0,7 ; 0,2 ; 0,1 14,0 18,4
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3
De los tres métodos con n = 3 y  = 0,2 NO se asigna una mayor

ponderación a los niveles de demanda más recientes.
Note que Promedio móvil ponderado con ponderación 0,7 para la
demanda más reciente entrega un Sesgo (CFE) más bajo y MAD
levemente superior.
En consecuencia “Promedio Ponderado” sería el método 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  más bajos o valores de n más altos, con el fin de dar importancia a
los datos históricos.
b) Proyecciones basadas en patrones de demanda dinámicas, usar

valores de  más altos o valores de n más bajos, como los datos
históricos están cambiando se pone énfasis a la historia más nueva.

Criterio Expectativas de Gerencia
Uso del último período en el error de pronósticos
¿Siempre se obtiene un mejor pronóstico cuando se utiliza un modelo de

pronóstico más sofisticado?
¿Existe una técnica de pronóstico óptima para todos los productos o

servicios?
Para ambas preguntas NO
Da origen(particularmente) al Pronóstico enfocado que surge de

seleccionar el mejor pronóstico a partir de un grupo de pronósticos
generados por medio de técnicas sencillas

Fin Capitulo de Pronósticos

Integración de Sistema de Pronósticos Para
Manufactura
Pronóstico Planeación Pronóstico Usado por Intervalo Horizonte

de Demanda de Ventas
Tipo 2 y 3. Tiempo de Respuesta
Planeación Mensual o
Por línea de de función de
de Ventas trimestral
producto. mercadotecnia.
Planeación Planeación Tipo 2 y 3. Por
Tiempo de Respuesta de
de Inventarios de Producción línea de producto, Planeación de
Mensual cambios grandes de
planta, y capacidad Producción
capacidad.
de grupo de productos.
Tipo 1. Por artículo,
Programa Semanal Tiempo de respuesta
Proceso Programa planta, y fecha de
Maestro o Mensual del producto.
de Pedidos Maestro necesidad.

Planeación Semanal Tiempo de respuesta
planta, y fecha de
de Inventarios o Mensual del producto.
Status de Planeación Rough-cut necesidad.
Inventarios de Capacidad Tipo 1. Por artículo, Planeación Tiempo para balancear
Semanal
planta, y fecha de Rough-Cut cargas de trabajo en
o Mensual
necesidad. de Capacidad centros de trabajo.

Integración de Sistema de Pronósticos Para
Manufactura con Distribución
Proceso
de Pedidos
Pronóstico Usado por Intervalo Horizonte
Pronóstico Tipo 1. Por artículo,
de Demanda Sistema Semanal Tiempo de respuesta
y centro de DRP o Diario de producción.
distribución.

Planeación de Programa Semanal Tiempo de Respuesta
y planta para envíos
Requerimientos Maestro o diario para reponer inventario
directos.
de Distribución de fuente preferida.
Status de
Inventarios
Planeación
de Producción
y Programa
Maestro

Integración del Sistema de Pronósticos
Para Distribuidores
Proceso
de Pedidos
Pronóstico Usado por Intervalo Horizonte
Sistema
Pronóstico Tipo 1. Por artículo, Semanal Tiempo de respuesta
Admón.
de Demanda y distribuidor. o Mensual de producción.
Inventarios
Tipo 1. Por artículo, Sistema de Semanal Tiempo de respuesta

Análisis de y distribuidor. Análisis. o Mensual de producción.
Inventarios
Status de
Inventarios
Compras

