Capitulo 2 Pronósticos

Capitulo 2
Pronsticos
Produccin II - Pronsticos 1
PRONSTICOS
Que es y para qu se usan:
Es una prediccin 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 mquinas.
Reducir los tiempos de produccin.
Recortar los inventarios.
Los mtodos de pronsticos generalmente se basan en modelos

matemticos que se respaldan por datos histricos disponibles.
PRONSTICOS
Son estimaciones de la ocurrencia, la cronologa o la
magnitud de futuros eventos inciertos.
Objetivos Pronsticos Polticas Presupuestos
Este pronstico se traduce a su vez

En el mbito de las operaciones, la expresin
El propsito de pronosticar es usar
en poltica mediante un
ms sucinta de los objetivos es el pronstico
la mejor informacin disponible
presupuesto para
de operacin, que es la
de ventas (demanda), que puede considerarse
guiar las actividades futuras
representacin cuantitativa de la
como el enunciado cuantitativo de los
tendientes objetivos
al cumplimiento decorporativa.
poltica las
corporativos de la empresa.
metas de la organizacin.
PRONSTICOS
En qu se basan ?
Generalmente, los pronsticos son respaldados por consejeros econmicos,
estadsticos, polticos y tcnicos, y se basa en informacin sobre los aspectos tales
como:
Niveles de produccin industrial, tanto nacionales como internacionales.
Gasto pblico.
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 tecnolgicos.
Recursos e historial de la empresa.
Objetivos, polticas y planes de la empresa a largo plazo.
.
PRONSTICOS
Qu se pronostica?
Principalmente la DEMANDA... pero tambin:
Precios de materiales
Costo de mano de obra
Tasas de inters
Ingresos
Gastos
El Rol de los Pronsticos en la Administracin
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 implantacin (entrega, proceso,

decisin, construccin).
Tiempos largos de implantacin incrementan el riesgo en la toma de decisiones

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

pronsticos.
Un sistema jerrquico de pronsticos debe soportar la toma de decisiones

jerrquica de una empresa..
Jerarqua de Metas, Decisiones y Funciones
Objetivos Horizonte de Decisiones Tpicas

Jerarqua de Decisiones
Administrativos Pronsticos de Manufactura
Planeacin de 3 - 20 aos. Planeacin: Metas de
metasde la En aos, rentabilidad, calidad,
Planeacin
organizacin. meses o participacin de mercado,
Estratgica
trimestres. servicio al consumidor,
automatizacin.
Administrar la 3 meses a 3 Administracin: Finanzas,
adquisicin de aos. Mercadotecnia, Ventas,
Planeacin
recursos para En meses o tamao y localizacin de
Administrativa
cumplir metas semanas instalaciones, produccin
agregada. (MPS)
Administrar 1 mes a 2 Administrar y Control
efectiva y aos. Distribuir y producir,
eficientemente la Planeacin planear reqs. de
En meses o
asignacin de los y Control Operativo capacidad y materiales
semanas.
recursos.
Control diario 1 da a un mes. Control de produccin

operativo. Proceso de Transacciones compras, pedidos, trfico
Fundamentos de Pronsticos
Un pronstico es un estimado o descripcin de un valor o condicin

futura.
Un buen pronstico debe ser un estimado probabilstico de un valor futuro
que incluye media, rango y una inferencia de probabilidad. Por ejemplo las
ventas esperadas del prximo mes sern de 400 unidades con un 70% de
probabilidad de que estn entre 300 y 500
Los pronsticos siempre son errneos, y cuando aciertan es por razones
equivocadas.
La mayora de los pronsticos se basan en el supuesto de que el pasado
se repite.
Pronstico de Demandas
Pronosticar las demandas independientes y calcular las dependientes.

Principio del pronstico nico:
Todos los pronsticos de un producto o actividad deben ser iguales.
Normalmente existen diferentes pronsticos de demanda de un producto
realizados por diferentes funciones de la empresa, unos a nivel agregado y
otros a nivel desagregado.
La utilizacin de diferentes pronsticos origina que la toma de decisiones
en las funciones de la empresa sea inconsistente e incongruente.
Sistema Operativo de Pronsticos
Un sistema operativo de pronsticos debe soportar ms los pronsticos de grupos

de artculos.
Un sistema operativo de pronsticos se conceptualiza normalmente como un
sistema computacional que;
procesa un alto volumen de informacin rpidamente y con alta precisin,
proporciona pronsticos para miles de artculos mensualmente, modela tendencias y
estacionalidades,
proporciona interfaces grficas, interactivas y de diagnstico,
captura informacin de demanda de diversas partes,
genera reportes jerrquicos para la administracin, etc.
Los mdulos que integran un sistema operativo de pronsticos son: Captura de
datos, pronsticos, interaccin e interfase con la administracin, control y
mantenimiento del sistema, reportes, y la base de datos.
Integracin de Base de Datos de Demanda
La integracin de la base de datos de demanda no es tarea fcil.
El resultado final de un buen pronstico es la satisfaccin del consumidor y el
logro de rentabilidad duradera de la empresa.
El concepto de servicio al consumidor se relaciona con l, atravs de las
ventas prdidas y envos de rdenes tardas.
Generalmente estos conceptos distorsionan los datos histricos, los cuales
pierden precisin para la estimacin de la demanda.
Los datos histricos de ventas son iguales al valor mnimo entre la demanda y la
oferta de artculos.
Ordenes tardas 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.
Integracin de Base de Datos de
Demanda
La demanda es la cantidad de artculos pedida, n la prometida.
Capturar la cantidad requerida por el cliente antes de informar sobre la no
disponibilidad de artculos.
La falta de un artculo puede causar la prdida de ventas de otros
complementarios.
La falta de un artculo puede distorsionar la historia de demanda de los
artculos 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 pronsticos requiere de bases de datos de demanda
precisas.
Una base de datos de demanda precisa es un recurso estratgico.
Integracin y Tipos de Pronsticos
Los sistemas de pronsticos consideran la utilizacin de 3 tipos de

pronsticos:
Pronsticos Tipo 1: Pronsticos a detalle de corto plazo para la planeacin
operativa de artculos.
Pronsticos Tipo 2: Pronsticos agregados de mediano y largo plazo para la
planeacin estratgica, financiera, de mercado y operativa.
Pronsticos Tipo 3: Pronsticos agregados de largo plazo para anlisis
estratgico y toma de decisiones que integra el corto y largo plazo.
Los pronsticos operativos de corto plazo deben hacerse en semanas o
meses.
Los pronsticos para planeacin de largo plazo deben hacerse en
trimestres o aos.
Tipos de Mtodos de Pronsticos
Mtodos de
Pronstico
Previsiones Predicciones
Se emplean cuando la situacin es Se emplean cuando la situacin
Mtodos basados en
estable y existen datos no es clara y existen pocos
Cuantitativos opinionesCualitativos
o estimados
histricos: Productos existentes, datos: Productos nuevos,
subjetivos o de juicio.
Tecnologa actual. Nueva tecnologa.
Estadstico quede
depende, Opinin Ejecutiva
Dependencia de datos histricos
Series de Analoga Histrica
Causal fundamentalmente,
variables independientes: de los
Tiempo Delphi
datos histricos de la
Campaa de promociones
demanda. Investigacin de Mercado
Condiciones econmicas
Actividades de los competidores
Proyeccin de tendencias
Proyeccin de
Suavizacin ajustadas por influencias
tendencias
estacionales
14
PRONSTICOS
Demanda
Suelen variar considerablemente tanto para bienes y servicios.
Pronosticar la demanda descubrir los patrones bsicos 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 bsicos.
a. Horizontal.
b. De tendencia.
c. Estacionalidad.
d. Cclico.
e. Aleatorio.
Patrones de Demanda
Cantidad
Tiempo
(a) Horizontal: Cmulos de datos en torno a una

