DIRECCIÓN DE OPERACIONES

Tema 2.Pronósticos de Demanda

 ¿Qué son los pronósticos?

 “Arte y ciencia” de predecir acontecimientos futuros.

 Base de todas las decisiones empresariales:

 Producción.
 Inventario.
 Personal.
 Instalaciones.

“Pronosticar es como manejar con los ojos cerrados

siguiendo las instrucciones de alguien que va sentado
mirando por el vidrio de atrás”
 Pronósticos y Planificación Empresarial

INSUMOS RESULTADOS
Condiciones del mercado Métodos o modelos Demanda estimada para cada
Panorama económico de pronóstico producto en cada período de tiempo
Otros factores

PRONÓSTICO DE VENTAS Equipo de

Pronóstico de la demanda para cada
producto en cada período de tiempo Administración
Errores de pronósticos
/ retroalimentación

Pronóstico de Recursos de la Producción

ESTRATEGIA EMPRESARIA
Largo Plazo Mediano Plazo Corto Plazo
Marketing
Producción Capacidad fabricas Trabajadores Mano de obra
Finanzas Capital Materiales Capacidad maquinas
Instalaciones Inventarios Efectivo
Otros Otros Otros
 Etapas en el sistema de pronósticos

Determinar la utilización del pronóstico.

Seleccionar los “artículos” en los que se va a realizar el
pronóstico.
Determinar el horizonte temporal del pronóstico.
Seleccionar el (los) modelo (s) de pronóstico.
Recogida de datos.
Realizar el pronóstico.
Validar e implementar los resultados.
 Realidades sobre los pronósticos

Raras veces los pronósticos son perfectos.

La mayoría de las técnicas de pronóstico asumen que

existe cierta estabilidad sostenida en el sistema.

Tanto las predicciones de familias de productos como las

predicciones en conjunto son más precisas que los
pronósticos de productos individuales.

Siempre que se pueda, es útil relacionar el pronóstico

con alguna variable macroeconómica
 Demanda de un producto representada en un periodo
de 4 años con tendencia de crecimiento y
estacionalidad

Picks estacionales Componente de tendencia

Demanda del producto o servicio

Línea de demanda
actual

Demanda media en
cuatro años
Variación
aleatoria

Primer Segundo Tercer Cuarto

año año año año
 Tipos de pronósticos
Métodos cualitativos
Se emplean cuando la situación no
es clara y existen pocos datos
 Productos nuevos.
 Nueva tecnología.
Requieren intuición y experiencia:
 Por ejemplo, pronóstico de
ventas a través de Internet.
Opinión de expertos, Propuestas
Personal Comercial, Método
Delphi, Estudios de mercado.
Métodos cuantitativos
Se utilizan cuando la situación es
“estable” y existen datos
“históricos”:
 Productos existentes.
 Tecnología actual.
Requieren técnicas matemáticas:
 Por ejemplo, el pronóstico de
las ventas de vacunas
antigripales.
Medias móviles, Alisado
exponencial, Proyección de
tendencia, Regresión lineal, ARIMA.
 Métodos Cualitativos

Opinión de Expertos
 Requiere un pequeño grupo de directivos:
El grupo establece una estimación conjunta de la demanda.
 Combina la experiencia directiva con modelos estadísticos.
 Es bastante rápido.
 Desventaja del “pensamiento en grupo” o individual si se realiza
“opinión del gerente”.

Propuestas Personal Comercial

 Cada vendedor estima las ventas que hará.
 Se combinan con los pronósticos a niveles de zonas y regiones con
los nacionales.
 El representante de ventas conoce las necesidades de los
consumidores.
 Tiende a ser bastante optimista o pesimista
Método Delphi
 Proceso de grupo iterativo.
 Tres tipos de participantes:
 Los que toman decisiones.
 El personal de plantilla.

 Los que responden.

 Reduce el “pensamiento en grupo”.

Estudios de mercado
 Preguntar a los consumidores sobre sus futuros planes de
compra.
 Lo que dicen los consumidores y lo que hacen suele diferir.
 A veces es difícil contestar a las preguntas del estudio.
 Métodos cuantitativos

Pronóstico
cuantitativo

Modelos de series Modelos

temporales asociativos

Media Alisado Proyección Regresión

móvil exponencial de tendencia lineal
 ¿Qué son las series temporales?

