Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Series de Tiempo
Modelo Causal
La manera más fácil de pronosticar es asumir que la demanda del siguiente período es justamente
igual a la demanda en el período más reciente.
Promedio Móvil
Su fórmula matemática es :
Donde:
Pronosticar la demanda para el mes 8, utilizando promedio móvil de las tres últimas demandas.
(n=3).
Solución:
Pero como validar este pronóstico, es decir saber si es aceptable o no. Para eso se da la serie de
datos para determinar cuan precisa es la técnica de pronóstico. Por esta razón calculamos el
pronóstico en los períodos que preceden y llenamos el cuadro como sigue:
Definiciones:
Error de Pronóstico:
Errort = Dt - Ft
Dt : demanda real en el período t
Ft : pronóstico en el período t
∑│ Dt - Ft │
MAD =
N
Señal de Rastreo:
Es una medida que indica si el promedio de pronósticos está manteniendo el ritmo de los cambios
reales en la demanda, ya sean hacia arriba o hacia abajo. La señal de rastreo es el número de
desviaciones medias absolutas en que el valor del pronóstico se encuentra por encima o por debajo
de la ocurrencia real.
∑( Dt - Ft ) Error acumulado
Señal de Rastreo =
MAD
Cuando los errores de los pronósticos se distribuyen normalmente, se tiene la siguiente relación:
Para un nivel de confianza del 99.7% se considera un rango de ± 3 σ, es decir la señal de rastreo
debe estar dentro del rango de ± 3.75 MAD.
Gráficamente:
Señal de rastre o
3
1
SR
MAD
-1
-2
-3
1 2 3 4
MES
Como la SR se encuentra dentro los límites establecidos los pronósticos se comportan
adecuadamente. (Comportamiento normal).
2 2
1 1
SR SR
MAD
MAD
0 0
-1 -1
-2 -2
-3 -3
1 2 3 4 5 6 1 2 3 4 5 6
MES MES
2 2
1 1
SR SR
MAD
MAD
0 0
-1 -1
-2 -2
-3 -3
1 2 3 4 5 6 1 2 3 4 5 6
MES MES
2 2
1 1
SR SR
MAD
MAD
0 0
-1 -1
-2 -2
-3 -3
1 2 3 4 5 6 1 2 3 4 5 6
MES MES
Esta técnica considera que los datos más recientes son más reveladores del futuro que los datos más
antiguos, es decir da un mayor peso a datos mas recientes. Se obtiene sumando el producto de la
demanda de cada período por un factor de ponderación y se divide el resultado entre la suma de
todos los factores ponderados.
Donde:
F: demanda futura
n: Período actual
D: demanda histórica
a,b,c,..,m : Factores de ponderación
Ejemplo3.
Saga desea pronosticar la demanda de lavadoras que venderá mes de octubre de presente año. A
continuación se presenta las demandas de lavadoras de enero a setiembre. El jefe de almacén de la
tienda aplicará promedio móvil ponderado de los últimos 3 meses con factores 4, 3 y 2
respectivamente.
Solución:
Señal de Rastreo
3
1
SR
MAD
-1
-2
-3
1 2 3 4 5 6
MES
Suavizado Exponencial
Este método toma el pronóstico del período anterior y le incorpora un ajuste para obtener el
pronóstico del siguiente período. Este ajuste es proporcional al error anterior y se calcula
multiplicando el error de pronóstico del período anterior por una constante entre 0 y 1 denominada
constante de suavización ( α ). Es una técnica para pronosticar basada en los errores de los
pronósticos
Donde:
F: pronóstico
D: demanda real
n: período actual.
α : constante de suavización, valor entre 0 y 1
Notas:
Una ventaja de esta técnica es que los datos que se requieren son sólo del último pronóstico, la
última demanda y el valor de α.
Esta técnica es realmente es un promedio móvil ponderado.
Mientras alfa esté cerca a 1 se le está dando mayor peso a los últimos datos de la demanda.
En el caso extremo cuando alfa es 1,tenemos:
Fn+1 = Dn
Fn+1 = αDn + α (1- α)Dn-1 + α (1- α)2Dn-2 + α (1- α)3Dn-3 + α (1- α)4Dn-4+ (1- α)5Fn-5
Ejemplo 4.