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

consistente a travs 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 poblacin, ingresos, etc. influyen en la
tendencia.
Varios periodos de duracin.
Respuesta
Mes, trimestre, ao
Patrones de Demanda
Cantidad
Ao 1
Ao 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.
Patrones de Demanda
Estacionalidad
Muestra de datos de ascenso o descenso que se repiten.
Se puede ver afectada por la climatologa, las costumbres,
etc.
Se produce dentro de un periodo anual.
Verano
Respuesta
Mes, trimestre
Produccin II - Pronsticos
20
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Aos
(d) Cclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos perodos de
tiempo.
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 duracin y no se repiten.
Patrones de Demanda
Los patrones a, b, c y d (Horizontal, de tendencia,

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

pero no necesariamente a todos los sectores de productividad o
servicios. (Ej. Elctricas v/s carbn)
Un factor importante es:
Punto de Inflexin: perodo en que cambia la tasa de crecimiento a lo

largo de la demanda del producto, difcil de prever el momento preciso,
pero a travs de algunas series de tiempo se tienen dichos puntos y
pueden ser tiles para estimar que ocurrir en la organizacin.
PRONSTICOS
Factores externos (continuacin)
Indicadores Tempranos: representan factores externos cuyos puntos de
inflexin anteceden a crestas y valles del ciclo general de los negocios.
Ej. Incremento en ventas de residencias en verde
Indicadores Coincidentes: los puntos de inflexin coinciden con el ciclo
general de los negocios
Ej. Cifras de desempleos, temporeras
Indicadores retrasados: se presentan a continuacin de los puntos de
inflexin con demora de varias semanas o meses.
Ej. Prstamo comercial para expandir la empresa
Otros factores: - Gustos cambiantes (ropa)
- Imagen del artculo (cigarros vs. cncer)
- Actividad de la competencia (publicidad)
PRONSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el volumen
de la demanda como es:
Diseo de producto o servicio.
Los precios y promociones publicitaria
Diseo de envases.
Incentivos para los vendedores
Expansin o contraccin del rea geogrfica seleccionada como

objetivo de mercado.
PRONSTICOS
Factores internos
Administracin 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 mxima demanda, se crean

incentivos de precios o promociones antes y despus para que compren.
Compaas programan fechas de entrega del producto o servicios de

acuerdo a sus capacidades (Ej. Mdicos, dentistas, productos
personalizados)
PRONSTICOS
Diseo del sistema de Pronstico
Gerencia frente a un pronstico debe tomar tres decisiones
Qu va a pronosticar.
Qu tipo de tcnica va a aplicar
Tipo de hardware o software o ambos que utilizar
I. Qu va a pronosticar
1. Nivel de acumulacin
Es agrupar varios productos o servicios similares, con lo cual las
compaas pueden realizar pronsticos ms asertivos y derivar por
productos o servicios
Esta forma con lleva a un error generalmente es 5%.
Al pronosticar por artculo el error es >> 5%
PRONSTICOS
Qu va a pronosticar (continuacin)
Sistema a dos niveles.
1er pronstico: Familias bienes o servicios con similares caractersticas en:
-- Requisitos de demanda
Procesamiento
Trabajo y Materiales.
2do pronstico: de las cifras generales se deriva el pronstico por elemento
individual.
2. Unidades de medicin
De mayor utilidad son las unidades de productos o servicios y no de dinero.
Ej. Unidades de radios, paquetes por entregar, nmero de clientes, etc.
Cuidado! No es til ingresos por ventas. (Ej. minoristas)
PRONSTICOS
Enfoques del Pronstico
Mtodos cualitativos Mtodos cuantitativos
Se emplean cuando la situacin no es Se emplean cuando la situacin es
clara y existen pocos datos: estable y existen datos
Productos nuevos. histricos:
Nueva tecnologa. Productos existentes.
Tecnologa actual.
Requieren intuicin y experiencia: Requieren tcnicas matemticas:
Por ejemplo, el pronstico Por ejemplo, el pronstico de
de las ventas a travs de las ventas de televisiones en
Internet. color.
PRONSTICOS
II. Decisin del tipo de tcnica de pronstico
La precisin de pronstico depende de la seleccin de una tcnica
apropiada y de los costos que esto puede acarrear, para este ltimo:
Comprar un software.
Tiempo requerido para hacerlo
Capacitacin del personal
Tcnicas
Cualitativa:
Mtodo de juicio
Cuantitativa:
Mtodos Causales
Anlisis de serie de tiempo
PRONSTICOS
Decisin del tipo de tcnica de pronstico (continuacin)
Cualitativos
Mtodo de juicio: cuando no se dispone de datos histricos
Opinin de Gerentes y Expertos
Encuestas de consumidores
Estimaciones entregadas por rea de ventas
Cuantitativos
Mtodos Causales: Dependencia de datos histricos de variables
independientes:
Campaa de promociones
Condiciones econmicas
Actividades de los competidores
Anlisis de Serie de Tiempo estadstico que depende,
fundamentalmente, de los datos histricos de la demanda.
PRONSTICOS
Decisin del tipo de tcnica de pronstico (continuacin)
Tcnicas
Anlisis de serie de tiempo es de mayor utilizacin, es econmico.
Mtodos Causales menos ocupado, ms costoso, mayor tiempo de
procesamiento que el anterior pero ms preciso.
Mtodo de juicio cuando no se dispone de datos histricos, ms
costoso que el primero.
Un factor clave en la seleccin del pronstico ms adecuado es el
HORIZONTE DE TIEMPO: corto, mediano y largo plazo.
Corto plazo ( 0 3 meses)

tiles en la determinacin de productos o servicios individuales.
Caso pronstico de demanda, problemas:
Escaso tiempo para reaccionar frente a posibles errores.
Se debe alcanzar la mayor precisin posible para planificar.
Horizonte de tiempo
Mediano plazo Largo plazo
Corto plazo (3 Meses - (ms de
Aplicaciones (0-3 Meses) 2 Aos) 2 Aos)
Cantidad pronosticada Productos o
servicios
Individuales
rea de decisin Administracin

de inventario.
Programacin de
ensamble final.
Programacin de
la fuerza de trabajo.
Programacin de
produccin.
Tcnica Series de Tiempo
de pronstico Causal
De juicio
34
PRONSTICOS
Horizonte de tiempo (continuacin)
Mediano plazo ( 3 meses 2 aos )

Este horizonte se relaciona con la planificacin 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 nmero de
unidades de un grupo familiar.
Tcnicas
Mtodos Causales eficaz para estimar puntos de inflexin, crecimientos
lentos de ventas, til para gerentes de produccin.
Mtodo de juicio tambin estima puntos de inflexin, usado cuando no
existen antecedentes histricos.
Cuidado! Anlisis 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 - Aos 2) (ms de 2 Aos)
Cantidad pronosticada Productos o Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
rea de decisin Administracin Planificacin de
de inventario personal
Programacin de Planificacin de Prod.
ensamble final Programacin de
Programacin de produccin
la fuerza de trabajo Compras
Programacin de Distribucin
produccin
Tcnica Series de Tiempo
de pronstico Causal Causal
De juicio De juicio
PRONSTICOS
Horizonte de tiempo (continuacin)
Largo plazo ( ms de dos aos)
Sus pronsticos se elaboran en torno a la demanda total de ventas en
trminos de dinero u otras como: kilogramos, barriles, HP etc.
Son difciles de realizar.
Son excesivamente detalladas.
Tcnicas
Mtodos Causales aunque es un anlisis matemtico, igual deben
ser revisados por la experiencia y el buen juicio.
Mtodo de juicio
Horizonte de tiempo
Corto plazo Mediano plazo Largo plazo

Aplicaciones (0-3 Meses) (3 Meses - 2 Aos) (ms de 2 Aos)
Cantidad pronosticada Productos o Total de ventas Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
rea de decisin +Administracin +Planificacin de + Localizacin
de inventario. personal + Planificacin de
+Programacin de + Planificacin de Prod. capacidad
ensamble final. +Programacin de + Administracin
Programacin de produccin de procesos
la fuerza de trabajo. Compras
Programacin de Distribucin
produccin.
Tcnica Series de tiempo
de pronstico Causal Causal Causal
De juicio De Juicio De juicio
38
III. Pronstico por medio de Computadoras
Contesta la pregunta qu tipo de hardware o software o ambos utilizar?