Es una secuencia de datos uniformemente espaciada

– Se obtiene observando las variables en periodos de tiempo regulares.

Se trata de un pronóstico basado en los datos pasados

– Supone que los factores que han influido en el pasado lo sigan

haciendo en el futuro.

Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1
Descomposición de una serie temporal

Tendencia Ciclos

Estacionalidad Variaciones
aleatorias
 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 años de duración.

Respuesta

Mes, trimestre, año

 Estacionalidad

• Muestra de datos de ascenso o descenso que se repite.

• Se puede ver afectada por la climatología, las
costumbres, etc.
• Se produce dentro de un periodo anual.

Verano
Respuesta

Mes, trimestre, año

 Ciclos
• Movimientos de ascenso o descenso que se repiten.
• Se pueden ver afectados por interacciones de factores que
influyen en la economía.
• Suelen durar de 2 a 10 años.

Ciclo
Respuesta


Mes, trimestre, año
 Variaciones aleatorias

• Son “saltos” en los datos causados por el azar y

situaciones inusuales.
• Son debidas a variaciones aleatorias o a situaciones
imprevistas:
– Huelga.
– Tornado.
• Son de corta duración y no se repiten.
 Modelos de series temporales
 Cualquier valor que aparezca en una serie temporal es la
multiplicación (o suma) de los componentes de la serie
temporal.

 Modelo multiplicativo:

 Yi = Ti x Si x Ci x Ri (si los datos son mensuales o trimestrales).

 Modelo aditivo:

 Yi = Ti + Si + Ci + Ri (si los datos son mensuales o trimestrales).

 Medias móviles
 Las medias móviles son una serie de operaciones aritméticas.
 Se utilizan si no hay tendencia o si ésta es escasa.
 Se suelen utilizar para el alisado:
 Proporciona una impresión general de los datos a lo largo del tiempo.

 Ecuación:

MM 
 demanda de n periodos previos
n

Ejemplo de media móvil

Usted es el director de una tienda de un museo que vende réplicas. Quiere
predecir las ventas del año 2000 mediante una media móvil de 3 años.
1995 4
1996 6
1997 5
1998 3
1999 7
 Solución de la media móvil

Año Respuesta Media Media móvil

Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND
 Solución de la media móvil

Año Respuesta Media Media móvil

Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND
 Solución de la media móvil

Año Respuesta Media Media móvil

Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
 Método de la media móvil ponderada

 Se utiliza cuando se presenta una tendencia:

 Los datos anteriores suelen carecer de importancia.

 Las ponderaciones se basan en la intuición:

 Suelen estar entre 0 y 1 y a la suma de 1,0.

 Ecuación:

Σ (ponderación para el periodo n) (demanda en el periodo n)

Media móvil
ponderada =
Σ ponderaciones
Demanda actual, media móvil y media móvil ponderada

35 Media móvil ponderada

30
Ventas reales
Demanda de ventas

25
20

15

10
Media móvil
5

0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
 Problemas de los métodos de media móvil

• Al aumentar n, las previsiones son menos sensibles a

los cambios.
• No es posible predecir bien la tendencia.
• Se necesitan muchos datos históricos.
 Alisado exponencial

 Es una técnica de pronóstico de media móvil ponderada:

 Las ponderaciones disminuyen exponencialmente.
 Se ponderan más los datos más recientes.
 Se necesita una constante de alisado ():
 Toma valores entre 0 y 1.
 Se escoge de forma subjetiva.
 Necesita una cantidad reducida de datos históricos.

 Ft = At - 1 + (1- )At - 2 + (1- )2·At - 3

+ (1- )3At - 4 + ... + (1- )t-1·A0
 Ft = Valor del pronóstico
 At = Valor real
  = Constante de alisado

 Ft = Ft-1 + (At-1 - Ft-1)

 Se utiliza para calcular el pronóstico.
Ejemplo de alisado exponencial

Usted está organizando una reunión de su circulo profesional. Desea

predecir el número de personas que asistirán en el año 2006
mediante el alisado exponencial ( = 0,10). El pronóstico para 2001
fue de 175.

