Está en la página 1de 337

TEMA N 04: ADMINISTRACIN DE

LA DEMANDA
Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com
2013- II
ADMINISTRACIN DE LA
PRODUCCIN Y CALIDAD
OBJETIVOS ESPECIFICOS DE
APRENDIZAJE
al final de la clase el estudiante:

Explicar que es el pronstico.
Describir los mtodos de pronsticos de
tipo cualitativo y cuantitativo.
Demostrar como se calculan los
pronsticos de Series de Tiempo.
Explicar como se calculan los
pronsticos de Regresin.
Explicar las distintas formas de medir
los errores de pronsticos.
Para disear y ejecutar un sistema de
operacin que satisfaga a los clientes,
una empresa debe reconocer cunta
demanda tiene que satisfacer, lo cul lo
induce a tres interrogantes importantes:
Como saber que producir?
Como saber cuanto producir?
Como saber cuando producir?
La prediccin y administracin de la
demanda ayuda a responder estas
preguntas.
La administracin de la demanda
incluye identificar todas las fuentes
potenciales de la demanda, as como
influir en ella. Los intentos de medir la
demanda y los efectos de administrarla se
denominan pronsticos.

DEFINICION: La Administra-
cin de la demanda implica
reconocer fuentes de demanda
para los bienes y servicios de una
Empresa, predecir la demanda y
determinar la manera cmo la
empresa satisfacer esa
demanda.
Cuanto vender?
Es el arte y la ciencia de predecir los
eventos futuros. Puede involucrar el
manejo de datos histricos para
proyectarlos al futuro, mediante algn tipo
de modelo matemtico.
Puede ser una prediccin subjetiva. O
bien una combinacin de ambas, es decir
un modelo matemtico ajustado por el
buen juicio de un administrador de
operaciones.
PRONSTICOS PARTE INTEGRAL
DEL PLANEAMIENTO DE NEGOCIOS
Mtodos de
Pronstico
Estimacin
de la
demanda
Pronstico
de Ventas
Equipo de
Administracin
Ingreso:
Mercado,
Economa,
Otros
Estrategia
de Negocios
Pronstico de
Recursos de Produccin
Rango
Alto
Rango
Medio
Rango
Corto
Ao
Meses
Semanas
Lnea de Products,
Capacidad de Planta
Horizonte
Pronstico
Tiempo
Comienzo
del Pronstico
Unidad de
Medida
Grupos de Productos
Capacidad de Dptos.
Productos Especificos
Capacidad de Maq.
Dolares,
Libras
Dolares,
Libras
Prod. Units,
Unidades
MARKETING
OPERACIONES
Proporciona informacin
relacionada con el merca-do
y las predicciones de la
demanda.
Administra la demanda
mediante polticas de
fijacin de precio y
promociones p.e. los
descuentos de tempo rada
nivelan la demanda por un
producto o servicio.


Se encarga de asegurar que los bienes y
servicios de la Empresa se proporcionen
cuando se necesiten.
Hasta 3 meses.
Asignacin de trabajos
Entre 3 meses y 3 aos.
Planeacin de Produccin y venta.
Mas de 3 aos
Planeacin de un nuevo producto.
1. Econmicos
2. Tecnolgicos
3. De demanda
Cuanto
vender?
1.-PRONOSTICOS ECONOMICOS
Sirven para pronosticar lo que
sern las condiciones generales
de los negocios dentro de
algunos meses o aos.
Lo hacen los gobiernos, los
bancos y los servicios de
prediccin economtrica.