Se aplica para cortos plazos y en el mercado existen muchos paquetes
que se clasifican como:
Sistemas manuales: Usuario selecciona la tcnica de pronstico y
parmetros.
Sistema semiautomtico: Usuario especifica la tcnica pero el software
determina los parmetros para el modelo.
Sistema automtico: Software analiza los datos, sugiere tcnica y
parmetros.
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
Anlisis de Mtodos
Mtodo de Juicio
Utilizado cuando:
No existen datos histricos.
Cambio de tecnologa.
Modificacin de pronsticos cuantitativos (resultados extraos)
Se confa en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimacin de la fuerza de ventas
Personas cerca de los clientes
Ventajas
Mayor probabilidad de conocer que productos o servicios comprarn los
clientes.
Informacin til para administrar inventario, distribucin, formacin de equipos
de venta.
Combinar todas las opiniones para obtener una sola por ejemplo para una
regin.
Anlisis de Mtodos
Mtodo de Juicio (continuacin)
Desventajas
Algunos muy optimistas otros muy cautelosos
No diferencian entre lo que el cliente desea y lo que realmente necesita.
Vendedores subestiman el pronstico, para que su rendimiento parezca
bueno, cuando supera la proyeccin o esforzarse solamente para alcanzar
meta.
2.- Opinin Ejecutiva
Uso
Modificar un pronostico de venta actual, debido a un evento inesperado.
Elaborar pronsticos tecnolgicos.
Desventajas
Puede ser costosa.
Puede quedar fuera de control.(sin la aprobacin colectiva)
Anlisis de Mtodos
3.- Investigacin de Mercado

Creacin y puesta en marcha de diferentes hiptesis por medio de una encuesta, para
determinar el grado de inters del consumidor.
La investigacin incluye:
Diseo de un cuestionario, para obtener informacin econmica, demogrfica e inters(es)
de cada persona.
Aplicacin: - Telfono Correo Entrevista
Seleccin de la muestra representativa.
Anlisis de la informacin. Interpretacin con criterio estadstico.
Uso, pronosticar la demanda con precisin:
Excelente a corto plazo.
Buena a mediano plazo.
Regular a largo plazo.
Desventajas
Costosas, errores en la formulacin e interpretacin de las respuestas.
Limitaciones (Ej. Respuestas por correo)
Anlisis de Mtodos
4.- Mtodo 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, poltica,
negocios, cientfico, ambientalistas, etc.
Uso
Pronosticar a largo plazo.
Proyeccin de venta de un producto nuevo.
Desventajas
Puede alargarse por mucho tiempo (ms de un ao).
Probabilidad de respuestas menos significativas que si ellos no asumen el
problema.
Pocas evidencias de alto grado de precisin.
Los cuestionarios mal planteados conducen a errores.
Visin Global de los Mtodos Cuantitativos
Mtodo
Regresin lineal
causal
Promedio mviles simples

Promedio mviles ponderados Modelos de
Suavizacin exponencial series temporales
Proyeccin de tendencia
Mtodo Causal
Regresin Lineal
Se dispone de datos histricos, se puede relacionar lo que se intenta pronosticar
con otros factores externos o internos.
Ventajas
Posee instrumentos ms refinados de pronsticos.
Excelente para prever puntos de inflexin de la demanda.
til para pronsticos de mediano o largo plazo.
Regresin lineal consiste en que una variable dependiente se relaciona con una
o ms variables independiente por medio de una expresin algebraica.
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construccin
de nuevas viviendas.
Modelo de mayor sencillez: y = a + bx
Mtodo Causal
Regresin Lineal
Y Ecuacin de
Estimacin de
Variable Dependiente
Y a partir de
regresin:
la ecuacin Y = a + bX
de regresin
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
46
Mtodo Causal
Regresin Lineal
Desviacin
Y o error
Ecuacin de
Variable Dependiente
Estimacin de regresin:
Y a partir de
la ecuacin
Y = a + bX
de regresin
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
47
Mtodo Causal
Regresin Lineal
Objetivo del anlisis de regresin 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 precisin del pronstico (existen 2)
1.- Coeficiente de correlacin de la muestra ( r )
Mide la intensidad y direccin de la relacin 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 perodo, en la direccin
(incrementos o decrementos) de la variable independiente, siempre lo
acompaa los cambios de la variable dependiente en la misma direccin.
r = - 1,00 los decrementos de x siempre va acompaados de los
incrementos de y , y viceversa.
Cuando ms se aproxime el valor de r a 1,00 ser ms adecuado el
ajuste de la lnea de regresin respecto a los puntos de la grfica.
Mtodo Causal
Regresin Lineal
2. Coeficiente de determinacin de la muestra ( r 2)

Mide la variacin que representa y respecto a su valor medio.
Coeficiente de determinacin = (Coeficiente de correlacin)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

pronstico generado por la ecuacin de regresin se encuentran muy
relacionadas, en caso de alejarse ( 0,75) significa que existen otras
variables que estn afectando.
Desviacin Estndar (Syx): Promedio de desviacin de las puntuaciones

con respecto a la media.
Cuando mayor sea la dispersin de los datos alrededor de la media
mayor ser la desviacin estndar.
Mtodo Causal
Regresin Lineal
Ejercicio prctico:
La persona a cargo de programar la produccin de la compaa, tiene
que elaborar un pronsticos de la demanda de un producto, a fin
de plantear las cantidades de produccin ms apropiadas
Durante un almuerzo de negocios, el gerente de Marketing aporta
informacin sobre el presupuesto de publicidad destinado a una
bisagra de bronce para puertas.
Se presenta a continuacin los datos sobre ventas y publicidad
correspondiente a los ltimos cinco meses.
La gerencia de Marketing afirma que la compaa gastar el mes
entrante US$1.750 en publicidad para el producto. Aplique la regresin
lineal para desarrollar una ecuacin y un pronstico para ese producto.
Mtodo Causal
Regresin 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 travs de la calculadora
Ejemplo 01
Mtodo Causal
Regresin 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 prximo
Pronstico
Pronstico
fuerte
Publicidad relacin
(miles de
para
para
entre Mes
Mes
ventas
dlares)
66
y publicidad, la seleccin 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 variacin observada en las
ventas, se atribuye aIIlos
Produccin gasto involucrados de publicidad.
- Pronsticos 52
Mtodo Causal
Regresin 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
| produccin
| puede utilizar este
1.0
pronstico 1.5 saber
para 2.0las bisagras
2.5 que necesitar en el mes 6.
Publicidad
Si suponemos(miles
quede
sedlares)
tiene en inventario 62.500 unidades,
Cunto deber planificar como produccin?.
Ejemplo 01
Mtodo Causal
Regresin 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 dlares)
Produccin = 183,015 - 62,500 = 120,015 unidades
Ejemplo 01
Mtodo Causal
Regresin Lineal
El anlisis de regresin es una buena gua para decisiones importantes
como:
Administracin de inventarios.
Planificacin de capacidades.
Administracin de procesos.
Anlisis de regresin mltiples