2001 180
2002 168
2003 159
2004 175
2005 190
Solución del alisado exponencial

Ft = Ft-1 + · (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 +
2003 159
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(
2003 159
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico,Ft
Año Real
(α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 -
2003 159
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  ·(At-1 - Ft-1)

pronóstico,
Ft
Año Real
(α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 - 175,00)
2003 159
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico,
Ft
Año Real
(α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10 (180 - 175,00) = 175,50
2003 159
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 - 175,00) = 175,50
2003 159 175,50 + 0,10(168 - 175,50) = 174,75
2004 175
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 - 175,00) = 175,50
2003 159 175,50 + 0,10(168 - 175,50) = 174,75
2004 175 174,75 + 0,10(159 - 174,75)= 173,18
2005 190
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 - 175,00) = 175,50
2003 159 175,50 + 0,10(168 - 175,50) = 174,75
2004 175 174,75 + 0,10(159 - 174,75) = 173,18
2005 190 173,18 + 0,10(175 - 173,18) = 173,36
2006 ND
Solución del alisado exponencial

Ft = Ft-1 +  · (At-1 - Ft-1)

pronóstico, F t
Año Real
( α = 0,10)
2001 180 175,00 (Dado)
2002 168 175,00 + 0,10(180 - 175,00) = 175,50
2003 159 175,50 + 0,10(168 - 175,50) = 174,75
2004 175 174,75 + 0,10(159 - 174,75) = 173,18
2005 190 173,18 + 0,10(175 - 173,18) = 173,36
2006 ND 173,36 + 0,10(190 - 173,36) = 175,02
Efectos en el pronóstico de la constante de
alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10%
= 0,90
Efectos en el pronóstico de la constante de
alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9%
= 0,90
Efectos en el pronóstico de la constante de
alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90
Efectos en el pronóstico de la constante de
alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90%
Efectos en el pronóstico de la constante de
alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9%
Efectos en el pronóstico de la constante de
alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9% 0,9%
Si se selecciona 

Trate de minimizar la desviación absoluta media (DAM)

Si: Error de pronóstico = demanda - pronóstico

Entonces:

 errores de pronóstico
DAM 
n
 Alisado exponencial con ajuste de tendencia

Pronóstico incluyendo la tendencia (PITt)

= pronóstico alisado exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)

Ft =  (demanda real del último periodo) + (1- )(pronóstico del último periodo
+ tendencia estimada del último periodo)
o

Ft = (At-1) + (1- )(Ft-1 + Tt-1)

Tt =  (pronóstico de este periodo - pronóstico del último periodo)

+ (1- )(tendencia estimada del último periodo)
o

Tt = (Ft - Ft-1) + (1- )Tt-1

 Comparación de pronósticos

Alisado exponencial con ajuste de

40
Tendencia
35 Demanda real
Demanda del producto

30
25
20
15
10 Alisado exponencial
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
Valores de la variable dependiente Método de mínimos cuadrados

Observación Desviación
real

Desviación Desviación

Desviación
Desviación
Punto en la
línea de
Desviación
tendencia
Desviación

Yˆ  a  bx
Periodo de tiempo
 Demanda real y línea de tendencia

180
160
Y = 56,70+ 10,54X
140
120
Demanda

100
80
60 Demanda real
40
20
0
0 2 4 6 8 10
Período de tiempo
 Análisis de regresión lineal
 Se usa para prever la línea de tendencia lineal.

 Supone una relación entre la variable de respuesta, Y, y el

periodo de tiempo, X, que es una función lineal:

 Se calcula mediante el método de los mínimos cuadrados:

 Minimiza la suma de errores cuadráticos.

Modelo del análisis de regresión lineal

Yi  a  bX i
Y b>0
a

b<0

a
Tiempo, X
 Diagrama de dispersión

Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96

Periodo de tiempo
 Interpretación de los coeficientes

• Pendiente (b):

– El cálculo de Y varía en b cada unidad extra en X.

• Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada

unidad extra en publicidad (X).

• Corte con el eje Y (a):

– Valor medio de Y cuando X = 0.

• Si a = 4, entonces las ventas medias (Y) serán de 4 cuando la

publicidad (X) sea 0.
Ecuaciones de mínimos cuadrados

Ecuación: Ŷi  a  bx i

n
 xi yi  nx y
Pendiente: b i 1
n
 xi2  nx 2
i 1

Corte con el eje Y: a  y  bx

 Tabla de cálculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
 Ejemplo de análisis de regresión lineal

Usted es el analista de marketing de Hasbro Toys.