El pronóstico de ventas de pasajes aéreos a Lima fue de 145 el mes pasado y la venta real de pasajes
fue de 156. Utilizando una constante de suavización, cual será el pronósticos de pasajes el presente
mes que está iniciando.
F= 147 pasajes
Notas:
0<α<1
Si α=0 Fn+1 = Fn
Si α=1 Fn+1 = Dn
Los pronósticos en el mediano plazo pueden ser explicados mediante un análisis de regresión, este
análisis de regresión indica la tendencia de la demanda en función a otro factor formandose
tendencias tales como: lineal, exponencial, logarítmica, etc.
Análisis de Regresión
El análisis de regresión se utiliza para determinar si un grupo de datos (una o más variables
independientes) guardan algún tipo de relación o correlación con otro grupo de datos (variable
dependiente). Una vez que se hayan calculado dichas relaciones podrán hacerse pronósticos.
Líneal
y = a + bx
Poli nómica
Logarítmica
y = b + clnx
Exponencial
y = cebx
Potencial
y = cxb
Análisis de Regresión Lineal
Es un modelo de pronóstico que establece una relación lineal entre una variable dependiente y una
o más variables independientes. Existen 2 tipos de regresión lineal:
Análisis de Regresión Lineal Simple. Modelo matemático que sólo contiene una variable
independiente y una variable dependiente.
Ecuación matemática: y = a + bx
Análisis de Regresión Lineal Múltiple. Modelo Matemático que contiene 2 o más variables
independientes y una variable dependiente.
Una vez que haya verificado a través del análisis de regresión que existe una relación entre las
variables dependiente e independientes, podrá utilizar los valores de las variables independientes
para pronosticar los valores de las dependientes.
Análisis de Regresión Lineal Simple. Modelo matemático que sólo contiene una variable
independiente y una variable dependiente. Si los datos forman una serie de tiempo, la variable
independiente es el tiempo en períodos y la variable dependiente son las ventas o demanda.
Ecuación de regresión: y = a + bx
Donde:
2
∑x ∑y - ∑x∑xy n ∑xy - ∑x∑y
a = b=
n∑x2 -
2
(∑x) n∑ x2 - (∑x)
2
Ejemplo
La empresa Motores Andinos S.A. produce motores petroleros Perkins. Durante más de un
año, la planta de producción ha operado a casi plena capacidad. El gerente de planta, estima
que el crecimiento en las ventas continuará y desea desarrollar un pronóstico a largo plazo que
se usará para planear las necesidades de las instalaciones para los siguientes tres años. Se han
totalizado las cifras de ventas correspondientes a los últimos diez años:
Ventas anuales Ventas anuales
Año (miles de unidades) Año (miles de unidades)
1 1,000 6 2,000
2 1,300 7 2,200
3 1,800 8 2,600
4 2,000 9 2,900
5 2,000 10 3,200
Solución:
b = (10)(133,300) - (55)(21,000)
825
b = 215.785
11 11 3,287
12 12 3,502
13 13 3,718
3,500
Ventas Miles de unidades
3,000
Ventas
2,500
1,500
1,000
500
1 2 3 4 5 6 7 8 9 10 11 12 13
Períodos
-1 Una relación negativa perfecta; conforme y sube, x baja unidad por unidad y viceversa.
+1 Una relación positiva perfecta; conforme y sube, x sube unidad por unidad y viceversa.
0 No existe relación alguna entre y & x.
+0.3 Una relación positiva débil.
-0.9 Una relación negativa fuerte.
1000 1000
800 800
Regresión Regresión
Ventas
200 200
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Período Período
r=+1 r=-1
1000 1000
800 800
Regresión Regresión
Ventas
Ventas
600 600
Demanda Demanda
400 400
200 200
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Período Período
0<r<1 r=0
n ∑xy - ∑x∑y
r=
√ [n∑ x2 - (∑x)
2
] [n∑ y2 - (∑y)
2
]
Syx = √ ∑ y2 - a ∑y - b∑ xy
n - 2
Donde:
Y: demanda pronosticada
i : período pronosticado
Syx : Desviación estándar
t : valor de la distribución de probabilidad t student para un nivel de significancia del 0.01 y
para n-2 grados de libertad para un nivel de confianza del 90%
(1) r = 0.9702
Interpretación: Existe una relación lineal positiva fuerte entre la variable y & x
Interpretación: Indica que el 94.12% de la variación total se explica por medio de la ecuación
de regresión.