Se da cuando la variable dependiente (Y) depende de ms de una
variable independiente. (Ej. Bisagra de bronce)
Son costosas, debido a la gran cantidad de datos que se acumula y su
posterior anlisis e interpretacin.
Mtodo Causal
Regresin 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 demostracin.
Ejemplo 01
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin
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 dlares)
Y = - 8.136 + 109.229(X)
Ejemplo 01
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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
nXY - X Y
r= correlacin de
[nX 2 -(X) 2][nY 2 - (Y) 2] la muestra
Ejemplo 01
Mtodo Causal
Regresin 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
Mtodo Causal
Regresin 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 Desviacin
determinacin estndar
Ejemplo 01
Mtodo Causal
Regresin Lineal
1
Pronstico
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 N de cambios de aceite

Enero 41
Febrero 46
Marzo 57
Abril 52
Mayo 59
Junio 51
Julio 60
Agosto 62
a. Aplique el anlisis de regresin lineal simple y elabore un mtodo de
pronstico para la demanda mensual. En esta aplicacin Y (variable
dependiente) corresponde a la demanda mensual, X (variable independiente)
representa el mes, para enero X = 1, para febrero X = 2, y as sucesivamente.
b. Utilizando el modelo realice un pronstico de demanda para septiembre,
octubre y noviembre.
b = 2,45 a = 42,475 r = 0,817 r2 = 0,668
Solucin
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
Mtodo Series de Tiempo
Usa solo informacin referida a la variable dependiente.
Supuesto: La variable dependiente (su patrn) del pasado continua en el

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

patrn histrico observado anteriormente en la demanda dependiente
generando un modelo que pueda reproducir dicho patrn.
Modelo de Pronstico Emprico
Mtodo sencillo de series de tiempo.

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

Martes 35 visitas sitio Mircoles 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 perodo.
Modelo de Pronstico Emprico (continuacin)
1 semana 2 semana 3 semana 4 semana

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

Los pronsticos de los meses del ao entrante ser el reflejo de la demanda
real observada en los mismos meses del ao anterior. Ejemplo:
Julio 2002 Julio 2003
50.000 unid. 50.000 unid.
Ventajas del pronstico emprico

Simplicidad
Bajo costo
Funciona bien cuando las demanda son estables (variac. azar pequeas)
Estimacin 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 tambin: de tendencia o estacinales o cclicos, se

har inicialmente el estudio sin considerar estos.
Estimacin del promedio (continuacin)

El patrn horizontal de una serie de tiempos se basa en la media de las
demandas poner atencin en los mtodos de pronsticos en los que
se estima el promedio de una serie de datos a travs del tiempo.
El pronstico de la demanda para cualquier perodo futuro es el promedio

de las series de tiempos calculadas en el perodo actual. Ejemplo:
Ejemplo
Clnica: llegada de pacientes en las
Llegadas de pacientes
ltimas 28 semanas.
Patrn de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cclico.
Serie de tiempo: muestra un patrn
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede Llegadas reales
prever, no quedamos tranquilos al de pacientes
estimar solo promedios.
Semana
Tcnicas estadsticas tiles para el pronstico de series de tiempo:
Promedio mviles simples.
Promedio mviles ponderados.
Suavizacin exponencial.
Mtodo de Promedio Mviles Simples (MA)

Uso: estima el promedio de una serie de tiempos de demanda y suprime
de esta forma las fluctuaciones al azar.
til: cuando la demanda no tiene tendencias pronunciadas ni influencias
estacinales.
Clculo: para n perodos ms recientes, con el fin de usarlos como
pronsticos para el siguiente perodo.
Pronstico al perodo t + 1
Suma de las n ltimas demandas
F t + 1= At =
n
Mtodo de Promedio Mviles 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 perodo t
n = Nmero total de perodos incluidos en el promedio.
F t + 1 = pronstico para el perodo t + 1

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

La estabilidad de una serie correspondiente a la demanda determina
cuantos perodos sern necesarios incluir o sea n.
Serie de demanda estable son aquellas para los cuales el promedio
cambia solamente en forma infrecuente.
Clculo del Promedio Mvil, At
Elabore un pronstico de promedio mvil de tres semanas para estimar la
llegada de pacientes a la clnica mdica durante la cuarta semana. Los datos
correspondientes a la llegada de pacientes durante las ltimas tres semanas
fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
Si el nmero real de llegadas de pacientes durante la semana cuatro fue de

415 Cul ser el pronstico 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 Mviles Simples
450
430
410
390
370
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Produccin II - Pronsticos 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
Pronstico MA
450 Pronstico MA
6-semanas
3-semana
430
410
390
370 Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Problema
La duea de una tienda de computadores arrienda impresoras a algunos
de sus mejores clientes. Ahora le interesa elaborar un pronstico de sus
operaciones de arriendo para poder comprar la cantidad apropiada de
suministros para sus impresoras. A continuacin se entregan los datos
correspondiente a las 10 ltimas 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 pronstico para la semana 6 a 10, usando un promedio mvil

simple de cinco semanas. cul ser el pronstico para la semana 11?
Semana Arriendo Semana Arriendo
1 23 6 28 Solucin
2 24 7 32
3 32 8 35
4 26 9 26
5 31 10 24
Perodo Demanda Promedio Pronstico 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 Mviles Ponderados
Cada una de las tendencias histricas que intervienen en el promedio

pueden tener su ponderacin, la suma de estas debe ser 1,00.
Ejemplo: En tres perodos, al ms reciente puede asignarse ponderacin

0,50, al segundo ms reciente 0,30 y el tercero ms 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 Mvil Ponderado, AWt
Ventaja
Permite hacer nfasis en la demanda reciente.
Responde mejor que el pronstico de promedio mvil simple.
Desventaja
Sigue retrasndose con respecto a la demanda porque slo 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 disminucin en
forma sistemtica.
El analista que est a cargo de la clnica mdica ha asignado

ponderaciones de 0.70 a la demanda ms 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 pronstico de promedio mvil ponderado
para la semana cuatro.
Semana Llegada de pacientes Ponderacin

1 400 0,1
2 380 0,2
3 411 0.7
N
D1 =400 W1 = 0,1 AWt D t j1 Wt j1
j1
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 pronstico 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)

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 = 410,7 = 411 pacientes

370 Actual patient
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
Problema
Las ventas realizadas en los ltimos doce meses por la minera
El Indio aparecen a continuacin.
Mes Ventas
(US$ millones) Utilice un promedio mvil 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 ponderacin mayor a los
Abril 31
datos ms recientes.
Mayo 37
Junio 47
Julio 53
Agosto 62
Septiembre 54
Octubre 36
Noviembre 32
Diciembre 29
Promedio mvil ponderado minera El Indio
Mes Ventas reales Cada tres meses

(US$ millones) Pronstico 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 mtodo consiste en estimar la demanda promedio suavizada (ajustada) para el

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

La constante de suavizamiento o tasa de respuesta ,

representa la proporcin 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 ltima demanda
=1
Si se cree en la historia
=0

At = Dt + ( 1 - ) A t 1 At = A t - 1 + ( Dt - At-1 )
Ft+1 = A t 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 = Pronstico para el periodo t+1
et = error aleatorio para el periodo t

Mtodo de promedio mvil 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 pronstico del ltimo perodo
Demanda de ese perodo
Un parmetro suavizador , cuyo valor flucta entre 0 y 1,0

F t+1 = (Demanda para ese perodo) + (1 - )(Pronstico calculado para

ese ltimo perodo)
F t+1 = D t + (1 - ) F t equivalente a:
Es igual al pronstico del perodo actual

F t+1 = F t + ( D t - F t ) ms una proporcin del error del pronstico
correspondiente al mismo perodo actual.

