Planeamiento y Control Estratégico

de Operaciones
 Temario

Pronósticos: Series de Tiempo

Sesión de Aprendizaje: Semana 7 – Sesión 1
 Motivación Logro de la Sesión

Al término de la sesión, el estudiante construye

pronósticos de ventas basados en modelos de
series de tiempo, utilizando Hoja de Cálculo Excel,
demostrando exactitud en los cálculos de los
resultados.
 Desarrollo.

1. Introducción a las Series de tiempo.

2. Componentes de Series de tiempo.

3. Modelos de Series de tiempo.

4. Evaluación de pronósticos.

5. Herramientas del Excel para generar pronósticos

de Series de tiempo.
1. Introducción
Series de Tiempo

Definición Análisis Propósito Aplicación

Consideran que los 1.Comprender las

datos tomados en fuerzas de influencia en
Pronósticos de
Es una secuencia diversos periodos, los datos y descubrir la
ventas,
ordenada de valores pueden tener algunas estructura que produjo
económicos,
de una variable en características de los datos observados.
análisis de
intervalos de auto-correlación, 2.Ajustar el modelo y
presupuesto,
tiempo periódicos y tendencia o realizar pronósticos,
análisis del
consecutivos. estacionalidad que se monitoreo, retro-
mercado, etc.
debe tomar en alimentación y control
cuenta. en avance.
2. Componentes de Series de Tiempo

COMPONENTES DESCRIPCIÓN EJEMPLO

* Planeación de
Promedio de un * Se basa en un promedio aritmético o ponderado de
inventarios a corto y
periodo un número determinado de datos históricos.
mediano plazo.
* Componente de largo plazo que representa el * Ventas a largo plazo,
La Tendencia crecimiento o disminución en la serie sobre un oferta de empleo, precio
periodo amplio. de acciones.

* Ventas en navidad,
El elemento * Componente que se caracteriza por periodos repetibles
consumos en estaciones
estacional de altas y bajas a lo largo de periodos cortos.
del año.

* Es la fluctuación ascendente y descendente en * Empleo, la

Los elementos
forma de onda alrededor de la tendencia en producción, precio de
cíclicos periodos mayores a un año. acciones.

* Guerras, elecciones
La variación * Mide la variabilidad inexplicable de una serie de
políticas, huelgas,
aleatoria tiempo después de retirar los otros componentes.
desastres naturales.
Líneas de Tendencia
Componente Cíclico, Estacional y Aleatoria
3. Modelos de Series de Tiempo

-Basados en modelos matemáticos.

Cuantitativos
-Datos históricos son confiables.

1. Promedio Móvil Simple.

Series de
tiempo 2. Promedio Móvil Ponderado.

3. Suavización Exponencial
3. Símbolos y Terminología

Donde :

Dt = Demanda durante el período t

Ft+1 = Pronóstico de demanda para el período t+1
n = Número de períodos por promediar
3.1. Promedio Móvil Simple

• Se utiliza para calcular la demanda promedio de los últimos

´´n´´ períodos y como predicción para el siguiente período.

• Fórmula:

• Donde :
Ft+1 = Pronóstico de demanda para el período t+1
Dt = Demanda durante el período t
n = Número de períodos por promediar
3.1. Ejemplo: Promedio Móvil Simple

Ventas Total Promedio

Año
Dt (n = 3) Ft+1
2005 4 NA NA
2006 6 NA NA
2007 5 NA NA
2008 3 4 + 6 + 5 = 15
2009 7
2010 NA
3.1. Ejemplo: Promedio Móvil Simple

Ventas Total Promedio

Año
Dt (n = 3) Ft+1
2005 4 NA NA
2006 6 NA NA
2007 5 NA NA
2008 3 4 + 6 + 5 = 15 15/3 = 5.0
2009 7 6 + 5 + 3 = 14
2010 NA
3.1. Ejemplo: Promedio Móvil Simple

Ventas Total Promedio

Año Dt (n = 3) Ft+1
2005 4 NA NA
2006 6 NA NA
2007 5 NA NA
2008 3 4 + 6 + 5 = 15 15/3 = 5.0
2009 7 6 + 5 + 3 = 14 14/3 = 4.7
2010 NA 5 + 3 + 7 = 15 15/3 = 5.0
3.2. Promedio Móvil Ponderado
• Una forma de hacer que el promedio móvil responda más rápido
a los cambios en la demanda es dar relativamente más peso a las
demandas recientes que a las anteriores.
• Fórmula:

Ft+1 = W1Dt + W2Dt-1 + W3Dt-2 + … + WnDt-n+1

• Donde :
Ft+1 = Pronóstico de demanda para el período t+1
Dt = Demanda durante el período t
Wn = Ponderación dada la ocurrencia real para el período t
∑ Wn = 1
3.2. Ejemplo: Promedio Móvil Ponderado
3.3. Suavización Exponencial
• Se basa en la muy sencilla idea de que puede calcularse un
nuevo promedio a partir de uno antiguo y de la demanda más
reciente que se haya observado.
• Fórmula:

• Donde :
Ft+1 = Pronóstico de demanda para el período t+1
Ft = Pronóstico antiguo para el período t - 1
Dt = Demanda real para el período t

α = Constante de suavización (0<= α <=1)

3.3. Ejemplo: Suavización Exponencial

• Se tiene los siguientes datos de ventas de un producto. Se

espera pronosticar la atención del año 2013 usando
suavización exponencial.

• Considere:
(α = 0.10) y en el 2008 el pronóstico fue 175.

Año Actual
2008 180
2009 168
2010 159
2011 175
2012 190
3.3. Ejemplo: Suavización Exponencial

Ft+1 = Ft + α· (Dt - Ft)

PronósticoF t+1
Año Dt ( α = 0.10)
2008 180 175.00 (Base)
2009 168 175.00 +
2010 159
2011 175
2012 190
NA
3.3. Ejemplo: Suavización Exponencial

Ft+1 = Ft + α· (Dt - Ft)

PronósticoF t+1
Año Dt
(α = 0.10)
2008 180 175.00 (Base)
2009 168 175.00 + 0.10(
2010 159
2011 175
2012 190
2013 NA
3.3. Ejemplo: Suavización Exponencial

Ft+1 = Ft + α· (Dt - Ft)

PronósticoF t+1
Año Dt (α = 0.10)
2008 180 175.00 (Base)
2009 168 175.00 + 0.10(180 -
2010 159
2011 175
2012 190
2013 NA
3.3. Ejemplo: Suavización Exponencial

Ft+1 = Ft + α· (Dt - Ft)

PronósticoF t+1
Año Dt (α = 0.10)
2008 180 175.00 (Base)
2009 168 175.00 + .10(180 - 175.00)
2010 159
2011 175
2012 190
2013 NA
3.3. Ejemplo: Suavización Exponencial

Ft+1 = Ft + α· (Dt - Ft)

PronósticoF t+1
Año Dt ( = 0.10)
2008 180 175.00 (Base)
2009 168 175.00 + .10(180 - 175.00) = 175.50
2010 159
2011 175
2012 190
3.3. Ejemplo: Suavización Exponencial

Ft+1 = Ft + α· (Dt - Ft)

PronósticoF t+1
Año Dt (α = 0.10)
2008 180 175.00 (Base)
2009 168 175.00 + .10(180 - 175.00) = 175.50
2010 159 175.50 + .10(168 - 175.50) = 174.75
2011 175 174.75 + .10(159 - 174.75) = 173.18
2012 190 173.18 + .10(175 - 173.18) = 173.36
2013 NA 173.36 + .10(190 - 173.36) = 175.02
4. Evaluación de Pronósticos: Medición del
Error

• Comparar la precisión de dos o más técnicas

de pronósticos.
• Medir la confiabilidad de una técnica de
pronóstico en particular.
• Buscar la técnica más óptima.
Indicadores de la Medición del Error
INDICADOR DESCRIPCIÓN FÓRMULA

* Se usa debido a su sencillez y utilidad para obtener

Desviación señales de rastreo.
Absoluta Media * Es valiosa porque, al igual que la desviación estándar,
(DAM) mide la dispersión de un valor observado que se aleja del
valor esperado.

Error Medio * Da a conocer que tan grande es el error en el pronóstico,

cuando el error es más grande, al elevarlo al cuadrado
Cuadrado penaliza cada error, indicando si tengo errores pequeños,
(EMC) moderados o son muy grandes.

% Error Medio
* Es útil para comparar la precisión de la misma u otra
Absoluto técnica sobre dos series completamente diferentes.
(PEMA)
* Determinar si el pronóstico está sesgado o no
(orientación o tendencia), si no está sesgado, dará un %
muy cercano a cero, que puede ser (+) o (-) .
% Medio de * Si el % es (-), está sobrevalorado y debo realizar los
Error (PME) ajustes pertinentes.
* Si el % es (+), indica que es subvalorado y también debo
realizar los ajustes, para tratar que el % sea el más cercano
a cero.
Señal de Rastreo (SR)
• Indica si el promedio del pronóstico esta siguiendo el ritmo de un
verdadero cambio ascendente o descendente en la demanda.
• Constituye el número de desviaciones medias absolutas en que el
valor del pronóstico está por arriba o por debajo de los hechos.