Pronósticos Tipo 1
Pronóstico Tipo 1 de Marzo del 2006,
• Los pronósticos de Tipo 1 se utilizan
para Briefcases
para orientar la operación diaria.
Fecha Tipo Cantidad Ingreso
• El horizonte de planeación mínimo
Enero/2006 V 5 $ 200
dependerá del tiempo de respuesta L 50 3.000
para adquirir materiales, procesarlos, D 20 1.600
y hacerlos disponibles al cliente. Subtotal 75 $ 4.800
• Entre los usos de los pronósticos de Febrero/ 2006 V 200 $ 8.000
Tipo 1 están: L 125 7.500
– La decisión de reposición por artículos D 80 6.400
y lugar, Subtotal 405 $ 21.900
– la validación o modificación de los Marzo/2006 V 280 $ 11.200
pronósticos agregados de Tipo 2 por L 140 8.400
línea de producto, negocio o centro de D 80 6.400
utilidades. Subtotal 500 $ 26.000
Abril/ 2006
Mayo/ 2006
Junio/ 2006
Total Semestre 2.000 154.000
Pronósticos Tipo 2
• Los pronósticos de Tipo 2 se utilizan
para propósitos de planeación a largo Planeación agregada para Briefcases
plazo. Como % de la
Ingreso
Tipo
Fecha Precio
Cantidad Dda anterior
• Para propósitos de planeación a largo ($50*Cantidad)
Vinyl Abril/06 $350
40 $ 65 %
17,500
plazo se recomiendan pronósticos
Piel Majo/06 60
400 20
20,000
agregados de grupos de productos Junio /06
De Lujo 350
80 17,500
15
similares. Julio /06 225 11,250
Precio Promedio
Agosto /06 500 25,000
• Los grupos se identifican por tener 0,65*$40
Septiembre /06 + 0,20*$60
550 + 0,15*$80 = $50
27,500
una fuente común de oferta o Octubre /06 400 20,000
Noviembre /06 300 15,000
demanda. Se producen con el mismo Diciembre /06 600 30,000
equipo o requieren partes similares, o Enero /07 200 10,000
Febrero /07 400 20,000
su demanda se genera del mismo Marzo /07 500 25,000
segmento del mercado. Total Anual 4.775 $238.750

Pronósticos Tipo 3
• Normalmente los pronósticos de Tipo 1 y 2 son diferentes.
• Se generan mediante diferentes sistemas con bases de datos propias.
– La integración de ambos pronósticos proporciona una mejor base para planear.
• Sistemas de pronósticos separados erosiona la confianza en el proceso de
pronosticar y en los mismos pronósticos.
• Por lo tanto, es necesario construir confianza a través de:
– Emplear una base única de datos con unidades de medida comunes, y
– Utilizar los mismos pronósticos en toda la empresa.
• Los pronósticos de Tipo 3 son el resultado de conciliar los del Tipo 2 y 1 en el corto
plazo.
• La conciliación se realiza a través de un proceso de ponderación y aplicación de
criterio de la administración.

Pronósticos de Tipo 1 y 2 sin Conciliar
Pronósticos Briefcase no Coordinados

Pronósticos Tipo 2 de Marzo 1º de 2006 Pronóstico Tipo 1 de Marzo 1o. de 2006
Fecha Cantidad Ingreso $50*Cantidad Fecha Tipo Cantidad Ingreso
Enero/06 110 $5.500 Enero/2006 V 5 $ 200

Febrero/06 500 25.000 L 50 3.000
Marzo/06 600 30.000 D 20 1.600
Total 1.210 $60.500 Subtotal 75 $ 4.800

Febrero/2006 V 200 $ 8.000
L 125 7.500
D 80 6.400
Subtotal 405 $ 21.900
Marzo/2006 V 280 $ 11.200
L 140 8.400
D 80 6.400
Subtotal 500 $ 26.000
Total Trimestre 980 $ 52.700

Conciliando Pronósticos Tipo 1 y 2
Pronóstico Inicial Tipo 1 de Marzo 1º de 2006
Marzo/2006 V 280 $11.200
L 140 8.400
• Conciliando pronósticos Tipo D 80 6.400
2y3
Subtotal 500 $ 26.000
Pronóstico Tipo 2 de Marzo 1º de 2006
Tipo Cantidad %
Fecha Cantidad Ingreso ($50*Cantidad)
V 308 56
L 154 28 Marzo/2006 600 $ 30.000
D 88 16 Pronóstico Tipo 3 de Marzo 1º de 2006
Fecha Cantidad Ingreso (del Tipo 1 Final)
Marzo/2006 (500+600)/2 = 550 $ 28.600
Pronóstico Final Tipo 1 de Marzo 1º de 2006
Precio Promedio
40*0,56 + 60*0,28 + 80*0,16 = $52 Fecha Tipo Cantidad Ingreso
Marzo/2006 V 550*280/500=308 (a $40) $12.320
L 550*140/500=154 (a $60) 9.240
D 550*80/500=88 (a $80) 7.040
550 $ 28.600

Conciliando Totales por Totales
artículos agregados
•
Pronósticos Tipo
Pronóstico Tipo 3 del 2006
1y2 Fecha Cantidad
Ingreso
(basado en la media del Tipo 1)
Enero/2006 (75 + 110)/2 = 93 $ 5.960

Febrero/ 2006 (405 + 500)/2 = 453 24.489
Marzo/ 2006 (500 + 600)/2 = 550 28.600
Conciliación final de 1.096 $ 59.040
pronósticos Tipo 1 y 3. Pronóstico Final Tipo 1 de Marzo de 2006
Enero/ 2006 V 93*( 5/75) = 6 (a $40) $ 240
L 93*(50/75) = 62 (a $60) 3.720
D 93*(20/75) = 25 (a $80) 2.000
Subtotal 93 $5.960
Febrero/ 2006 V 453*(200/405) = 224 (a $40) $ 8.960
L 453*(125/405) = 140 (a $60) 8.400
D 453*( 80/405) = 89 (a $80) 7.120
Subtotal 453 $ 24.480
Marzo/ 2006 V 550*(280/500) = 308 (a $40) $12.420
L 550*(140/500) = 154 (a $60) 9.240
D 550*( 80/500) = 88 (a $80) 7.040
Subtotal 550 $ 28.600
Total Trimestral 1.096 $ 59.040
Sistema de Pronósticos Piramidal
 El proceso de conciliación de
pronósticos se puede
conceptualizar como piramidal,
con una primera etapa de roll-
up, y una segunda de force-
down.

Sistema de Pronósticos Piramidal
 El proceso de conciliación de
pronósticos se puede
conceptualizar como piramidal,
con una primera etapa de roll-
up, y una segunda de force-
down.

Problema
02) En una fábrica procesadora de hidrocarburos, el control de procesos incluye el

análisis periódico y la obtención de muestras para un parámetro determinado de la
calidad del proceso.
El procedimiento analítico que se aplica actualmente es costoso y requiere mucho
tiempo. Se ha propuesto un procedimiento alternativo más rápido y económico. Sin
embargo, las cifras obtenidas con el procedimiento alternativo para el parámetro
de calidad son un tanto diferentes de las obtenidas con el procedimiento actual, no
a causa de errores intrínsecos, sino por cambio en el carácter del análisis químico.
La gerencia considera que si resulta posible usar las cifras obtenidas con el nuevo
procedimiento, a fin de hacer un pronóstico fiable de las cifras obtenidas con el
procedimiento actual, la adopción del nuevo procedimiento sería razonable y eficaz
en términos de costos. Los siguientes datos referente al parámetro de calidad se
obtuvieron con el análisis de muestras, utilizando ambos procedimientos.

Problema
Fabrica procesadora de hidrocarburos
Actual, Y Propuesto, X
3,0 3,1
3,1 3,9
3,0 3,4 a) Aplique la regresión lineal para
3,6 4,0 encontrar una relación que permita
3,8 3,6 pronosticar Y, es decir, el parámetro de
calidad correspondiente al
2,7 3,6 procedimiento actual, utilizando los
2,7 3,6 valores obtenidos con el procedimiento
3,1 3,1 propuesto, X.
2,7 2,9
3,3 3,6 b) ¿Existe una relación fuerte entre los
parámetros Y y X? Explique su
3,2 4,1 respuesta
2,1 2,6
3,0 3,1
2,6 2,8

Solución
Fabrica procesadora de hidrocarburos
Usando una aplicación de regresión Lineal se tiene:

Coeficiente de posición: b = 0,89
Constante o Pendiente de recta: a = 0,620
a. Relación entre la variable Y  X

Y = 0,894 + 0,620 X
b. El coeficiente de determinación ( R2 ) entre Y and X
R2 = 0,451
R = 0,671
Como el coeficiente de correlación de la muestra se encuentran
fuera de un rango interesante. Se Desecha la opción.

Cálculo de 
Métodos de prueba y error:

Utilizar varios valores de  y seleccionar aquel para el cual la suma del
cuadrado del error absoluto es mínimo
ei 2 =  Dt - Ft2= Mínimo
Si se dispone de información de 4 años, se utiliza la información de los 3

primeros años, como muestra para el análisis y el último año como prueba.
Advance
Producción
Producción
II - Pronósticos
II - Pronósticos 186
80 — Pronóstico
ajustado a la
70 — Tendencia
60 — Numero de periodos de tiempo 15.00

Coeficiente suavización Demanda ( ) 0.20
50 — Valor inicial demanda 28.00
Coeficiente suavización Tendencia ( ) 0.20 Número real
40 — Estimación de la tendencia 3.00 de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Advance
Producción
Producción
II - Pronósticos
80 — Promedio Promedio
Semana Llegadas suavizadoTrend-adjusted
Tendencia Pronóstico Error
Pronóstico
70 — 0 28 28.00 3.00 28.00 0.00

1 27 30.20 2.84 31.00 –4.00
2 44 35.23 3.27 33.04 10.96
60 — 3 37 38.20 3.21 38.51 –1.51
4 35 40.14 2.96 41.42 –6.42
50 — 5 53 45.08 3.35 43.10 9.89
6 38 46.35 2.93 48.43 –10.43blood
Actual
7 57 50.83 3.24 49.29 7.71
40 — 8 61 55.46 3.52 54.08
test requests
6.92
9 39 54.99 2.72 58.98 –19.98
30 — 10 55 57.17 2.61 57.71 –2.71
11 54 58.63 2.38 59.78 –5.78
12
| | | 52 | |59.21| | 2.02
| | | 61.01
| | | –9.01| |
13 60 60.99 1.97 61.23 –1.23
0 14 1 2 3 60 4 562.37
6 7 1.85
8 9 10 62.96
11 12 13–2.96 14 15
15 75 66.38 Semana
2.28 64.22 10.77
Ejemplo 05 Advance
Producción
Producción
II - Pronósticos
Pronóstico
70 — 0 28 28.00 3.00 0.00 0.00

1Pronósticos
27 períodos
30.20 posteriores
2.84 al siguiente
31.00 –4.00
44 235.23 3.27 33.04 10.96
3760 — 338.20 3.21 38.51 –1.51
4 Estimación
35 Nº
40.14períodos 2.96 Promedio
41.42 –6.42
Tendencia adicionales 3.35 + actual
50 — 5 53 45.08 43.10 9.89
6 38 46.35 2.93 48.43 –10.43blood
Actual
7 57 2  50.83 D: 44 A 3.24: 35,2 T49.29 7.71
40 — 8Final semana 61 55.46 3.52
2 2 : 3,2 test requests
54.08 6.92
9Pronóstico39 semana
54.996 2.72 58.98 –19.98
30 — 10F = 3,2 55 57.17 2.61 57.71 –2.71
(4) + 35,2 = 48 análisis
11 6 54 58.63 2.38 59.78 –5.78
12
| | | 52 | |59.21| | 2.02 | | | 61.01
| | | –9.01| |
13 60 60.99 1.97 61.23 –1.23
0 14 1 2 3 60 4 562.37 6 7 1.85 8 9 10 62.96 11 12 13–2.96 14 15
15 75 66.38 Semana 2.28 64.22 10.77
Ejemplo 05 Advance
Producción
Producción
II - Pronósticos
Pronóstico
70 — 0 28 28.00
Pronóstico semana 6
3.00 0.00 0.00
1 27 30.20 2.84 31.00 –4.00
2 F6 44 (4) + 35,2
= 3,2 35.23= 48 análisis
3.27 33.04 10.96
60 — 3 37 38.20 3.21 38.51 –1.51
4 35 40.14 2.96 41.42 –6.42
50 — 5 53 45.08 3.35 43.10 9.89
6 38 46.35 2.93 48.43 –10.43
Actual blood
7 57 50.83 3.24 49.29 7.71
40 — 8 61 55.46 3.52 54.08
test requests
6.92
9 39 54.99 2.72 58.98 –19.98
30 — 10 55 57.17 2.61 57.71 –2.71
11 54 58.63 2.38 59.78 –5.78
12
| | | 52 | | 59.21
| | | 2.02
| | | 61.01
| | –9.01
| |
13 60 60.99 1.97 61.23 –1.23
0 14 1 2 3 60 4 5 62.376 7 8 1.85 9 10 1162.96
12 13 –2.96
14 15
15 75 66.38 Semana
2.28 64.22 10.77
Ejemplo 05 Advance
Producción
Producción
II - Pronósticos
El patrón o comportamiento está formado por
cuatro componentes
 Desplazamiento gradual de
 Horizontal Cúmulos de datos
la serie de tiempo.
Activa
en torno a una
 Tendencia
Volumen
Volumen
 Influyenlínea factores
horizontal a largo plazo
Volumen
Volumen
 Cíclico como modificaciones de
Cualquier secuencia
larecurrente
población,
Verano sus
de puntos
Movimiento encima
de una serie de
 Estacional características
ytiempo
abajo dequela línea de en el
ocurre
Factor residual o “todo lo que sobra” de
 Aleatoria demográficas,
Tiempotendencia quede
período dure
un la
más
año. de un
Tiempo
Tiempo
una serie, toma en consideración las
Tiempo
tecnología año
y la
desviaciones de lospreferencia
valores reales de la
Tendencia
del
serieconsumidor Tendencia lineal
de tiempo en comparación Sinlos
con tendencia
no linealesperados. Estádeclinante
causado por factores a
corto plazo no previstos.