Pronostican la probabilidad y
el significado de posibles
desarrollos futuros. Indican la
direccin de los cambios
tecnolgicos y la tasa de
cambios esperada.
2.- PRONOSTICOS TECNOLOGICOS
Las predicciones de
demanda pronostican la
cantidad y la duracin de la
demanda de los bienes y
servicios de una empresa.
3.- PRONOSTICOS DE LA DEMANDA
I. CUALITATIVOS
II. CUANTITATIVOS
Cuanto
vender?
I.- ENFOQUES CUALITATIVOS PARA
PRONOSTICAR LA DEMANDA
Las tcnicas cualitativas de pronstico
dependen de conjetura adquiridas con base en
la institucin las tcnicas cualitativas mas
comunes son:
1. Consenso de Comit Ejecutivo
2. Mtodo Delphi
3. Informacin Jefes Zonales
4. Encuestas
TCNICA Y ENFOQUE DE
PRONSTICO CUALITATIVO
Se fundamentan en la experiencia
Criterio
Intuicin
Encuestas del mercado
Pueden ser resultados muy buenos o
muy malos
Existen mtodos de juicio y mtodos
de conteo
1. CONSENSO DE COMIT EJECUTIVO
Permite la fusin de las opiniones de una
seccin de expertos interfuncionales.
Involucra pequeo grupo de alto nivel los
administradores.
Grupo estimaciones de la demanda de trabajo
conjunto.
1. CONSENSO DE COMIT EJECUTIVO
Combina la experiencia de gestin con
modelos estadsticos.
Esta tcnica es relativamente econmica y
mas utilizada a mediano y largo plazo.
Relativamente rpida
La desventaja es que se crea el grupo que
piensa.
2. METODO DELPHI
Este mtodo involucra a un grupo de expertos
que comparten informacin y eventualmente
llegan a un consenso en una prediccin a largo
plazo con respecto a las tecnologa del futuro o
a las ventas futuras de un nuevo producto.
Esta conformado por tres tipos de personas:
Los decisores (Decision Makers).
Facilitadores (Staff).
Los encuestados (Respondents).
3. INFORMACION DE JEFES ZONALES
La fuerza de ventas esta en contacto directo con
los clientes (lo cual constituye una buena fuente
de informacin que considera las intenciones de
los clientes a corto y a mediano plazo):
Cada vendedor proyecta sus ventas.
La fuerza de ventas conoce a los clientes.
Tienden a ser demasiado optimistas
Sales
Combina el estimado de las ventas futuras
que hace cada vendedor para su territorio
en un pronstico de ventas totales.




3. INFORMACION DE JEFES ZONALES
VENTAJAS
-Representantes de venta responsables del
pronstico
-Se utiliza conocimiento y experiencia de
vendedores
-Cuotas de ventas asignadas por los mismos
vendedores
3. INFORMACION DE JEFES ZONALES
3. INFORMACION DE JEFES ZONALES
DESVENTAJAS
-Vendedores no estn capacitados para hacer
pronsticos
-Vendedores bajan cuotas de venta para alcanzarlas con
mayor facilidad
-Los pronsticos se basan en condiciones presentes y
no a futuro
4. ENCUESTA
Una empresa puede
basar sus pronsticos
de las compras futuras de
sus clientes actuales y
potenciales mediante
encuestas.
Esta informacin puede
obtenerse por medio de
encuestas personales, por
telfono, correo, email o
fax.
Cuantas horas usar
Ud. Internet la prxima
semana?
Encuesta de intencin de compra
Se toma una muestra de los clientes y se les pregunta
su intencin de compra en un periodo especfico
Se combinan en un solo pronstico ya sea por
producto, por territorio o por clientes.



4. ENCUESTA
Ventajas de encuesta
El pronstico lo determinan los usuarios reales del
producto
Pronstico rpido y econmico cuando participan
algunos clientes

4. ENCUESTA
Desventajas
La tcnica se vuelve cara cuando los usuarios son
numerosos y no se les puede localizar
Lo que dice el comprador y lo que hace es diferente
Pronstico depende de los usuarios que no siempre
quiere cooperar


4. ENCUESTA
Mercados de prueba
Generalmente para estimar ventas de un nuevo
producto
Prueba que se realiza en un mercado limitado para
ver la reaccin del consumidor antes de ampliarse al
mercado regional o nacional