Recoge los siguientes datos:
Año Ventas (miles de unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
¿Cuál es la ecuación de la tendencia?
Modelo de previsión del análisis de regresión lineal

Usted está realizando el análisis de marketing de Hasbro Toys.

Al utilizar años codificados, halla que Yi = -0,1 + 0,7Xi.

Año Ventas (Miles de Unidades)

1995 1
1996 1
1997 2
1998 2
1999 4

La previsión de ventas es de 2000 unidades.

 Modelo estacional multiplicativo

 Encontrar la demanda histórica media para cada “estación” sumando la

demanda de esa estación cada año y dividiéndola entre el número de años
de datos disponibles.

 Calcular la demanda media a lo largo de todas las estaciones dividiendo la

demanda media total anual entre el número de estaciones.

 Calcular un índice estacional dividiendo la demanda histórica real de esa

estación (calculado en la etapa 1) entre la demanda media a lo largo de
todas las estaciones.

 Estimar la demanda anual de todo el año próximo.

 Dividir esta estimación de la demanda anual total entre el número de

estaciones y entonces multiplicarla por el índice estacional de esa estación.
Esto proporciona la previsión estacional .
 Modelo de regresión lineal

• Muestra la relación lineal entre las variables dependientes e

independientes.
– Ejemplo: ventas y publicidad (sin tiempo)

Corte con el eje Y Pendiente

^
Yi = a + b Xi

Variable dependiente Variable independiente

 Variación de los errores aleatorios

• Variación del Y real a partir del Y estimado.

• Se mide mediante el error estándar de la estimación:
– Muestra los errores de la desviación estándar.
– SY,X

• Afecta a varios factores:

– Significado del parámetro.
– Precisión de la predicción.
 Supuestos de los mínimos cuadrados

Se supone que la relación es lineal. Primero trace los datos, si

existe la curva, utilice el análisis curvilineal.

Se supone que la relación sólo se sustenta dentro o justo

fuera del campo de datos. No trate de predecir periodos de
tiempo lejanos al campo de la base de datos.

Se supone que las desviaciones que rodean a la línea de los

mínimos cuadrados son aleatorias.
Error estándar de la desviación

n
 y i  ŷ i 
S y,x  i 
n

n  n n
 yi a  yi  b  x i yi
 i  i  i 
n
 Correlación

• Respuestas: ‘¿qué intensidad tiene la relación lineal entre las

variables?’

• El coeficiente de correlación se identifica normalmente como r .

– Los valores varían entre -1 y +1 .

– Mide el grado de asociación.

• Se usa principalmente para comprender.

n n n
n  x i yi   x i  yi
r i  i  i 
 n   n   n   n  
n  x i    x i   n  yi    yi  
 i   i     i   i   
 Valores del coeficiente de correlación

Correlación Correlación
negativa perfecta positiva
Sin correlación perfecta

-1,0 -0,5 0 +0,5 +1,0

Aumento de la correlación Aumento de la correlación

negativa positiva
Coeficiente de correlación y modelo de regresión

Y r=1 Y r = -1
Y^i = a - b X i
Y^i = a + b X i
X X

Y r = 0,89 Y r=0

Y^i = a + b X i Y^i = a + b X i
X X
Guía para elegir el modelo de previsión

• Usted quiere conseguir:

– Ninguna conducta o dirección del error de previsión.

• Error = (Yi - Y^i) = (Real - Previsión).

• Se observa en las representaciones de los errores a lo largo del

tiempo.

– Un error de previsión más pequeño:

• Error cuadrado medio (ECM).

• Desviación absoluta media (DAM).

 Conducta del error de previsión

Tendencia no totalmente
justificada Conducta deseada
Error Error

0 0

Tiempo (años) Tiempo (años)

 Ecuaciones del error de previsión

• Error cuadrado medio (ECM):

n
 (y i  ˆy i ) 2 2
 errores de previsión
ECM  i 1 
n n
• Desviación absoluta media (DAM):
n
 | yi  y
ˆi |
i   | errores de previsión |
DAM  
n n
 Ejemplo de selección del modelo de previsión

Usted es el analista de marketing de Hasbro Toys. Ha previsto las

ventas con un modelo lineal y alisado exponencial. ¿Qué modelo
usará?