Formas de Uso
Se requiere de las demandas histricas (Dt) y del pronstico ms reciente
(Ao = F1)
A1 = D1 + (1 - ) A0 F2 = D1 + ( 1 - ) F1
A2 = D2 + (1 - ) A1 F3 = D2 + ( 1 - ) F2
Se va calibrando
Tambin 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 estimacin inicial de

Ejemplo:
Suponiendo alfa = 0.20 , el pronstico 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 expandindola, obtenemos:

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

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

En la prctica se ensaya con diversos valores de y se selecciona

el que produzca los mejores pronsticos, estos valores puede ser
altos o pequeos.
El trabajo con la suavizacin exponencial requiere de un pronstico

inicial que se puede obtener de dos formas:
1. Usar la demanda del ltimo perodo.

2. Con datos histricos, calcular el promedio de varios perodos
recientes de demanda.

El analista que est a cargo de la clnica mdica utilizar el mtodo de

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

1 400
2 380
3 411

D1 =400
D2 =380
D3 = 411
415
410 411
405
Pronstico 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 Suavizacin
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Suavizacin Exponencial
Pronstico MA Pronstico MA
450
3-semanas 6-semanas
430
410
390
370 Suavizacin
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Suavizamiento Exponencial Simple Problema
02) Nicos y Cia Ltda. Vende y repara mquinas de fotocopiado. El gerente

necesita pronsticos semanales de las solicitudes de servicio, a fin de
poder programar las actividades de su personal de servicio. El pronstico
correspondiente a la semana del 3 de julio fue de 24 llamadas para
servicio. El gerente aplica suavizacin exponencial con = 0,20.
Pronostique usted el nmero de llamadas para servicio correspondiente a
la semana del 7 de agosto, suponiendo que esta sea la semana prxima.
Nmero 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 Solucin
3 de julio 24
10 de julio 32
17 de julio 36
24 de julio 23
31 de julio 25
Sem ana N 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 pronstico para la semana del 7 de agosto es de 26 llamadas

Inclusin de una Tendencia
Tendencia
Incrementos o decrementos sistemticos de los promedios de la serie a
travs del tiempo.
Suavizacin exponencial ser modificado ya que los resultados estar
por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razn de 10 unidades en cada perodo, al considerar
= 0,3 se tiene:
Perodo Demanda Pronstico 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

Mtodo de suavizacin Exponencial
Ajustada a la Tendencia
Sern suavizadas
Las estimaciones para el Promedio
La Tendencia
Promedio (At)
Demanda en Promedio + Estimacin de
At= + (1 - )
este perodo la Tendencia (en el ltimo
perodo)
A t = D t + (1 - ) (A t -1+ T t1 )
Tendencia (T t)
T t = Promedio de Promedio del + (1 - ) Estimacin de la Tendencia
este perodo
- ltimo perodo en el ltimo perodo
T t = (A t - A t 1 ) + (1 - ) T t1

Mtodo de suavizacin Exponencial
Ajustada a la Tendencia
F t+1= A t + T t
At -1 y T t 1 : Promedio y Tendencia del ltimo perodo, lo que se puede
obtener por medio de:
Datos del pasado
Estimaciones aproximadas al no existir histricos.
y : Se encuentran ajustando hasta obtener errores de pronsticos lo
ms bajo posible, el valor para ambos entre 0 y 1.
F t + 1 : Pronstico para el perodo t + 1

Ejemplo de Suavizacin Exponencial
ajustada a la Tendencia
Recopilacin de Antecedentes
Mdica SA, ofrece servicios de laboratorio clnico a los pacientes del Hospital Providencia, una
A0 = 28
agrupacin de 10 mdicos familiares asociados que brindan pacientes
un nuevo programa de
mantenimiento de la salud. Los gerentes estn interesados en pronosticar el nmero de
T0 = 3Espacientes
pacientes que van a requerir anlisis de sangre cada semana. preciso comprar suministros y
tomar una decisin acerca del nmero de muestras sanguneas que sern 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
corazn han generado un incremento en las solicitudes de anlisis ordinarios de sangre en todo
el pas. En promedio el laboratorio realiz 28 anlisis de sangre cada semana durante las 4
ltimas semanas. La tendencia durante en ese periodo fue de tres pacientes adicionales por
semana.
La demanda de esta semana fue de 27 anlisis de sangre.
Utilizar = 0.20 y =0.20 para calcular el pronstico correspondiente a la semana siguiente

Ejemplo de Suavizacin
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
Suavizacin 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
anlisis de sangre
= 0.20 y = 0.20 A2 = 0,2 *44+ (10,2)*( 30,2+2,8) = 35,2
70 ser el pronstico para el T
2 = 0,2 (35,2 30,2) + (1- 0,2)*2,8 = 3,1
Cul 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
Mtodo Series de Tiempo Suavizacin
exponencial ajustada a la Tendencia
80
70
60
50
Nmero real
40 de anlisis
de sangre
30
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
80 Pronstico
ajustado a la
Tendencia
70
60
50
Nmero real
40 de anlisis
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 electrnica durante las ltimas cinco semanas
Semana ventas
Aplique la suavizacin 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

Solucin
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 Estacinales
Son movimientos ascendentes o descendentes de la demanda,

Son repetitivos
Se limitan en general a perodos menores de un ao, como horas,
das, meses, trimestres, etc.
A cada perodo de tiempo se le denomina estaciones.
Empresa Patrn estacional Estacin

Comida rpida Un da hora
Peluquera Semana da
Renovacin licencia de Mes da

conducir
Neumticos autos Ao mes

Mtodo Estacional Multiplicativo
Este es uno de los mtodos de pronsticos, el ms usual.
Metodologa: promedios simples de la demanda pretrita.
Ejemplo: Patrn estacional: un ao, estacin: un mes
1. Para cada ao se obtiene la demanda promedio por estacin, esto es dividiendo la

demanda anual por el nmero de estaciones perteneciente al ao.
Ejemplo: demanda total en un ao 6000 y estacin mes 6000/12 = 500 unid.
2. Genere un ndice estacional para cada estacin del ao, su valor es el nivel de
demanda en relacin con la demanda promedio.
Clculo: para cada ao, divida la demanda real de una estacin entre la demanda
promedio por estacin.
Ejemplo: Mes Junio demanda 620.

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

3. Obtenga el ndice estacional promedio para cada estacin (usando 2. )

Sume los ndices estacinales para una estacin dada y divdalos
entre el nmero de aos que abarquen los datos.
Ejemplo: Mes junio
Ao 2002 2003 2004

ndice estacional 1,24 1,18 1,06
junio
ndice estacional promedio = (1,24 + 1,18 + 1,06) / 3 = 1,16
Este valor es usado para pronosticar la demanda de junio de
prximo ao (2005).
4. Calcule el pronstico de cada estacin para el ao siguiente.