4. ENCUESTA
Se puede observar el impacto de las ventas
Participacin en el mercado (tasa de prueba y de
repeticin)

Qu pasa con un pronstico equivocado?
AREA DEMASIADO ELEVADO DEMASIADO BAJO
Produccin Exceso de produccin
productos no vendido
Produccin inadecuada para
satisfacer necesidades del
cliente
Inventario Exceso de existencias Existencias insuficientes
Finanzas Efectivo inmovilizado Escasez de efectivo
Promocin Gastos desperdiciados Gastos insuficientes para
cubrir el mercado
Fijacin de precios Reducciones de precios para
vender exceso
Aumento de precios para
asignar los productos escasos
Fuerzas de ventas Demasiados vendedores Pocos vendedores
Relaciones con clientes Dinero desperdiciado en
actividades innecesarias
Insatisfactorias debido a
productos agotado
Utilidades Menores debido a gastos
innecesarios
Menores porque no se cubre
la demanda del mercado
Estos mtodos cuantitativos emplean los
modelos matemticos y los datos histricos
para pronosticar la demanda. As, el pasado
se utiliza para predecir el futuro.
Hay dos tipos generales de mtodos
cuantitativos:
- Modelos de Series de tiempo
- Modelos Causales
II. ENFOQUES CUANTITATIVOS PARA
PRONOSTICAR LA DEMANDA
Mtodo
Cuantitativo
Regresin
Lineal
Modelos
Causales
Suavizado
Exponencial
Promedio
Mvil
Modelos
Serie de Tiempos
Proyeccin
Tendencia
METODOS CUANTITATIVOS
MODELOS DE SERIES DE TIEMPO
Incluye elaborar grficas de los datos de
demanda sobre una escala de tiempo y
estudiar las grficas para descubrir los
modelos y las figuras o los patrones
consistentes. Luego, estos patrones se
proyectan hacia el futuro.
DEFINICION: Una serie de tiempo es una
secuencia de observaciones
cronolgicamente clasificadas que se
toman a intervalos regulares para una
variable en particular.
MODELOS DE SERIES DE TIEMPO
Incluye elaborar grficas de los datos de
demanda sobre una escala de tiempo y
estudiar las grficas para descubrir los
modelos y las figuras o los patrones
consistentes. Luego, estos patrones se
proyectan hacia el futuro.
DEFINICION: Una serie de tiempo es una
secuencia de observaciones
cronolgicamente clasificadas que se
toman a intervalos regulares para una
variable en particular.
Para que se utilizan las series de Tiempo?
Hoy en da las organizaciones requieren conocer
el comportamiento futuro de ciertos fenmenos
con el fin de planificar, prevenir,es decir, se
utilizan para predecir lo que ocurrir con una
variable en el futuro a partir del comportamiento
de esa variable en el pasado. Para realizar
predicciones a corto y mediano plazo, por
ejemplo ver que ocurrira con la demanda de un
cierto producto, las ventas a futuro, decisiones
sobre inventario, insumos, etc.
MODELOS DE SERIES DE TIEMPO


La planificacin racional exige prever los
sucesos del futuro que probablemente vayan a
ocurrir. La previsin, a su vez, se suele basar en
lo que ha ocurrido en el pasado. Se tiene un
nuevo tipo de inferencia estadstica que se hace
acerca del futuro de alguna variable o compuesto
de variables basndose en sucesos pasados.
La tcnica ms importante para hacer
inferencias sobre el futuro con base en lo
ocurrido en el pasado, es la SERIES DE
TIEMPO.

Para qu se utilizan sa una Serie de
Tiempo:?

Time Series Plot
1985 1987 1989 1991 1993 1995
3500
3700
3900
4100
4300
Qu es una serie temporal?
Es un conjunto de medidas, ordenadas en un
espacio de tiempo, de una variable objeto de
estudio













Ao:X N de
libros:Y
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
3560
3940
3910
3890
4040
4010
4120
3980
4070
4190