(4) Estableciendo rangos: para un nivel de significancia 0.01 y a n-2 grados de libertad, para
la demanda pronosticada del período 11 tenemos:
Estacionalidad en los pronósticos de series de tiempo Por lo general, los patrones estacionales
son fluctuaciones que ocurren dentro de un año y tienden a repetirse anualmente. Estas estaciones
pueden ser causadas o determinadas por el clima, las vacaciones, los días de pago, los eventos
escolares o cualquier otro fenómeno. Se siguen estos pasos.
1. Seleccione un conjunto representativo de datos históricos.
2. Desarrolle un índice de estacionalidad para cada estación, es decir, mes o trimestre.
3. Utilice los índices de estacionalidad para desestacionalizar los datos. En otras palabras,
elimine los patrones estacionales.
4. Realice un análisis de regresión lineal sobre los datos desestacionalizados. Ello resultará
en una ecuación de regresión de la forma: Y = a + bX.
5. Utilice la ecuación de regresión para calcular los pronósticos del futuro.
6. Utilice los índices de estacionalidad para volver a aplicar los patrones estacionales a los
pronósticos.
Ejemplo.
El gerente de planta de una compañía , está intentando planear las necesidades de efectivo, personal
y materiales y suministros para cada trimestre del próximo año. Los datos de ventas trimestrales
durante los últimos tres años razonablemente parecen reflejar el patrón de resultados estacional que
debe esperarse en el futuro. Si el gerente de planta pudiera estimar las ventas trimestrales del
siguiente año, podría determinar las necesidades de efectivo, material, personal y suministros.
A continuación se presentan las ventas trimestrales de los últimos 3 años:
Periodo x Y y2 x2 Xy
Año 8, Q1 1 642.8 413,191.84 1 642.8
Y = 615.421 + 16.865X
5. Ahora reemplazamos Los valores 13, 14, 15 y 16 (los siguientes cuatro valores de x) en la
ecuación. Estos serán los pronósticos desestacionaciolizados, en miles de unidades, para los si-
guientes cuatro trimestres:
Se han redondeado los pronósticos a un dígito significativo adicional a los de los datos originales.
Modelos Causales
Una relación causal es aquella en la cual una ocurrencia de una variable independiente causa
la variable dependiente. Si el elemento causante se puede prever con anticipación, puede
utilizarse como base para la proyección.
Ejemplo.
Una empresa que fabrica cajas de cartón hace cajas para pizzas. El departamento de planeación de
operaciones sabe que un pronóstico adecuado y preciso de cajas para pizza de un cliente está en
relación estrecha con los gastos de promoción de éste, el cual se puede obtener por adelantado antes
de realizar el gasto. El departamento de planeación de operaciones está interesado en establecer la
relación entre la promoción de la empresa de pizzas y las ventas. Una vez que eso se haya
establecido, las órdenes de compra de las cajas para pizzas, en dólares, pueden expresarse como
porcentaje fijo de las ventas.
Haciendo el cálculo de b y a, donde la publicidad es X, para el trimestre í, las ventas son Y, para el
trimestre t y Ft es el pronóstico para el futuro periodo t.
a = 30 – 0.29(96) = 0.22
10
Por tanto, la recta estimada de regresión, la relación entre las ventas futuras (Ft) y la publicidad (Xt)
es:
Ft = .22 + .29 X,
En el ejemplo anterior, quien hace la planeación de las operaciones puede investigar los gastos
planeados en publicidad y sobre esas ventas puede hacer el pronóstico. Por ejemplo, la publicidad
del próximo trimestre se espera que tenga un monto de 1 100 000 dólares. Sustituyendo 11 para X
en la ecuación anterior se tendrá: