Pronósticos

Pronsticos
Ricardo Serrano Castillo

2015
Definicin
La formulacin de pronsticos (o
proyeccin) es una tcnica para utilizar
experiencias pasadas con la finalidad
de predecir expectativas del futuro
Ing. Ricardo Serrano C.
Caractersticas de los pronsticos

1 Casi siempre son incorrectos
Esencial saber que tan equivocado esperamos
que sea
Cmo darle cabida al error potencial en el
pronstico.
El tamao del error influye en la capacidad de
almacenamiento y/o inventario temporal.
2 Son ms precisos para grupos o familias de
artculos
Ms fcil para una lnea de productos que para un
producto individual.
Errores de proyeccin en productos individuales
tienden a cancelarse entre s a medida que se les
agrupa.
Ing. Ricardo Serrano C. la demanda de
3
P.e.: es ms fcil diagnosticar
Caractersticas de los pronsticos

3 Son ms precisos cuando se hacen para
perodos cortos
Son menos las perturbaciones potenciales
respecto del futuro prximo que puedan impactar
la demanda.
La demanda en perodos futuros ms amplios
resultan menos confiables.
4 Deben incluir un error de estimacin
Un buen pronstico contiene tanto una estimacin
bsica como una estimacin de su error.
5 No son sustituto de la demanda calculada
Si se tienen la demanda real para un perodo, no
hacer clculos con base en el pronstico para ese
mismo marco temporal.
real cuando est disponible. 4
Usar la informacin
Horizontes de tiempo del Pronstico

Pronstico a corto plazo
Hasta 1 ao, generalmente menor a 3 meses

Planear compras, programar el trabajo, niveles
de mano de obra, asignar el trabajo y decidir
los niveles de produccin.
Pronstico a mediano plazo
Entre 3 meses y 3 aos.

Planear ventas, la produccin, el presupuesto y
el flujo de efectivos.
Poronstico a largo plazo
3 o ms aos
Planear la fabricacin de nuevos productos,
gastos de capital, utilizacin o expansin de las
instalaciones y para investigacin y desarrollo.
Ciclo de Vida del Producto

Estrategia y aspectos de la
compaa
Introduccin
Mejor perodo
para mejorar la
participacin de
mercado
La ingeniera de
investigacin y
desarrollo es
crtica
Vent
as
Crecimiento
Prctico para el
cambio del precio
o de la imagen
de la calidad
Fortalecimiento
del nicho
Dispositivos de
bsqueda en Internet
TVs LCD &
plasma
iPods
Xbox
360
Madurez
Declinacin
Poco tiempo para El control de

cambiar la
costos es
imagen, el precio
crtico
o la calidad.
Los costos
competitivos se
vuelven crticos.
Defensa de la
CD-ROMs
pisicin en el
mercado
TVs Analgicos
Restaurantes
con servicio
en automvil
Discos
flexibl
es 3
1/2
Figure 2.5
Estratgias y aspectos de la
Administracin de Operaciones
Ciclo de Vida del Producto

Introduccin
El diseo y el
desarrollo del
producto son
crticos.
Cambios
frecuentes al
diseo del
producto y del
proceso.
Corridas de
produccin.
Costos de
produccin
Modelos
limitados
Atencin a la
calidad
Crecimiento
El pronstico es
crtico.
Confiabilidad
del producto y
del proceso.
Mejoras y
alternativas del
producto
competitivo.
Aumento de la
capacidad.
Cambio hacia
el enfoque del
producto.
Mejoras de la
distribucin.
Madurez
Estandarizaci
n.
Menos cambios
rpidos al
producto ms
cambios
menores.
Capacidad
ptima.
Creciente
estabilidad del
proceso.
Corridas de
produccin
largas.
Mejoras al
producto y
reduccin de
costos.
Declinacin
Poca
diferenciaci
n del
producto.
Minimizacin
de costos.
Sobrecapaci
dad en la
industria.
Purga de la
lnea para
eliminar
artculos con
margen de
rendimiento
malo.
Reduccin
de la
capacidad.
Figure 2.5
Categoras de Pronstico
Pronsticos Cualitativos se emplean cuando no hay
informacin histrica.
Se basan en un juicio personal o en informacin
cualitativa externa.
Es subjetivo, se desarrolla a partir de la
experiencia de las personas involucradas y
sesgado segn la posicin optimista o pesimista
de la persona.
Permite obtener algunos resultados con bastante
rapidez.
En algunos casos es importante porque puede
constituir el nico mtodo disponible.
Se utilizan para productos individuales o familias
de productos y rara vez para mercados completos.
Pronsticos cualitativos
Encuestas de mercado
Pronsticos Delphi o consenso
de panel
Analoga por ciclo de vida (punto
de partida cuando no se cuenta
con una historia de la demanda)
Valoracin o juicio informado
(diagnstico de varios
vendedores).
Pronsticos cuantitativos
METODO CAUSAL
Se basa en la relacin entre variables.
Supone que la variable causal
(indicador lder) puede ser medida de
manera precisa.
Con indicadores lderes apropiados se
obtienen pronsticos con buenos
resultados.
Rara vez se emplea para un producto,
sino para la industria completa.
Su aplicacin implica tiempo y costo.
10
Enfoques de Pronstico Causal

Modelo de entrada salida: se
analizan el flujo de bienes y servicios a
travs de la economa completa.
Modelos economtricos: anlisis
estadstico de varios sectores de la
economa.
Modelos de simulacin: mediante
programas se hacen simulaciones para
productos individuales.
Regresin: mtodo estadstico donde
se relacionan dos o ms variables.
11
Pronsticos cuantitativos
SERIES DE TIEMPO
Se basa en que la demanda pasada sigue
cierto patrn y que se pueden hacer
proyecciones para la demanda futura.
La variable independiente es el tiempo.
Es el ms utilizado para hacer los planes
de produccin.
Tratan de capturar los patrones
subyacentes de la demanda pasada,
como el patrn aleatorio, de tendencia,
estacional.
12
Componentes de Series de Tiempo

Tendenc
ia
Ciclos
Estacion
al
Aleatori
a
Demanda del producto o servicio
Componentes de la Demanda
Componentes
de la tendencia
Picos estacionales
Demanda
real
Variacin
aleatoria
|
1
|
2
|
3
Aos
Demanda
promedio
durante 4
aos
|
4
Figure 4.1
Series de tiempo
15
Componentes de la tendencia
Los datos son persistentes, hacia
arriba o hacia abajo, en el tiempo.
Cambios debido a la poblacin,
distribucin de edades,
tecnologas, cultura, etc.
Tipicamente con duracin de
algunos aos.
Componentes de estacionalidad
Patron regular de los datos con
fluctuaciones hacia arriba y hacia
abajo.
Debido a estaciones, etc.
Occure dentro de un slo ao.
Perodo
Duracin
Semana
Mes
Mes
Ao
Ao
Ao
Da
Semana
Da
Trimestre
Mes
Semana
Nmero de
Estaciones
7
4-4.5
28-31
4
12
52
Componente Cclico
Repeticin de movimientos hacia
arriba y hacia abajo.
Afectados por el ciclo econmico,
poltico, y los factores econmicos
Multiples aos de duracin.
A menudo, las relaciones causales
o asociativas
10
15
20
Componente aleatorio
Fluctuaciones errticas, no
sistemticas o residuales
Debido a los acontecimientos al
azar o variacin imprevista
Corta duracin y no
repetitiva.
Promedios Mviles Simples

Es el promedio de los ltimos
perodos de la demanda real.
F = Pronstico
t= Perodo de tiempo actual
At= Demanda real en el perodo t.
n= nmero de perodos que se
utiliza.
20
Ejemplo de Promedio Mvil

Mes
Enero
Febrero
Marzo
Abril
2
11
/3
Mayo
2
13
/3
Junio
Julio
16
Ventas Reales
de cobertizos
Promedio mvil
de 3 meses
10
12
13
16
19
23
26
(10 + 12 + 13)/3 =
(12 + 13 + 16)/3 =
(13 + 16 + 19)/3 =
(16 + 19 + 23)/3 =
19 1/3
Ventas de cobertizos
Grfico de Promedio Movil

30
28
26
24
22
20
18
16
14
12
10
Pronstico de
Promedio
Mvil
Ventas
Reales
|
E
|
F
|
M
|
A
|
M
|
J
|
J
|
A
|
S
|
O
|
N
|
D
Promedios Mviles Ponderados

El peso asignado a cada punto de demanda pasado que se
utilice para el clculo puede variar.
donde:
Suavizado Exponencial Simple

Mtodo utilizado para suavizar las fluctuaciones aleatorias
de la demanda.
Nuevo pronstico= Pronstico del periodo anterior +

(Demanda real del mes anterior Pronstico del periodo
anterior)
23
Determinacin de la constante de Suavizamiento
El
valor de est comprendido entre
0 y 1.
Para que los datos sean consistentes
hay que hacer una aproximacin
entre el valor de el nmero de
observaciones utilizados para
obtener los promedios mviles.
,o
24
Ponderacin Aplicada Periodo
Ultimo mes
Promedio Mvil32 Ponderado
Hace dos meses
1
6
ventas reales
Mes
Enero
Febrero
Marzo
Abril
121/6
Mayo
141/3
Junio
Julio
17
10
12
13
16
19
23
26
Hace tres meses

Suma de las Ponderaciones
Promedio mvil ponderado

de cobertizos de 3 meses
[(3 x 13) + (2 x 12) + (10)]/6 =

[(3 x 16) + (2 x 13) + (12)]/6 =
[(3 x 19) + (2 x 16) + (13)]/6 =
[(3 x 23) + (2 x 19) + (16)]/6 =
Promedio Mvil y Promedio Mvil

Ponderado
Promedio
mvil
Ponderado
30
Sales demand
25
20
Ventas
Reales
15
Promedio
Mvil
10
5
|
Figure 4.2
|
F
|
M
|
A
|
M
|
J
|
J
|
A
|
S
|
O
|
N
|
D
Ejemplo de Suavizamiento Exponencial

Demanda Prevista = 142 Ford Mustangs
Demanda Real = 153
Constante de suavizamiento = 0.20

Demanda Real = 153
Nuevo Pronstico = 142 + 0.2(153
142)

Demanda Real = 153
Nuevo Pronstico
= 142 + .
2(153 142)
= 142 + 2.2
= 144.2 144
autos
Efecto de las constantes de

Suavizamiento
Ponderacin asignada a
5to Perodo
Perodo 2 Perodo
Ms
ms
Ms
Constante de reciente Reciente
Reciente
Suavizamiento()
(1 - )
(1 - )4
= .1
0.066
0.1
0.09
= .5
0.031
0.5
0.25
3er Perodo
4to perodo
Ms
Ms
Reciente
(1 - )2
0.081
0.125
Reciente
(1 - )3
0.073
0.063
Impacto de Diferentes
225
Demanda
200
= .5
Demanda
real
175
150
= .1
|
1
|
2
|
3
|
4
|
5
Trimestre
|
6
|
7
|
8
|
9
Impacto de Diferentes
225
Demand
200
Actual
Elija valores altodemand
de
cuando el promedio
subyacente
es probable
175
que cambie.
Elija valores bajo de
150
cuando el promedio
|
|
|
|
subyacente
es| estable.
Trimestre
= .5
= .1
|
6
|
7
|
8
|
9
Caso de Aplicacin: Promedio mvil de tres

perodos
Perodo
Demanda
24
26
22
25
24.0
19
24.3
31
22.0
26
25.0
18
25.3
29
25.0
10
24
24.3
11
30
23.7
12
23
27.7
13
Pronstico de Promedio
mvil
(24+26+22)/
3
25.7
33
Caso de Aplicacin: Promedio mvil para

informacin con una tendencia
Perodo
Demanda
13
15
18
22
15.3
27
18.3
31
22.3
36
26.7
41
31.3
45
36.0
10
52
40.7
11
57
46.0
12
mvil
(13+15+18)/
3
51.3
34
Casos de Aplicacin: Promedio mvil ponderado

W1=0.2, W2=0.3 y W3=0.5
Perodo
Demanda
24
26
22
25
23.6
19
24.3
31
21.4
26
26.2
18
26.1
29
23
10
24
25.1
11
30
24.3
12
23
28
13
mvil Ponderado
(22x0.5+26x0.3+24
x0.2)
25.3
35
Caso de Aplicacin: Suavizacin exponencial

Perodo
Demanda
24
26
22
25
24.4
19
24.5
31
23.4
26
24.9
18
25.1
29
23.7
10
24
24.8
11
30
24.6
12
23
25.7
13
Pronstico ( = 0.2)
((24+26)/2)+0.2(22((24+26)/2))
25.2
36

Perodo
Demanda
24
26
22
25
23.5
19
24.3
31
21.6
26
26.3
18
26.2
29
22.1
10
24
25.5
11
30
24.8
12
23
27.4
13
Pronstico ( = 0.5)
25.2
37

Perodo
Demanda
24
26
22
25
22.6
19
24.5
31
20.1
26
28.8
18
26.6
29
19.7
10
24
27.1
11
30
24.6
12
23
28.9
13
Pronstico ( = 0.8)
24.2
38
Medidas ms comunes de error

Desviacin Absoluta Media(MAD)
|Real - Pronstico|
MAD =
n
Error Cuadrtico medio (MSE)

(errores de Pronstico)2
MSE =
n
n
Error porcentual
absoluto medio (MAPE)
i100|Real
i - Pronsticoi|/Reali
=1
MAPE =
Comparacin del error de pronstico

Desviacin
Desviacin
Tonelaje
Pronstico Absoluta
Pronstico Absoluta
real
con
para
con
para
TrimestreDescargado = .10
= .10
= .50
= .50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62

|desviaciones|
Desviacin
MAD
=
Tonelaje
Pronstico
Absoluta
n
real
TrimestreDescargado
con
= .10
para
= .10
Para
=
.10
1
180
175
5.00
2
168= 82.45/8
175.5 = 7.50
10.31
3
4
Para
5
6
7
8
159
174.75
175
= .50 173.18
190
173.36
205= 98.62/8
175.02
180
178.02
182
178.22
15.75
1.82
16.64
=29.98
12.33
1.98
3.78
82.45
Desviacin
Pronstico Absoluta
con
para
= .50
= .50
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
41

(Error de pronstico)2
Desviacin
MSE =Tonelaje Pronstico
Absoluta
Pronstico
n
real
TrimestreDescargado
con
= .10
para
= .10
Para
=
.10
1
180
175
5.00
2
168
175.5 = 7.50
=
1,526.54/8
190.82
3
4
Para
5
6
7
8
159
174.75
175
= .50 173.18
190
173.36
=205
1,561.91/8
175.02
180
178.02
182
178.22
MAD
15.75
1.82
16.64
=29.98
195.24
1.98
3.78
82.45
10.31
con
= .50
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
Desviacin
Absoluta
para
= .50
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
Comparacin
del error de pronstico
n
i =100|desviacin
i|/reali
1
Desviacin
Desviacin
Pronstico
n Absoluta Pronstico Absoluta
real
con
para
con
para
= .10
= .50
= .50
MAPE Tonelaje
=
Para
=
.10
1
180
175
5.00
2
168 = 44.75/8
175.5
=7.50
5.59%
3
159
174.75 15.75
4 Para 175
= .50173.18 1.82
5
190
173.36 16.64
6.76%
6
205 = 54.05/8
175.02 =
29.98
7
180
178.02
1.98
8
182
178.22
3.78
82.45
MAD
10.31
MSE
190.82
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24

Desviacin
Desviacin
Tonelaje
Pronstico Absoluta
Pronstico Absoluta
real
con
para
con
para
= .10
= .50
= .50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
MAD
MSE
MAPE
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
10.31
190.82
5.59%
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
6.76%
Suavizamiento exponencial con ajuste de

tendencia
Cuando una tendencia est presente,
el suavizamiento exponencial debe ser
modificado
Pronstico
incluyendo (FITt) =
tendencia
Pronstico
suavizado
(Ft) +
Exponencialmente
Tendencia
suavizada
(Tt)
exponencialmente
Suavizamiento exponencial con

ajuste de tendencia
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
Tt = (Ft - Ft - 1) + (1 - )Tt - 1
Paso 1: Calcule Ft ,el pronstico suavizado
exponencialmente para el perodo t
Paso 2: Calcule la tendencia Tt
Paso 3: Calcule el pronstico incluyendo la
tendencia
FITt = Ft + Tt
Ejemplo de Suavizamiento
exponencial con ajuste de tendencia
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real(At)
12
17
20
19
24
21
31
28
36
Pronstico
Pronstico
Tendencia Incluyendo
Suavizado, Ft Suavizada, TtTendencia, FITt
11
13.00
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real (At)
12
17
20
19
24Paso
21
31
28
36
Pronstico
Pronstico
11
13.00
1: Pronstico suavizado para el mes 2

F2 = A1 + (1 - )(F1 + T1)
F2 = (.2)(12) + (1 - .2)(11 + 2)
= 2.4 + 10.4 = 12.8 units
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real (At)
Pronstico
Pronstico
12
11
2
13.00
17
12.80
20
19
24 Paso 2: Tendencia suavizada para el mes
21
T2 = (F2 - F1) + (1 - )T1
31
28
T2 = (.4)(12.8 - 11) + (1 - .4)(2)
36
= .72 + 1.2 = 1.92 units
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
Real (At)
12
17
20
19
24
21
31
28
36
Pronstico
Pronstico
11
12.80
2
1.92
13.00
Paso 3: Clculo del pronstico

incluyendo tendencia FIT
para
FIT2 el=mes
F2 + 2
T1
FIT2 = 12.8 +
1.92
= 14.72
Mes (t)
1
2
3
4
5
6
7
8
9
10
Table 4.1
Demanda
real (At)
12
17
20
19
24
21
31
28
36
Pronstico
Pronstico
11
12.80
15.18
17.82
19.91
22.51
24.11
27.14
29.28
32.48
2
1.92
2.10
2.32
2.23
2.38
2.07
2.45
2.32
2.68
13.00
14.72
17.28
20.14
22.14
24.89
26.18
29.59
31.60
35.16
35
Product demand
30 Demanda Real (At)

25
20
15
10
Pronstico incluyendo tendencia (FITt)

con = 0.2 y = 0.4
5
0
|
1
|
2
|
3
|
4
|
5
|
6
Time (month)
|
7
|
8
|
9
Figure 4.3
Values of Dependent Variable
Mtodo de Mnimos Cuadrados

Actual observation
(y value)
Deviation7
Deviation5
Deviation6
Deviation3
Deviation4
Deviation1
(error)
Deviation2
Trend line, y^= a + bx
Time period
Figure 4.4
Valores de la variable Dependiente

Observacin real
(valor de y)
Deviation7
Deviation5
Deviation3
Deviation6
El mtodo de los mnimos

cuadrados minimiza la suma
de losDeviation
cuadrados
de los errores
4
(desviaciones)
Deviation1
Deviation2
Trend line, y^= a + bx
Perodo de Tiempo
Figure 4.4
Ecuaciones para calcular las variables de regresin

^
y = a + bx
xy n x y
b=
x2 - nx2
a = y - bx
Ejemplo de Mnimos Cuadrados

Perodo deDemanda de Energa
Tiempo (x)
Elctrica
Ao
2001
2002
2003
2004
2005
2005
2007
1
2
3
4
5
6
7
x = 28
x=4
b=
74
79
80
90
105
142
122
y = 692
y = 98.86
x2
xy
1
4
9
16
25
36
49
x2 = 140
74
158
240
360
525
852
854
xy = 3,063
xy n x y 3,063 - (7)(4)(98.86)
=
140 - (7)(42)
x2 n x2
a = y - bx = 98.86 - 10.54(4) = 56.70
= 10.54

Ao
Perodo deDemanda de energa

Tiempo (x)
Elctrica
1999
1
74
2000
2
79
La lnea 3de tendencia
2001
80 es:
2002
4
90
^
2003
y =5 56.70 + 105
10.54x
2004
6
142
2005
7
122
x = 28
y = 692
x2 =
x=4
y = 98.86
x2
xy
1
4
9
16
25
36
49
140
74
158
240
360
525
852
854
xy = 3,063
xy - nxy 3,063 - (7)(4)(98.86)

b = x2 - nx2
=140 - (7)(42) = 10.54
a = y - bx = 98.86 - 10.54(4) = 56.70
Demanda de energa
160
150
140
130
120
110
100
90
80
70
60
50
Lnea de tendencia,
y^
= 56.70 + 10.54x
|
|
|
|
|
|
|
|
|
2001 2002 2003 2004 2005 2006 2007 2008 2009
Ao
Variaciones estacionales en los datos
Pasos en el proceso:
1. Encontrar la demanda histrica
promedio de cada estacin.
2. Calcular la demanda promedio de todos
los meses.
3. Calcular un ndice estacional para cada
estacin.
4. Estimar la demanda total para el
siguiente ao.
5. Dividir esta estimacin de la demanda
total entre el nmero de estaciones,
despus multiplicarla por el ndice
Ejemplo de Indice Estacional

Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sept
Oct
Nov
Dic
Demanda
2005 2006 2007
80
70
80
90
113
110
100
88
85
77
75
82
85
85
93
95
125
115
102
102
90
78
72
78
105
85
82
115
131
120
113
110
95
85
83
80
Promedio
2005-2007
90
80
85
100
123
115
105
100
90
80
80
80
Promedio total de la demanda anual =

1,128
Demanda promedio mensual =
Promedio
ndice
Mensual Estacional
94
94
94
94
94
94
94
94
94
94
94
94

Mes
Demanda
2005 2006 2007
Promedio
2005-2007
Promedio
ndice
Mensual Estacional
0.957
Ene
80
85 105
90
94
Feb
70
85
85
80
94
Demanda
2005-2007
Mar
80
93
82 promedio
85 mensual 94
ndice
Apr Estacional
90
95= 115
100
94
Demanda Promedio
mensual
May
113 125 131
123
94
= 90/94 = 0.957
Jun
110 115 120
115
94
Jul
100 102 113
105
94
Aug
88 102 110
100
94
Sept
85
90
95
90
94
Oct
77
78
85
80
94
Nov
75
72
83
80
94
Dic
82
78
80
80
94

Mes
Demanda
2005 2006 2007
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sept
Oct
Nov
Dic
80
70
80
90
113
110
100
88
85
77
75
82
85
85
93
95
125
115
102
102
90
78
72
78
105
85
82
115
131
120
113
110
95
85
83
80
Promedio
2005-2007
90
80
85
100
123
115
105
100
90
80
80
80
Promediio
ndice
Mensual Estacional
94
94
94
94
94
94
94
94
94
94
94
94
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851

Demand
Month 2005 2006 2007
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sept
Oct
Nov
Dic
Average
2005-2007
Average
Monthly
80
85 105
90
94
para
70
85Pronstico
85
80 2008 94
80
93
82
85
94
Demanda
90
95 anual
115 esperada
100 = 1,200
94
113 125 131
123
94
110 115 120 1,200 115
94
Ene 113
x105
.957 = 96 94
100 102
12
88 102 110
100
94
1,200 90
85
90
95
Feb
x .851 = 85 94
77
78
85 12
80
94
75
72
83
80
94
82
78
80
80
94
Seasonal
Index
unid
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851

2008
2007
2006
2005
140
130
Demand
120
Forecast
Demand
Demand
Demand
110
100
90
80
70
|
J
|
F
|
M
|
A
|
M
|
J
|
J
Time
|
A
|
S
|
O
|
N
|
D
Caso de Aplicacin: Pronstico de Regresin

Trimest
re
Deman
da
Pronsti
co
256
287.1
312
305.9
426
324.7
278
343.5
298
362.3
387
381.1
517
399.9
349
418.7
Y= b0 +
b 1X
437.5
XY y X
b1
X2 xX
b0 y b1 x
Trim Dem.
.
Pron
st.
Proporci
n
Dem /
Pron
256
287.1
0.89
312
305.9
1.02
426
324.7
1.31
278
343.5
0.81
298
362.3
0.82
387
381.1
1.02
517
399.9
1.29
349
418.7
0.83
437.5
65

estacional ajustado
El multiplicador estacional se obtiene del
promedio de los indicadores de proporcin de
los trimestres correspondientes, (T1+T5)/2 y
as
sucesivamente
. Pronst. Multiplicad Pronstico
Trim.
Dem.
regresn
or
estacional
ajustado
256
287.1
0.86
246.1
312
305.9
1.02
311.3
426
324.7
1.30
422.9
278
343.5
0.82
282.2
298
362.3
0.86
310.5
387
381.1
102
387.8
517
399.9
1.30
520.8
349
418.7
0.82
343.9
437.5
0.86
376.3
66
Mtodo para Series Estacionales

Se
parte del hecho de que hay una serie de
multiplicadores ct, donde 1
Los Factores estacionales se determinan as:
Calcular la media de la muestra de todos los datos.
Dividir cada observacin entre la media de la
muestra, obteniendo factores estacionales para cada
perodo de datos observados.
Promediar los factores para periodos semejantes
dentro de cada estacin, es decir, promediar todos los
factores que corresponden al primer perodo de una
estacin y as sucesivamente.
Los promedios obtenidos son los N factores
estacionales, cuya suma debe ser igual a N
67
Caso de Aplicacin: Pronstico por Mtodo para

Series Estacionales
Semana 1 Semana 2 Semana 3 Semana 4
Lunes
16.2
17.3
14.6
16.1
Martes
12.2
11.5
13.1
11.8
Mircoles
14.2
15.0
13.0
12.9
Jueves
17.3
17.6
16.9
16.6
Viernes
22.5
23.5
21.9
24.3
Promedio de Observaciones =
= 16.425
Observacin / Valor
promedio
0.986
1.053
0.889
0.980
0.743
0.700
0.798
0.718
0.865
0.913
0.791
0.785
1.503
1.072
1.029
1.011
1.370
1.431
1.333
Promed Pronstic
io
o
Factore Estacional
s
Lunes
0.98
16.1
Martes
0.74
12.1
0.84
13.8
Mircole
1.479
s
68

estacional ajustado Clculo del error
Trim.
Dem.
Pronstico
ajustado
Error
% Error
1
2
3
4
5
6
7
8
256
312
426
278
298
387
517
349
246.1
311.3
422.9
282.2
310.5
387.8
520.8
343.9
9.9
0.7
3.1
-4.2
-12.5
-0.8
.-3.8
5.1
4
0
1
-1
-4
0
-1
1
69
Errores de Pronstico
Error Promedio de
Pronstico (MFE
Mean Forecast Error)
Representa la
diferencia entre la
demanda real y el
pronstico.
Indica el nivel de
sesgo que hay entre el
pronstico y la
demanda real
Tri
m
Deman
da (A)
Pronsti
co (F)
Error
(A-F)
1
2
3
4
5
6
12
15
13
16
14
11
14
13
12
13
15
14
-2
2
1
3
-1
-3
MFE = 0; no hay sesgo
70
Errores de Pronstico
Desviacin Media
Absoluta (MAD Mean
Absolute Deviation)
Representa el promedio
de las desviaciones
absolutas de los errores
de pronstico.
Indica el error de
pronstico promedio
(siempre positivo)
Tri
m
Deman
da (A)
Pronsti
co (F)
Error
(A-F)
1
2
3
4
5
6
12
15
13
16
14
11
14
13
12
13
15
14
2
2
1
3
1
3
MAD = 2; error promedio

de 2 unidades
71
Caso de Aplicacin
La demanda de un producto durante los 10
trimestres anteriores son: 130, 115, 120,
125, 115, 110, 135, 115, 125 y 120.
Pronostique la demanda del trimestre 11,
utilizando los siguientes mtodos
Promedio mvil de 3 trimestre.
Promedio mvil ponderado de 3 trimestres con
pesos de 0.2, 0.3 y 0.5.
Suavizacin exponencial con =0.3.
Regresin lineal.
Calcule el MAD y el sesgo para cada mtodo,

qu significa
Qu mtodo es preferible.
72
Mtodos Asociativos de Pronstico

Es usado cuando los cambios en una o
ms variables independientes pueden
ser utilizadas para predecir los cambios
en la variable dependiente.
La tcnica ms comn es el
anlisis de regresin lineal.
Esta tcnica se aplica similar a como
se hizo en el ejemplo de las series de
tiempo.
Ejemplo de Pronstico Asociativo

Ca Constructora Nodel renueva casas. Su volumen en
$ por sus trabajos depende de la planilla del rea. La
administracin
desea
establecer
una
relacin
matemtica para ayudarse a predecir las ventas.
Ventas
Ventas
planilla Local
Millones de $), y(Billones de $), x
2.0
1
3.0
3
2.5
4
2.0
2
2.0
1
3.5
7
4.0
3.0
2.0
1.0
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del rea
|
7

Ventas, y
Planilla, x
2.0
1
3.0
3
2.5
4
2.0
2
2.0
1
3.5
7
y = 15.0
x = 18
x2 =
b=
x = x/6 = 18/6
=3
y = y/6 = 15/6 = 2.5
x2
1
9
16
4
1
49
80 xy =
xy
2.0
9.0
10.0
4.0
2.0
24.5
51.5
51.5 - (6)(3)(2.5)
xy - nxy
=
2
2
80 - (6)(32)
x - nx
= 0 .25
a = y - bx = 2.5 - (.25)(3) = 1.75

^
y = 1.75 + 0.25x Ventas = 1.75 + .25(planilla)

4.0
3.0
3.25
Ventas
Si la planilla para
el prximo ao
es estimada en
$6 billones,
entonces:
Ventas = 1.75 + .25(6)
Ventas = $3,250,000
2.0
1.0
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del real
|
7
Error estndar de la estimacin
Ventas
Un pronstico es justamente un punto

estimado de un valor futuro.
Este punto es
4.0
realmente la
3.0
media de una 3.25
distribucin de 2.0
probabilidad
1.0
0
Figure 4.9
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del Area
|
7
Error Estndar de la Estimacin

Sy,x =
Donde:
(y - yc)2
n-2
y = valor de y en cada dato

puntual
yc = Valor calculado de la
variable dependiente, a partir
de la ecuacin de regresin
n = numero de datos
puntuales

Esta ecuacin es bastante fcil de
usar
y2 - ay - bxy
Sy,x =
n-2
Se usa del error estndar para establecer
intervalos de prediccin alrededor de la
estimacin puntual

=
Sy,x = 0.306
4.0
3.0
3.25
El error estndar
de la estimacin
es $306,000 en
ventas
Ventas
y,x
39.5 - 1.75(15) - .25(51.5)

=
6-2
y2 - ay - bxy
n-2
2.0
1.0
|
1
|
2
|
|
|
|
3 4 5 6
Planilla del rea
|
7
Coeficientes de Correlacin
Qu tan fuerte es la relacin
lineal entre las variables?
La correlacin no
necesariamente implica
casualidad!
Coeficiente de correlacin, r,
miden el grado de asociacin
entre dos variables
Rango de valores es entre -1 y +1
Coeficiente de Correlacin
El valor del coeficiente de correlacin,
r, se determina mediante la
siguiente expresin:
r=
nxy - xy
[nx2 - (x)2][ny2 - (y)2]
Ejemplos de Coeficiente de Correlacin

y
(a) Correlacin
positiva
perfecta:
r = +1
(b) Correlacin
positiva:
0<r<1
(c) No hay
correlacin:
r=0
(d) Correlacin
negativa perfecta:
Coeficiente de Correlacin
Coeficiente of Determinacin, r2,
mide el porcentaje de cambio en el
pronstico debido al cambio en el
valor de x
Rango de valores entre 0 y 1
Fcil de interpretar
Para el ejemplo:
r = .901
r2 = .81
Anlisis de Regresin Mltiple

Si ms de una variable independiente va a
ser usada en el modelo, la regresin lineal
puede ser extendida a regresin multiple
para acomodar algunas variables
independientes
y^= a + b x + b x
1
Su uso es mas complejo y

generalmente los clculos son
hechos con computadoras.
Anlisis de Regresin Multiple

En el caso de la compaa Nodel,
incluyendo la tasa de inters, el modelo da
una nueva ecuacin de pronstico:
^
y = 1.80 + .30x1 - 5.0x2

Un coeficiente de correlacin mejorado de
r = 0.96 significa que este nuevo modelo
hace un mejor trabajo de pronosticar los
cambios de ventas en la construccin al
incluir las tasas de inters.
Ventas = 1.80 + .30(6) - 5.0(.12) = 3.00
Ventas = $3,000,000
Monitoreo y Control de Pronsticos

Seal de Control
Es una medida de qu tan bien predicen los
pronsticos los valores reales.
Se calcula como la relacin de la suma continua
de errores del pronstico (Running sum of
forecast errors - RSFE) entre la desviacin
absoluta media (mean absolute deviation MAD)
Buena seal de control tiene valores bajos.
Si hay una tendencia consistente de los
pronsticos a ser mayores o menores que
los valores reales (RSFE alta), hay un error
Monitoreo y Control de Pronsticos
Seal de = RSFE
control
MAD
(Demanda real del perodo i pronosticada del perodo i)
Seal de Demanda
=
|Real - Pronstico|/n)
control
Seal de Control
La seal excedi el lmite
+
Seal de control
Lmite superior de control
0 MADs
Intervalo
aceptado
Lmite inferior de control

Tiempo
Ejemplo de seal de control

Error
Error
absoluto
Demanda Demanda
Absoluto acumulado
Trim real Pronost. Error RSFE de Pronostdel pronostMAD
1
2
3
4
5
6
90
95
115
100
125
140
100 -10
100
-5
100 +15
110 -10
110 +15
110 +30
-10
-15
0
-10
+5
+35
10
5
15
10
15
30
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
Ejemplo de seal de control

Error
Error
absoluto
Seal
de Control
Demanda
Demanda
Absoluto acumulado
Trim(RSFE/MAD)
real Pornost. Error RSFE del Pronostdel pronostMAD
1 -10/10
90 =100
-10
-1
2 -15/7.5
95 =100
-5
-2
3 0/10
115 = 100
+15
0
4 -10/10
100 =110
-10
-1
5+5/11
125= +0.5
110 +15
6 140 =110
+30
+35/14.2
+2.5
-10
-15
0
-10
+5
+35
10
5
15
10
15
30
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
La variacin de la seal de control oscila entre

-2.0 y +2.5 est dentro de los lmites
aceptables.

Pronósticos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pronósticos

Cargado por

Copyright:

Formatos disponibles

Pronsticos

Ricardo Serrano Castillo

Ing. Ricardo Serrano C.

Caractersticas de los pronsticos

Caractersticas de los pronsticos

Horizontes de tiempo del Pronstico

Hasta 1 ao, generalmente menor a 3 meses

Pronstico a mediano plazo

Entre 3 meses y 3 aos.

Poronstico a largo plazo

Ciclo de Vida del Producto

Poco tiempo para El control de

Ciclo de Vida del Producto

Enfoques de Pronstico Causal

Componentes de Series de Tiempo

Demanda del producto o servicio

Ing. Ricardo Serrano C.

Promedios Mviles Simples

Ejemplo de Promedio Mvil

Grfico de Promedio Movil

Promedios Mviles Ponderados

Suavizado Exponencial Simple

Nuevo pronstico= Pronstico del periodo anterior +

Determinacin de la constante de Suavizamiento

Ponderacin Aplicada Periodo

Hace tres meses

Promedio mvil ponderado

[(3 x 13) + (2 x 12) + (10)]/6 =

Promedio Mvil y Promedio Mvil

Ejemplo de Suavizamiento Exponencial

Ejemplo de Suavizamiento Exponencial

Ejemplo de Suavizamiento Exponencial

Efecto de las constantes de

Caso de Aplicacin: Promedio mvil de tres

Ing. Ricardo Serrano C.

Caso de Aplicacin: Promedio mvil para

Ing. Ricardo Serrano C.

Casos de Aplicacin: Promedio mvil ponderado

Ing. Ricardo Serrano C.

Caso de Aplicacin: Suavizacin exponencial

Ing. Ricardo Serrano C.

Caso de Aplicacin: Suavizacin exponencial

Ing. Ricardo Serrano C.

Caso de Aplicacin: Suavizacin exponencial

Ing. Ricardo Serrano C.

Medidas ms comunes de error

Error Cuadrtico medio (MSE)

Comparacin del error de pronstico

Comparacin del error de pronstico

Ing. Ricardo Serrano C.

Comparacin del error de pronstico

Comparacin del error de pronstico

Suavizamiento exponencial con ajuste de

Suavizamiento exponencial con

1: Pronstico suavizado para el mes 2

= .72 + 1.2 = 1.92 units

Paso 3: Clculo del pronstico

30 Demanda Real (At)

Pronstico incluyendo tendencia (FITt)

Values of Dependent Variable

Mtodo de Mnimos Cuadrados

Trend line, y^= a + bx

Valores de la variable Dependiente

Mtodo de Mnimos Cuadrados