Tendencia
Estacional
Cclica
Aleatorio
COMPONENTES DE LAS SERIES DE TIEMPO
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: TENDENCIA
Tendencia (T) es el movimiento gradual, ascendente o
descendente, de los datos a traves del tiempo.
Estacionalidad (S) es el patron de datos que se repite a
si mismo despues de un periodo de das, semanas,
meses, trimestres, estaciones, etc. pero dentrol ao..
Ciclos (C) son patrones que ocurren en los datos cada
varios aos.
Variacin al azar (R) son variaciones aleatorias que no
obedecen a ningun comportamiento.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: TENDENCIA
TENDENCIA (T) es el movimiento gradual, ascendente o
descendente, de los datos a traves del tiempo.
Las tendencias reflejan los cambios en la
tecnologa, los estndares de vida, los
ndices de poblacin ,etc..
DEFINICION: Una tendencia es el
movimiento gradual hacia arriba o hacia
debajo de los datos en el tiempo.
Las tendencias son montonas , pero no
siempre lineales; pueden ser logartmica o
exponenciales.
ESTACIONALIDAD (S) es el patrn de datos
que se repite a si mismo despues de un periodo
de das, semanas, trimestres, estaciones, etc.
pero dentro del ao.
DEFINICION: La temporada es la variacin que
se repite a intervalos fijos. Pueden durar un ao
o solo unas pocas horas.
Mo., Qtr.
Response
Summer
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: ESTACIONALIDAD
Perodo de tiempo Nmero de
del Patrn donde Longitud de la Estaciones en
es repetido Estacin el Patrn

Ao Trimestre 4
Ao Mes 12
Ao Semana 52
Mes Semana 4
Mes Dia 28-31
Semana Dia 7

DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: ESTACIONALIDAD
CICLOS (C) son patrones que ocurren en
los datos cada varios aos.
Las alzas y las bajas de la economa o de
una industria especificas se representan
en variaciones cclicas. El ciclo de
negocios que se repite de cinco a diez
aos es un ejemplo.
DEFINICION: La variacin cclica tiene
una duracin de por lo menos un ao; la
variacin varia de un ciclo a otro.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: VARIACIONES CICLICAS
Las variaciones aleatorias son
variaciones en la demanda que no
pueden explicarse mediante tenden-cias,
variaciones de temporada o variaciones
cclicas. Un suceso impredecible, como
una guerra, una huelga, un terremoto o
partes de legislacin, puede causar
grandes variaciones aleatorias. A
diferencia de las otras tendencias , la
variacin aleatoria siempre esta presente.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: VARIACIONES ALEATORIAS
DEMANDA DE PRODUCTO PARA 4 AOS CON
TENDENCIA Y ESTACIONALIDAD
Ao
1
Ao
2
Ao
3
Ao
4
Picos Estacionales Componente Tendencia
Lnea de actual
demanda
Demanda promedio
para 4 aos
D
e
m
a
n
d
a

d
e

p
r
o
d
u
c
t
o

o

s
e
r
v
i
c
i
o

Variacin
aleatoria
MODELOS DE
SERIE DE TIEMPOS
Se llama Series de Tiempo a un conjunto de
observaciones sobre valores que toma una
variable (cuantitativa) en diferentes momentos
del tiempo.

DEFINICION
Para que se utilizan las Series
de Tiempo?
Hoy las diversas organizacio-
nes requieren conocer el
comportamiento futuro de
ciertos fenmenos con el fin de
planificar, prevenir,es decir, se
utilizan para predecir lo que
ocurrir con una variable en el
futuro a partir del
comportamiento de esa variable
en el pasado.

APLICACIONES
En las organizaciones es de mucha utilidad en
predicciones a corto y mediano plazo, por
ejemplo ver que ocurrira con la demanda de un
cierto producto, las ventas a futuro, decisiones
sobre inventario, insumos, etc....
No as para el diseo de un proceso productivo
ya que no se disponen de datos histricos y se
trata de un proyecto a largo plazo.
MODELOS DE SERIE DE TIEMPO
Modelo Multiplicativo de una serie de tiempo:
A
t
= T
t
* S
t
* C
t
* E
t

Modelo Aditivo de una serie de tiempo:
A
t
= T
t
+ S
t
+ C

+ Et
Donde :
A
t
=Demanda real en el perodo t
T
t
= Componente de tendencia para el perodo t.
S
t
= Componente de temporada para el perodo t.
C
t
= Componente de ciclo para el perodo t.
E
t
= Componente aleatoria o error para el perodo t.
SELECCIN DE UN MODELO
1. El horizonte de tiempo para
realizar la proyeccin.
2. La disponibilidad de los datos.
3. La exactitud requerida.
4. El tamao del presupuesto de
proyeccin.
5. La disponibilidad de personal
calificado.
MODELOS DE SERIES DE TIEMPO
Mtodo de proyeccin