Unidad 03 Pronósticos

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Unidad 03 Pronósticos

Caricato da

Copyright:

Formati disponibili

Unidad 3

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

Permite que los ingenieros programadores:

Los métodos de pronósticos generalmente se basan en modelos

Objetivos Pronósticos Políticas Presupuestos

Este pronóstico se traduce a su vez

 Principalmente la DEMANDA... pero también:

 Son necesarios por la existencia de tiempos de implantación (entrega, proceso,

 Tiempos largos de implantación incrementan el riesgo en la toma de decisiones

 Todas las decisiones de asignación de corto y mediano plazo se basan en

 Un sistema jerárquico de pronósticos debe soportar la toma de decisiones

Objetivos Horizonte de Decisiones Típicas

 Control diario  1 día a un mes.  Control de producción

 Un pronóstico es un estimado o descripción de un valor o condición

 Pronosticar las demandas independientes y calcular las dependientes.

 Un sistema operativo de pronósticos debe soportar más los pronósticos de grupos

 La integración de la base de datos de demanda no es tarea fácil.

 Los sistemas de pronósticos consideran la utilización de 3 tipos de

Pronosticar la demanda  descubrir los patrones básicos de la demanda.

Patrones de la Demanda (Para productos y servicios )

Serie de tiempo: Es el orden en que se realiza las observaciones

(a) Horizontal: Cúmulos de datos en torno a una cantidad

(b) De tendencia: Los datos aumentan o disminuyen de manera

Mes, trimestre, año

Los patrones a, b, c y d (Horizontal, de tendencia,

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

Ejemplo: Una economía en auge influye positivamente en la demanda

Punto de Inflexión: período en que cambia la tasa de crecimiento a lo

• Diseño de producto o servicio.

• Los precios y promociones publicitaria

• Incentivos para los vendedores

• Expansión o contracción del área geográfica seleccionada como

Administración de la demanda proceso de la empresa que influyen en los

 Con frecuencia respecto a su punto de máxima demanda, se crean

 Compañías programan fechas de entrega del producto o servicios de

¡Cuidado! No es útil ingresos por ventas. (Ej. minoristas)

Corto plazo ( 0 – 3 meses)

Área de decisión Administración

Mediano plazo ( 3 meses – 2 años )

Corto plazo Mediano plazo Largo plazo

Corto plazo Mediano plazo Largo plazo

Contesta la pregunta ¿qué tipo de hardware o software o ambos utilizará?

3.- Investigación de Mercado

 Promedio móviles simples

Modelo de mayor sencillez: y = a + bx

Objetivo del análisis de regresión lineal Encontrara los valores de a y b que

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

Mide la intensidad y dirección de la relación entre x e y.

2. Coeficiente de determinación de la muestra ( r 2)

Coeficiente de determinación = (Coeficiente de correlación)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

Desviación Estándar (Syx): Promedio de desviación de las puntuaciones

Ventas Publicidad 000 = miles

250 — 000 = miles

Análisis de regresión múltiples

No se tiene calculadora o bien se pide su demostración.

a = 171 - 109.229(1.64) b = 109.229

r = 0.98 r 2 = 0.96 YX = 15.61

r = 0.98 r 2 = 0.96 YX = 15.61

Mes Nº de cambios de aceite

a. a = 2,45 b = 42.475 r = 0,817 r2 = 0,668

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

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