Ejercicio
El gerente de la compaa San-limp, perteneciente al rubro de limpieza
de alfombras, necesita un pronstico trimestral del nmero esperado de
clientes para el ao siguiente. El negocio de la limpieza de alfombras es
estacional, con un punto mximo en el tercer trimestre y un uno mnimo
en el primer trimestre. Se presenta a continuacin los datos de la
demanda trimestral registrada en los cuatros aos ms recientes.
Patrn Estacional =
Ao
Estacin =
Trimestre

Trimestre Ao 1 Ao 2 Ao 3 Ao 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 pronstico de la demanda de los clientes

para cada uno de los trimestres del ao cinco, basndose en su
estimacin de que la demanda total durante el ao 5 ser de 2600
clientes, debido a que el incremento anual observado en la
demanda es de 400 servicios por ao.
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
ndice 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
ndice 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
ndice 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 ndices estacinales de cada trimestre fluctan de un ao

a otro a causa de los factores aleatorios, debido a lo cual se debe calcular
el ndice 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 ndice 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 ndice 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 ao es de 400 clientes, se

Trimestre prolonga
Ao 1 esa tendencia
Ao 2 proyectandoAo 3una demanda
Ao 4
1 anual=para
45/250 0.18 el ao 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
Proyeccin 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 ndice estacional promedio Pronstico

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
Proyeccin 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 compaa de servicio pblico, que se localiza en la regin de

Atacama, desea elaborar pronsticos trimestrales de las cargas de energa
elctrica que deber suministrar el ao entrante. Las cargas de consumo de
energa son estacinales. A continuacin se presentan para los cuatro ltimos
aos 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 prximo ao en 780 MW

Use un mtodo estacional multiplicativo y elabore un pronstico para cada
trimestre del ao que se pide.

Solucin
Trimestre Ao 1 Ao 2 Ao 3 Ao 4 Trimestre Ao 1 Ao 2 Ao 3 Ao 4 Promedio
ndice 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
Pronstico para el ao 5
2 195 182.7345 = 183
3 195 209.6445 = 210
4 195 236.5155 = 237
780 780

Seleccin de un Mtodo
con series de Tiempo
Error de Pronstico
Los pronsticos siempre contienen errores.

Los errores se clasifican en:
Errores de Sesgo.
Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemticas que el pronstico siempre
sea muy alto o muy bajo.
por qu?
Son resultados de ignorar o no estimar correctamente ciertos patrones de
demanda como ejemplo de tendencia, estacinales o cclicos.
Errores Aleatorios
Resultado de factores imprevisibles El pronstico se ve obligado a
desviarse de la demanda real.
Error de Pronstico
Mediciones del Error de Pronstico

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

Error de Pronstico
Suma Acumulativa de errores de Pronsticos (CFE)
Mide el error total de un pronstico
CFE = Et
Ventajas
Los errores positivos grandes tienden a anular a los errores negativos
grandes.
Es til para evaluar el sesgo de un pronstico, por ejemplo:
Si F t siempre es ms bajo que D t entonces CFE cada vez ser mayor (+).
Este error creciente indica deficiencias continuas en el enfoque del
pronstico, que puede deberse a:
Omisin de un elemento de tendencia o patrn cclico.
Influencias estacinales cambiaron frente al patrn histrico.
Error de pronstico promedio

E=
CFE
= Et
n n

Error de Pronstico
La dispersin de los errores de pronstico suelen ser medidas por:
Cuadrado de Error Medio

Et2
MSE = n
Desviacin estndar = (Et - E )2

n-1
Desviacin Media Absoluta MAD =

|Et |
n

Error de Pronstico
MAD ; ; MSE si los valores que entregan son:

Pequeos; el pronstico dado generalmente se aproxima a la
demanda real.
Grandes: enuncia la posibilidad de errores de pronstico
considerable.
Los errores grandes reciben mayor ponderacin en MSE y

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

error consisti en estimaciones excesivas o de
subestimaciones.

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

Relaciona el error del pronstico con el nivel de la demanda.
til para colocar el rendimiento del pronstico en su correcta direccin.
[ |Et | (100) ] /Dt

MAPE = n

Error de Pronstico
La siguiente tabla muestra, las ventas reales de sillas tapizadas

que realiz un fabricante de muebles y los pronsticos
correspondiente a cada uno de los ltimos ocho meses.
Se debe calcular CFE, MSE, , MAD y MAPE para este producto.
Ejemplo 04
Error de Pronstico
Error
Cuadrado Error porcentual
Mes, Demanda, Pronstico, 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
Error de Pronstico
Medicines del Error

Error
Cuadrado Error porcentual
Mes, Demanda, Pronstico,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
Error de Pronstico
Mediciones del Error

Suma acumulativa de errores de pronsticos
Error
CFE = E t = - 15 Cuadrado Error porcentual
Mes,
Indica que Demanda,
el pronstico Pronstico,
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
Pronstico > 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 de Pronstico
Medicines del Error

Error
CFE = - 15 Cuadrado Error porcentual
Error de pronstico promedio
Mes, Demanda, Pronstico, 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 Pronstico
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 de Pronstico
Medicines del Error

Error
Mes, Demanda, Pronstico, 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 pronstico
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 de Pronstico
Medicines del Error

Error
Mes, Demanda, Pronstico, 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
Desviacin estndar
5 230 250 -20 400 20 8.7
6 = 27.4 260 240 20 400 20 7.7
Indica que7 la distribucin
210 de errores
250 -40 1600 40 19.0
de pronstico
8 dentro de una muestra
275 240 35 1225 35 12.7
tiene una desviacin estndar de
Total -15 5275 195 81.3%
27,4 unidades.
Ejemplo 04
Error de Pronstico
Medicines del Error

Erro
Mes,
- 15Demanda, Pronstico,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
Desviacin 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 pronstico
promedio fue de 24,4 unidades en
valor absoluto.
Ejemplo 04
Error de Pronstico
Medicines del Error

Erro
CFE = - 15 Cuadrado, Error porcentual
Mes,
- 15Demanda, Pronstico, 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% pronstico fue de ms o menos el 10% de la
8 Ejemplo 04
demanda
Produccin II - real observada.
Pronsticos 156
Error de Pronstico
Medicines del Error

Error
Mes, Demanda, Pronstico, 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 mquinas de fotocopiado. El gerente

necesita pronsticos semanales de las solicitudes de servicio, a fin de poder
programar las actividades de su personal de servicio. El pronstico
correspondiente a la semana del 3 de julio fue de 24 llamadas para servicio.
El gerente aplica suavizacin exponencial con = 0,20. Pronostique usted el
nmero de llamadas para servicio correspondiente a la semana del 7 de
agosto, suponiendo que esta sea la semana prxima.

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

Solucin
Sem ana N 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 ltimos 12 meses por Dalwoorth
Compaa son las que se muestran.
a) Utilice un promedio mvil 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
ponderacin mayor a los datos ms recientes.
Febrero 24
Marzo 27 b) Use la suavizacin exponencial con = 0,6 para
Abril 31 pronosticar las ventas en los meses comprendidos
Mayo 37 entre abril y diciembre. Suponga que el pronstico
Junio 47 inicial para enero haya sido de US$22 millones.
Julio 53
Agosto 62 c) Compare el rendimiento de los dos mtodos usando
Desviacin 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 Cul de esos mtodos recomendara usted?
Diciembre 29

Mes Venta real Cada tres meses Error Error % Error
(000s) Pronstico medio Ponderado absoluto absoluto cuadrado
Ener.
Febr.
20
24 Solucin
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 Recomendacin

c.MAD 11.04 10.34 Suavizacin Exponencial
d.MAPE 27.84 25.85 Suavizacin Exponencial
e.MSE 147.10 128.03 Suavizacin Exponencial 161
Seales de rastreo
Es una medida que nos dice si el mtodo de pronstico utilizado esta
previendo con precisin los cambios reales de la demanda.
CFE
Seal de rastreo =
MAD
CFE y MAD en cada perodo son actualizados para observar el error actual y
compararlo con seales determinadas anteriormente.
Posibilidades de clculo para MAD |Et |
1. Promedio simple de todos los errores absolutos MAD = n
2. Promedio ponderado mediante el
mtodo de suavizacin exponencial MAD = Et + (1 - )MAD t - 1
Ventajas de 2.
No es necesario tantos datos histricos
no tiene porque ser igual al valor utilizado en el modelo de pronstico.
Frecuentemente se usa 0,1 para suavizar los efectos de los errores
recientes en al pasado.

Seales de rastreo
CFE
Seal de rastreo =
MAD
+2.0
Lmite de control
+1.5
+1.0
Seal de rastreo
+0.5
0
- 0.5
- 1.0
Lmite de control
- 1.5
| | | | |
0 5 10 15 20 25
Nmero de observaciones
Ejemplo 5
Seales de rastreo
CFE
Seal de rastreo =
MAD
Fuera de control
+2.0
Lmite de control
+1.5
+1.0
Seal de rastreo
+0.5
0
- 0.5
- 1.0
Lmite de control
- 1.5
| | | | |
0 5 10 15 20 25
Nmero de observaciones
Ejemplo 5
164
Criterios para la Seleccin de Mtodos
con Series de Tiempo
Cuantificar errores de pronstico entrega la informacin vital, cuando se debe
seleccionar un mtodo de pronstico tanto para manufactura como servicio.
Es una gua para seleccionar el valor del parmetro ms adecuado en el
mtodo elegido, como:
n para pronstico simple
ponderaciones para promedio mvil ponderado y
y Beta para suavizacin exponencial.
Criterios para escoger un mtodo de pronstico y seleccionar el parmetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersin (MAD y MSE)
En 1 y 2 se basan en el rendimiento histrico.

Criterio Estadstico
Consideramos nuevamente el ejemplo de la clnica mdica con 28
perodos que entrega el siguiente cuadro.
Suma acumulativa Desviacin media

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

Criterio Estadstico
Consideramos nuevamente el ejemplo de la clnica mdica con 28
perodos 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 mvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicaran que los
pronsticos son muy bajos, n = 3 sera el mejor.
Suavizacin 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 mtodos con n = 3 y = 0,2 NO se asigna una mayor

ponderacin a los niveles de demanda ms recientes.
Note que Promedio mvil ponderado con ponderacin 0,7 para la
demanda ms reciente entrega un Sesgo (CFE) ms bajo y MAD
levemente superior.
En consecuencia Promedio Ponderado sera el mtodo 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 ms bajos o valores de n ms altos, con el fin de dar importancia a
los datos histricos.
b) Proyecciones basadas en patrones de demanda dinmicas, usar

valores de ms altos o valores de n ms bajos, como los datos
histricos estn cambiando se pone nfasis a la historia ms nueva.

Criterio Expectativas de Gerencia
Uso del ltimo perodo en el error de pronsticos
Siempre se obtiene un mejor pronstico cuando se utiliza un modelo de

pronstico ms sofisticado?
Existe una tcnica de pronstico ptima para todos los productos o

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

seleccionar el mejor pronstico a partir de un grupo de pronsticos
generados por medio de tcnicas sencillas

Fin Capitulo de Pronsticos

Integracin de Sistema de Pronsticos Para
Manufactura
Pronstico Planeacin Pronstico Usado por Intervalo Horizonte

de Demanda de Ventas
Tipo 2 y 3. Tiempo de Respuesta
Planeacin Mensual o
Por lnea de de funcin de
de Ventas trimestral
producto. mercadotecnia.
Planeacin Planeacin Tipo 2 y 3. Por
Tiempo de Respuesta de
de Inventarios de Produccin lnea de producto, Planeacin de
Mensual cambios grandes de
planta, y capacidad Produccin
capacidad.
de grupo de productos.
Tipo 1. Por artculo,
Programa Semanal Tiempo de respuesta
Proceso Programa planta, y fecha de
Maestro o Mensual del producto.
de Pedidos Maestro necesidad.

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

Integracin de Sistema de Pronsticos Para
Manufactura con Distribucin
Proceso
de Pedidos
Pronstico Usado por Intervalo Horizonte
Pronstico Tipo 1. Por artculo,
de Demanda Sistema Semanal Tiempo de respuesta
y centro de DRP o Diario de produccin.
distribucin.

Planeacin de Programa Semanal Tiempo de Respuesta
y planta para envos
Requerimientos Maestro o diario para reponer inventario
directos.
de Distribucin de fuente preferida.
Status de
Inventarios
Planeacin
de Produccin
y Programa
Maestro

Integracin del Sistema de Pronsticos
Para Distribuidores
Proceso
de Pedidos
Pronstico Usado por Intervalo Horizonte
Sistema
Pronstico Tipo 1. Por artculo, Semanal Tiempo de respuesta
Admn.
de Demanda y distribuidor. o Mensual de produccin.
Inventarios
Tipo 1. Por artculo, Sistema de Semanal Tiempo de respuesta

Anlisis de y distribuidor. Anlisis. o Mensual de produccin.
Inventarios
Status de
Inventarios
Compras

Pronsticos Tipo 1
Pronstico Tipo 1 de Marzo del 2006,
Los pronsticos de Tipo 1 se utilizan
para Briefcases
para orientar la operacin diaria.
Fecha Tipo Cantidad Ingreso
El horizonte de planeacin mnimo
Enero/2006 V 5 $ 200
depender 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 pronsticos de Febrero/ 2006 V 200 $ 8.000
Tipo 1 estn: L 125 7.500
La decisin de reposicin por artculos D 80 6.400
y lugar, Subtotal 405 $ 21.900
la validacin o modificacin de los Marzo/2006 V 280 $ 11.200
pronsticos agregados de Tipo 2 por L 140 8.400
lnea 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
Pronsticos Tipo 2
Los pronsticos de Tipo 2 se utilizan
para propsitos de planeacin a largo Planeacin agregada para Briefcases
plazo. Como % de la
Ingreso
Tipo
Fecha Precio
Cantidad Dda anterior
Para propsitos de planeacin a largo ($50*Cantidad)
Vinyl Abril/06 $350
40 $ 65 %
17,500
plazo se recomiendan pronsticos
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 comn 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

Pronsticos Tipo 3
Normalmente los pronsticos de Tipo 1 y 2 son diferentes.
Se generan mediante diferentes sistemas con bases de datos propias.
La integracin de ambos pronsticos proporciona una mejor base para planear.
Sistemas de pronsticos separados erosiona la confianza en el proceso de
pronosticar y en los mismos pronsticos.
Por lo tanto, es necesario construir confianza a travs de:
Emplear una base nica de datos con unidades de medida comunes, y
Utilizar los mismos pronsticos en toda la empresa.
Los pronsticos de Tipo 3 son el resultado de conciliar los del Tipo 2 y 1 en el corto
plazo.
La conciliacin se realiza a travs de un proceso de ponderacin y aplicacin de
criterio de la administracin.

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

Pronsticos Tipo 2 de Marzo 1 de 2006 Pronstico 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 Pronsticos Tipo 1 y 2
Pronstico Inicial Tipo 1 de Marzo 1 de 2006
Marzo/2006 V 280 $11.200
L 140 8.400
Conciliando pronsticos Tipo D 80 6.400
2y3
Subtotal 500 $ 26.000
Pronstico Tipo 2 de Marzo 1 de 2006
Tipo Cantidad %
Fecha Cantidad Ingreso ($50*Cantidad)
V 308 56
L 154 28 Marzo/2006 600 $ 30.000
D 88 16 Pronstico Tipo 3 de Marzo 1 de 2006
Fecha Cantidad Ingreso (del Tipo 1 Final)
Marzo/2006 (500+600)/2 = 550 $ 28.600
Pronstico Final Tipo 1 de Marzo 1 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
artculos agregados
Pronsticos Tipo
Pronstico 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
Conciliacin final de 1.096 $ 59.040
pronsticos Tipo 1 y 3. Pronstico 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 Pronsticos Piramidal
El proceso de conciliacin de
pronsticos se puede
conceptualizar como piramidal,
con una primera etapa de roll-
up, y una segunda de force-
down.