SR =  (y − ý )
t t

DAM
 Análisis de Regresión
• Regresión: nos permite ajustar una nube de puntos a una recta
(ajuste lineal) o curva (ajuste no lineal), lo que equivale a
conocer la forma en la que se relacionan las variables. De otra
manera, la regresión determina la mejor de las rectas o curvas.

Ý = Variable dependiente o valor pronosticado en un periodo X

a = Es la intersección Y o valor de la tendencia cuando X = 0
b = Pendiente de la recta de tendencia
X = Variable independiente o periodo (codificado)

Y = A + BX
Tendencia Lineal
El método más empleado para describir una tendencia lineal es
el de Mínimos Cuadrados, para encontrar una línea de mejor
ajuste para un conjunto de puntos.

Y = A + BX
n xy −  x y
B=
n x − ( x )
2 2

A=  y
−B  x
n n
Análisis de Correlación
El coeficiente de correlación de Pearson (r), es un número que
indica el grado o intensidad de asociación entre las variables X e
Y. Su valor varía entre -1 y +1.
Por tanto tan importante será conocer la forma en que se
relacionan las variables (de eso se ocupa la regresión), como
conocer el grado de asociación/dependencia de dichas variables
(de esto se ocupa la correlación).
n n n
n X iYi −  X i  Yi
r= n
i =1
n
i =1
n
i =1
n
n X i2 − ( X i ) 2 n Yi 2 − ( Y1 ) 2
i =1 i =1 i =1 i =1
Interpretación de (r)

Si 0.00 ≤ r < ±0.20 existe correlación no significativa.

Si ±0.20 ≤ r < ±0.40 existe una correlación baja.

Si ±0.40 ≤ r < ±0.70 existe una correlación significativa.

Si ±0.70 ≤ r < ±1.00 existe un alto grado de correlación.

Si r = 1 existe una correlación perfecta positiva.

Si r = 0 no existe correlación.

Si r = -1 existe una correlación perfecta negativa.

Correlación
Coeficiente de Determinación (r2)

El coeficiente de determinación (r2), es para evaluar qué tan

correcta es la estimación de la recta de regresión.

n xy −  x y 
2

=
n x − ( x) n y − ( y) 
2
r 2 2 2 2

El coeficiente de determinación toma valores entre 0 y 1.

Interpretación de (r2)

• Si toma el valor “0”, la regresión no explica nada de la

variabilidad de los valores observados y por lo tanto el
ajuste obtenido no modeliza la relación entre variables.

• Si toma el valor “1”, es cuando el ajuste efectuado recoge

toda la variabilidad de la variable original, y por tanto el
ajuste es perfecto.

• Si toma valores entre “0” y “1”, el ajuste es tanto mejor

cuanto más se aproxima a 1. Los ajustes se consideran
razonables cuando r2 ≥ 0.75
5. Herramientas del Excel para generar Pronósticos

Demanda (D)
70

60

50

40

30 Demanda (D)

20 y = 2.8811x + 19.273 Lineal (Demanda (D) )

R² = 0.6838
10 y = 0.3896x2 - 2.1838x + 31.091 Polinómica (Demanda
R² = 0.8005 (D) )
0
 Conclusión
¿Qué aprendimos hoy?

1. Introducción a las Series de tiempo.

2. Componentes de Series de tiempo.

3. Modelos de Series de tiempo.

4. Evaluación de pronósticos.
5. ¿Cómo aplicaré este conocimiento en mi carrera?
 Reflexión

“ Tu estas donde estas y eres lo que eres,

por lo que has puesto en tu mente, si
quieres cambiar donde estas y quieres
cambiar lo que eres, cambia lo que
pones en tu mente ”
Zig Ziglar
 PRÓXIMA CLASE Aplicación
De acuerdo a lo aprendido:
• Trabajo personal: Desarrollar los ejercicios propuestos de
pronósticos de Series de tiempo en el Aula virtual.
• Trabajo en equipo: Primer avance.
Con la información obtenida en la investigación de su
empresa (Demanda), elaborar los diferentes pronósticos de
ventas de Series de tiempo y regresión, su evaluación y
análisis para determinar cuál es el que más se ajusta.
 Bibliografía
• Chapman, Stephen (2006), Planificación y Control de
la Producción, primera edición, Editorial Pearson
Educación.
• Chase, Jacobs y Aquilano (2005), Administración de
la Producción y Operaciones para una ventaja
competitiva, décima edición, Editorial McGraw-Hill.
• D´Alessio, Fernando (2004), Administración y
Dirección de la Producción, segunda edición,
Editorial Pearson Educación.