Ventas Previsión del Previsión del

alisado
Año reales modelo lineal exponencial (0,9)

1995 1 0,6 1,0

1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
 Evaluación del modelo lineal

^
Año Yi Yi Error Error2 |Error|
1992 1 0,6 0,4 0,16 0,4
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Evaluación del modelo de alisado exponencial

^
Year Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Evaluación del modelo de alisado exponencial

Modelo de alisado exponencial:

ECM = Σ Error2 / n = 0,05 / 5 = 0,01

DAM = Σ |Error| / n = 0,3 / 5 = 0,06

Modelo lineal:

ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400
 Señal de rastreo

• Mide el grado de precisión de la previsión para predecir

valores reales.

• Suma actual de los errores de previsión (SAEP) dividida entre

la desviación absoluta media (DAM):

Una buena señal de rastreo tiene valores bajos.

• Debe estar dentro de los límites de control superiores e

inferiores.
 Ecuación de la señal de rastreo

SAEP
Señal de rastreo 
DAM

 y i  y
ˆi
n

 i 
DAM

 errores de previsión

DAM
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10

2 100 95
3 100 115 SAEP =  Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado =  |Errores|
4 100 100 = NA + 10 = 10

5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0

2 100 95
3 100 115 DAM =  |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95
3 100 115 SR = SAEP/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5
3 100 115
4 100 100 Error = Real - Previsión
= 95 - 100 = -5
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda

Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 SAEP =  Errores
= (-10) + (-5) = -15
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda

Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado =  |Errores|
= 10 + 5 = 15
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda

Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM =  |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda

Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = SAEP/DAM
= -15/7,5 = -2
5 100 125
6 100 140
Representación de una señal de rastreo

Señal que supera el límite

Señal de rastreo
Límite de control superior
+

0 Intervalo aceptable

-
Límite de control inferior

Tiempo
 Señales de rastreo

160 3
140 Previsión
2

Señal de rastreo
120
Demanda real

100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
 Pronóstico en el sector servicios

Presenta algunas complicaciones:

Especial necesidad de datos a corto plazo.
Las necesidades varían mucho en función de la industria y del
producto.
Vacaciones y calendario.
Eventos poco comunes.
20
Ventas por Hora en
un fast food
15

10

0
+11-12
11-12 12-1+1-2
1-2 2-3+3-4
3-4 +5-6
4-5 5-6 +7-8
6-7 7-8 +9-10
8-9 9-10 10-11
 Modelos Avanzados de Análisis de Series

AR(p) modelos Auto Regresivos

MA(q) modelos de medias móviles

ARMA (pq) modelos auto regresivos de medias móviles

Modelo de Winter

ARIMA (p,d,q) modelos auto regresivos integrado de medias móviles

VARMA modelos multivariados

ARMAX modelos con variable explicativa

ARCH modelos auto regresivos condicionales heteroscedásticos

GARCH modelos ARCH generalizados

p número de parámetros auto regresivos

q largo de la media móvil
d número de diferenciaciones
Ruido blanco término no correlacionado con el pasado, esperanza cero.
ARIMA Auto Regresive Integrated Moved Average

Promedio Móvil Integrado Auto regresivo

También se lo conoce como método de Box-Jenkins

Es un método muy complejo para resolver manualmente,

pero existen una serie de aplicaciones para trabajar con el

Es muy útil para resolver problemas con fuertes variaciones

estacionales

Su aplicación requiere de al menos 50 periodos históricos

Suavizamiento Exponencial para las salidas nacionales en el Aeropuerto Merino Benítez
 Consumo de gas licuado envasado, Reg Metrop
50000 50000

45000 45000

40000 40000

35000 35000

30000 30000
Ton

25000 25000

20000 20000

15000 15000

10000 10000

5000 5000
Ene-87

Ene-88

Ene-89

Ene-90

Ene-91

Ene-92

Ene-93

Ene-94

Ene-95

Ene-96

Ene-97

Ene-98

Ene-99

Ene-00
Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul

Jul
M es

: Consumo Gas Licuado en la R..Metropolitana 1987-2000.