Sistema de Pronsticos Piramidal
El proceso de conciliacin de
pronsticos se puede
conceptualizar como piramidal,
con una primera etapa de roll-
up, y una segunda de force-
down.

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

anlisis peridico y la obtencin de muestras para un parmetro determinado de la
calidad del proceso.
El procedimiento analtico que se aplica actualmente es costoso y requiere mucho
tiempo. Se ha propuesto un procedimiento alternativo ms rpido y econmico. Sin
embargo, las cifras obtenidas con el procedimiento alternativo para el parmetro
de calidad son un tanto diferentes de las obtenidas con el procedimiento actual, no
a causa de errores intrnsecos, sino por cambio en el carcter del anlisis qumico.
La gerencia considera que si resulta posible usar las cifras obtenidas con el nuevo
procedimiento, a fin de hacer un pronstico fiable de las cifras obtenidas con el
procedimiento actual, la adopcin del nuevo procedimiento sera razonable y eficaz
en trminos de costos. Los siguientes datos referente al parmetro de calidad se
obtuvieron con el anlisis 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 regresin lineal para
3,6 4,0 encontrar una relacin que permita
3,8 3,6 pronosticar Y, es decir, el parmetro 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 relacin fuerte entre los
parmetros Y y X? Explique su
3,2 4,1 respuesta
2,1 2,6
3,0 3,1
2,6 2,8

Solucin
Fabrica procesadora de hidrocarburos
Usando una aplicacin de regresin Lineal se tiene:

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

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

Clculo de
Mtodos de prueba y error:

Utilizar varios valores de y seleccionar aquel para el cual la suma del
cuadrado del error absoluto es mnimo
ei 2 = Dt - Ft2= Mnimo
Si se dispone de informacin de 4 aos, se utiliza la informacin de los 3

primeros aos, como muestra para el anlisis y el ltimo ao como prueba.
Advance
Produccin
Produccin
II - Pronsticos
II - Pronsticos 186
80 Pronstico
ajustado a la
70 Tendencia
60 Numero de periodos de tiempo 15.00

Coeficiente suavizacin Demanda ( ) 0.20
50 Valor inicial demanda 28.00
Coeficiente suavizacin Tendencia ( ) 0.20 Nmero real
40 Estimacin de la tendencia 3.00 de anlisis
de sangre
30
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Advance
Produccin
Produccin
II - Pronsticos
II - Pronsticos 187
80 Promedio Promedio
Semana Llegadas suavizadoTrend-adjusted
Tendencia Pronstico Error
Pronstico
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
0 141 2 3 60 4 562.37
6 7 1.85
8 9 10 62.96
11 12 132.96 14 15
15 75 66.38 Semana
2.28 64.22 10.77
Ejemplo 05 Advance
Produccin
Produccin
II - Pronsticos
II - Pronsticos 188
Pronstico
70 0 28 28.00 3.00 0.00 0.00

1Pronsticos
27 perodos
30.20 posteriores
2.84 al siguiente
31.00 4.00
44 2
35.23 3.27 33.04 10.96
37 60 3
38.20 3.21 38.51 1.51
4 Estimacin
35 N
40.14perodos 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 semana61 55.46 3.52
2 2 : 3,2 test requests
54.08 6.92
9Pronstico39 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 anlisis
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
0 141 2 3 60 4 562.37 6 7 1.85 8 9 10 62.96 11 12 132.96 14 15
15 75 66.38 Semana 2.28 64.22 10.77
Ejemplo 05 Advance
Produccin
Produccin
II - Pronsticos
II - Pronsticos 189
Pronstico
70 0 28 28.00
Pronstico 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 anlisis
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
0 141 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
Produccin
Produccin
II - Pronsticos
II - Pronsticos 190
El patrn o comportamiento est formado por
cuatro componentes
Desplazamiento gradual de
Horizontal Cmulos de datos
la serie de tiempo.
Activa
en torno a una
Tendencia
Volumen
Volumen
Influyenlnea factores
horizontal a largo plazo
Volumen
Volumen
Cclico como modificaciones de
Cualquier secuencia
larecurrente
poblacin,
Verano sus
de puntos
Movimiento encima
de una serie de
Estacional caractersticas
ytiempo
abajo dequela lnea de en el
ocurre
Factor residual o todo lo que sobra de
Aleatoria demogrficas,
Tiempotendencia quede
perodo dure
un la
ms
ao. de un
Tiempo
Tiempo
una serie, toma en consideracin las
Tiempo
tecnologa ao
y la
desviaciones de lospreferencia
valores reales de la
Tendencia Tendencia lineal
del
serieconsumidor
de tiempo en comparacin Sinlos
con tendencia
no linealesperados. Estdeclinante
causado por factores a
corto plazo no previstos.

Capitulo 2 Pronósticos

Caricato da

Informazioni sul documento

Titolo originale

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

Capitulo 2 Pronósticos

Caricato da

Copyright:

Formati disponibili

Capitulo 2

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

Permite que los ingenieros programadores:

Los mtodos de pronsticos generalmente se basan en modelos

Objetivos Pronsticos Polticas Presupuestos

Este pronstico se traduce a su vez

Principalmente la DEMANDA... pero tambin:

Son necesarios por la existencia de tiempos de implantacin (entrega, proceso,

Tiempos largos de implantacin incrementan el riesgo en la toma de decisiones

Todas las decisiones de asignacin de corto y mediano plazo se basan en

Un sistema jerrquico de pronsticos debe soportar la toma de decisiones

Objetivos Horizonte de Decisiones Tpicas

Control diario 1 da a un mes. Control de produccin

Un pronstico es un estimado o descripcin de un valor o condicin

Pronosticar las demandas independientes y calcular las dependientes.

Un sistema operativo de pronsticos debe soportar ms los pronsticos de grupos

Los sistemas de pronsticos consideran la utilizacin de 3 tipos de

Pronosticar la demanda descubrir los patrones bsicos 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: Cmulos de datos en torno a una

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

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

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

Ejemplo: Una economa en auge influye positivamente en la demanda

Punto de Inflexin: perodo en que cambia la tasa de crecimiento a lo

Diseo de producto o servicio.

Los precios y promociones publicitaria

Incentivos para los vendedores

Expansin o contraccin del rea geogrfica seleccionada como

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

Con frecuencia respecto a su punto de mxima demanda, se crean

Compaas programan fechas de entrega del producto o servicios de

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

Corto plazo ( 0 3 meses)

rea de decisin Administracin

Mediano plazo ( 3 meses 2 aos )

Corto plazo Mediano plazo Largo plazo

Corto plazo Mediano plazo Largo plazo

Contesta la pregunta qu tipo de hardware o software o ambos utilizar?

3.- Investigacin de Mercado

Promedio mviles simples

Modelo de mayor sencillez: y = a + bx

Objetivo del anlisis de regresin lineal Encontrara los valores de a y b que

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

Mide la intensidad y direccin de la relacin entre x e y.

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

Coeficiente de determinacin = (Coeficiente de correlacin)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

Desviacin Estndar (Syx): Promedio de desviacin de las puntuaciones

Ventas Publicidad 000 = miles

250 000 = miles

Anlisis de regresin mltiples

No se tiene calculadora o bien se pide su demostracin.

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 N 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

Y(nov) = 42,475 + 2,45 (11) = 69,425 o 69