Cantidad de datos
histricos

Patrn de los datos

Horizonte de
proyeccin

Tiempo de
preparacin

Antecedentes del
personal


Ajuste exponencial
simple

5 a 10 observaciones
para fijar la
ponderacin

Los datos deben ser
estacionarios


Corto


Corto


Poca sofisticacin

Ajuste exponencial de
Holt

10 a 15 observaciones
para fijar la
ponderacin

Tendencias pero no
estacionalidad


Corto a mediano


Corto

Ligera sofisticacin

Ajuste exponencial de
Winter

Por lo menos 4 5
observaciones por
trimestre

Tendencias y
estacionalidad


Corto a mediano


Corto

Sofisticacin
moderada


Modelos de la tendencia
de regresin

10 a 20 observaciones
para la estacionalidad,
por lo menos 5 por
trimestre


Tendencias y
estacionalidad



Corto a mediano



Corto



Sofisticacin
moderada



Modelos de regresin
causal


10 observaciones por
variable independiente


Puede manejar patrones
complejos



Corto , mediano o
largo

Largo tiempo para
el desarrollo , corto
para la puesta en
ejecucin



Sofisticacin
considerable


Descomposicin de las
series de tiempo


Suficiente para ver 2
picos y simas

Maneja patrones
cclicos y estacionales
puede identificar los
puntos crticos



Corto a mediano


Corto tiempo para
la moderacin



Poca sofisticacin


Box Jenkins


50 o mas observaciones

Deben ser estacionarios
o ser transformados en
estacionarios


Corto , mediano o
largo


Largo


Alta sofisticacin

PROMEDIO MOVIL SIMPLE
Se utiliza para calcular la demanda promedio de los
ltimos n perodos y como prediccin para el siguiente
perodo.
Promedio mvil simple:
F
t
= (A
t
+ A
t-1
+ A
t-2
+....+A
t-n +1
)
n
Donde :
F
t
= prediccin para el perodo t+1
A
t
= demanda real para el perodo
n = nmero de perodos por promediar
Usted es gerente de una tienda que vende
repuestos metalmecnicos. Qu previsin de
ventas (000) para el ao 2009 deber hacer
utilizando un perodo de 3 de media mvil.

2004 4
2005 6
2006 5
2007 3
2008 7
EJEMPLO DE PROMEDIO MOVIL SIMPLE
Time
Response
Y
i
Moving Total
(n = 3)
Moving
Avg. ( n = 3)
2004 4
2005 6
2006 5
NA NA
NA NA
NA NA
2007 3
2008 7
2009 NA
4 + 6 + 5 = 15
SOLUCION DEL PROMEDIO MOVIL SIMPLE
Time
Response
Y
i
Moving Total
(n = 3)
Moving
Avg. ( n = 3)
2004 4 NA NA
2005 6 NA NA
2006 5 NA NA
2007 3 4 + 6 + 5 = 15 15/3 = 5.0
2008 7
2009 NA
6 + 5 + 3 = 14
SOLUCION DEL PROMEDIO MOVIL SIMPLE
Ao
Respuesta
Y
i
Movil Total
(n = 3)
Movil
Prom.( n = 3)
2004 4 NA NA
2005 6 NA NA
2006 5 NA NA
2007 3 4 + 6 + 5 = 15 15/3 = 5.0
2008 7 6 + 5 + 3 = 14 14/3 = 4.7
2009 NA 5 + 3 + 7 = 15 15/3 = 5.0
SOLUCION DEL PROMEDIO MOVIL SIMPLE
Ao
Ventas
0
2
4
6
8
04 05 06 07 08 09
Actual
Pronstico
GRAFICO DEL PROMEDIO MOVIL SIMPLE
PROMEDIO SIMPLE
CON WINQSB 2
PROMEDIO MOVIL SIMPLE
CON WINQSB 2
PROMEDIO MOVIL PONDERADO
Se utiliza cuando existe una tendencia o patrn, los
pesos pueden ser utilizados para poner mayor enfsis
en datos recientes.
Promedio de mvil ponderado:
F
t
= (Peso para el periodo n)(Demanda periodo n)
pesos
Donde :
F
t
= prediccin para el perodo n
n = nmero de perodos por promediar
DEMANDA ACTUAL, PROMEDIO MOVIL,
PROMEDIO MOVIL PONDERADO
0
5
10
15
20
25
30
35
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Meses
D
E
M
A
N
D
A

D
E

V
E
N
T
A
S
Ventas actuales
Promedio mvil
Promedio mvil
ponderado
Al incrementar n pronsticos, hace a este
sensitivo a los cambios.
No pronostica tendencias.
Requiere muchos datos histricos
DESVENTAJAS DEL PROMEDIO MOVIL
PROMEDIO MOVIL PONDERADO
CON WINQSB 2
2006 Prentice Hall, Inc. 4 47
30 30
25 25
20 20
15 15
10 10
5 5
S
a
l
e
s

d
e
m
a
n
d
S
a
l
e
s

d
e
m
a
n
d
| | | | | | | | | | | |
J J F F M M A A M M J J J J A A S S O O N N D D
Actual Actual
sales sales
Moving Moving
average average
Weighted Weighted
moving moving
average average
Figure 4.2 Figure 4.2
GRAFICO DEL PROMEDIO MOVIL SIMPLE Y
PROMEDIO MOVIL PONDERADO
MODELOS DE SUAVIZADO
EXPONENCIAL
Cuando se analizan datos
en donde los movimientos
de la tendencia en la serie
se ven confusos las
variaciones de un ao a
otro, y no es fcil darse
cuenta de si realmente
existe en la serie algn
efecto de la tendencia hacia
arriba o hacia abajo.

MODELOS DE SUAVIZADO
MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio de
desplazamiento simple y la suavizacin exponencial,
pueden proporcionar predicciones razonables a corto
plazo con rapidez y a bajo costo.
Suavizacin exponencial:
F
t
= F
t-1
+ (A
t-1
- F
t - 1
)
Donde :
F
t
= prediccin para el perodo t
F
t - 1
= prediccin para el perodo t - 1
A
t 1
= Demanda real para el perodo t - 1
= constante de suavizacin (0<= 1<=1)
Se esta organizando
una reunin de trabajo
en un Taller de
mantenimiento. Se
espera pronosticar la
atencin del ao 2011.
El (o = 0.0). En 2004 el
pronstico fu 175.

EJEMPLO DE SUAVIZADO EXPONENCIAL
AO PRONOSTICO
2006 180
2007 168
2008 159
2009 175
2010 190
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
Pronstico F
t
(
o
= .10)
2006 180 175.00 (Base)
2007 168
2008 159
2009 175
2010 190
2011 NA
175.00 +
EJEMPLO DE SUAVIZADO EXPONENCIAL
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao
Actual
F
t
(
o
= .10)
180
168 175.00 + .10(
159
175
190
NA
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 -
159
175
190
NA
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 - 175.00)
159
175
190
NA
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 - 175.00) = 175.50
159
175
190
NA
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 - 175.00) = 175.50
159 175.50 + .10(168 - 175.50) = 174.75
175
190
NA
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 - 175.00) = 175.50
159 175.50 + .10(168 - 175.50) = 174.75
175
190
NA
174.75 + .10(159 - 174.75) = 173.18
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 - 175.00) = 175.50
159 175.50 + .10(168 - 175.50) = 174.75
175 174.75 + .10(159 - 174.75) = 173.18
190 173.18 + .10(175 - 173.18) = 173.36
NA
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
F
t
= F
t-1
+ o (A
t-1
- F
t-1
)

Ao Actual
F
t
(
o
= .10)
180
168 175.00 + .10(180 - 175.00) = 175.50
159 175.50 + .10(168 - 175.50) = 174.75
175 174.75 + .10(159 - 174.75) = 173.18
190 173.18 + .10(175 - 173.18) = 173.36
NA 173.36 + .10(190 - 173.36) = 175.02
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2006
2007
2008
2009
2010
2011
Ao
Ventas
140
150
160
170
180
190
06 07 08 09 10 11
Actual
Pronstico
GRAFICO DE SUAVIZADO EXPONENCIAL
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10%
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90% 9%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90% 9% 0.9%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
IMPACTO DE o
0
50
100
150
200
250
1 2 3 4 5 6 7 8 9
Quarter
A
c
t
u
a
l

T
o
n
a
g
e
Actual
Forecast (0.1)
Forecast (0.5)
SUAVIZADO EXPONENCIAL CON
TENDENCIA
Como el suavizado exponencial simple falla al
responder a las tendencias, se calcula un promedio de
suavizacin exponencial simple y se ajusta para
retrasos (+) y (-). La ecuacin de tendencia emplea
una constante .
Ejemplo: Estimar las ventas para el ao siete tomando
en cuenta una tendencia inicial de 22.73, un = 0.3,
una = 0.50, y un pronstico inicial de 340. Adems,
establezca el MAD.

Ao 1 2 3 4 5 6
Ventas 400 470 500 530 560 595
TENDENCIA LINEAL
El mtodo ms empleado para describir una tendencia
lineal es el de mnimos cuadrados, para encontrar una
lnea de mejor ajuste para un conjunto de puntos.
Y = a + bX
Y = valor pronosticado en un periodo X
a = valor de la tendencia cuando X = 0
b = pendiente de la recta de tendencia
X = periodo (codificado)

Ao Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
TENDENCIA LINEAL
Tendencia lineal: ejemplo
30
35
40
45
50
55
60
65
70
75
80
1994 1995 1996 1997 1998 1999 2000 2001
TENDENCIA LINEAL
Tendencia lineal: ejemplo
X Y XY X
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
TENDENCIA LINEAL
Tendencia lineal: frmulas
( )
n
x
b
n
y
a
x x n
y x xy n
b



=

=
2
2
TENDENCIA LINEAL
Tendencia lineal
t Yt Yt et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
TENDENCIA LINEAL
Se puede calcular el coeficiente de determinacin, a
fin de evaluar qu tan correcta es la estimacin de la
recta de regresin.
El coeficiente de determinacin r se calcula como:
| |
( ) | | ( ) | |
2
2
2 2
2
2




=
y y n x x n
y x xy n
r
TENDENCIA LINEAL
Tambin es posible calcular intervalos de confianza
para la estimacin. Para ello es necesario calcular el
error estndar de la estimacin.
2
2


=

n
xy b y a y
S
e
TENDENCIA LINEAL
Nivel de
confianza
Z Frmula
68% 1 y Se
95% 2 y 2Se
99% 3 y 3Se
TENDENCIA LINEAL
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
Los datos muestran alguna tendencia creciente a lo largo del
tiempo, adems de una marcada estacionalidad. Se proceder
a desestacionalizar los datos, lo que permite observar hasta
donde las variaciones se deben a efectos estacionales o bien, a
otros factores.
El proceso de ajuste estacional se realizar a travs del
clculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Pronstico=Indice Estacional*Pronostico de la tendencia
Estacional
Ao Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
1 2 3 4 1 2 3 4 1 2 3 4
Trimestres
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
A1 A2 A3 SUMA PROM
FACTOR
ESTACIONAL
T1
13618 14514 13984 42116 14039 0,9323
T2
12930 14128 13644 40702 13567 0,9010
T3
13138 15568 15898 44604 14868 0,9873
T4
16532 17448 19300 53280 17760 1,1794
180702
60234
15058,5
Ao Trim. Yt Yt ajust.
1 1 13618.00 14607.27
2 12930.00 14351.12
3 13138.00 13306.33
4 16532.00 14017.29
2 1 14514.00 15568.36
2 14128.00 15680.79
3 15568.00 15767.47
4 17448.00 14793.96
3 1 13984.00 14999.86
2 13644.00 15143.59
3 15898.00 16101.70
4 19300.00 16364.25
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
Se aplican varios mtodos de pronstico para
finalmente seleccionar el mejor pronstico.
A. Mtodo de pronstico del ltimo valor
B. Promedios mviles
C. Suavizamiento exponencial
D. Suavizamiento exponencial con tendencia
MODELOS DE SUAVIZADO
EXPONENCIAL CON WINQSB2
SERIES DE TIEMPO CON WINQSB2
La opcin Nuevo Problema (New Problem) genera una
plantilla en el cual se introducirn las caractersticas de
nuestro problema de pronsticos:
SERIES DE TIEMPO CON WINQSB2
A continuacin se describir la ventana de
Especificaciones del problema (Problem
Specification):
Pronstico de Series de Tiempos (Time Series
Forecasting):
Ttulo del problema (Problem Title): Nombre con el
cual se identificar el problema.
Unidad de Tiempo (Time Unit): Se especifica la
unidad de tiempo de la serie.
Numero de unidades de tiempo (Number of Time
Units - Periodos): Datos disponibles.
SERIES DE TIEMPO CON WINQSB2
Regresion lineal (Linear Regression)
SERIES DE TIEMPO CON WINQSB2
Ttulo del problema (Problem Title): Nombre
con el cual se identificar el problema.
Nmero de variables (Number of Factors -
Variables): Cantidad de variables utilizadas en el
modelo.
Numero de observaciones (Number of
Observations): Datos disponibles.
Ejemplo 1:
Informacin suministrado
por el Departamento de
Estadsticas de la ciudad,
el nmero de carros que
transitaron en los ltimos 7
aos fueron:

Pronosticar la cantidad de
vehculos para los aos
2005 y 2006.
AO CANTIDAD
1998 1200000
1999 1500000
2000 1850000
2001 1915000
2002 2400000
2003 2750000
2004 2920000
SERIES DE TIEMPO CON WINQSB2
INTRODUCIENDO LOS DATOS
Procederemos a llenar los campos de la ventana, en
donde la unidad de tiempo esta dado en aos y el nmero
de datos disponibles son 7.
SERIES DE TIEMPO CON WINQSB2
Luego introducimos los datos de los vehculos en estricto
orden:
SERIES DE TIEMPO CON WINQSB2
En el caso de que queramos
eliminar o agregar nuevos
datos, tenemos las opciones
Agregar una observacin
(Add an Observation) y
Eliminar una observacin
(Delete an Observation) en
el men Editar (Edit).
SERIES DE TIEMPO CON WINQSB2
En el men Resolver y analizar (Solve and Analyze)
elegimos la nica opcin disponible:
La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para series de tiempo:
La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para seres de tiempo:
SERIES DE TIEMPO CON WINQSB2
La nueva ventana permitir distinguir entre
diferentes mtodos de solucin para seres de
tiempo:
SERIES DE TIEMPO CON WINQSB2
Seleccionaremos la opcin Suavizado exponencial simple
(Single Exponential Smoothing) e indicaremos informacin
adicional para resolver el problema con este mtodo:
SERIES DE TIEMPO CON WINQSB2
La primera opcin (permanente en todos los mtodos)
corresponde al nmero de periodos a pronosticar (para
nuestro ejemplo problema son dos aos).
Recordemos que (alpha) es una constante entre 0 y 1.
Existe tambin la opcin de mantener el resultado de un
mtodo para poder compararlo con otros distintos.
SERIES DE TIEMPO CON WINQSB2
Al pulsar OK tenemos:
SERIES DE TIEMPO CON WINQSB2
ANALIZANDO LOS RESULTADOS
El pronstico para los dos aos se puede observar en la
columna Pronstico por SES (Forecast for SES) en las
filas correspondiente a los valores 8 y 9.
MEDIDAS PARA CALCULAR EL ERROR
GLOBAL DEL PRONSTICO
MEDIDAS PARA CALCULAR EL ERROR
GLOBAL DEL PRONSTICO
Error del pronstico acumulado (Cumulative Forecast
Error - CFE)
Desviacin media absoluta (Mean Absolute Deviation -
MAD)
Error medio cuadrtico (Mean Square Error - MSE)
Error medio porcentual absoluto (Mean Absolute Percent
Error MAPE)
Seal de senda (Tracking Signal): Equivale a la divisin
entre CFE y MAD.
R al cuadrado (R-Square): Coeficiente de determinacin.
Al dato A
i
se le resta el pronostico F
i

ERROR DE PRONOSTICO

Forecast Error = (Actual Data - Pronstico)


Los grandes errores positivos se compensan con
los grandes errores negativos en la CFE de una
medicin.
Sin embargo el CFE resulta til para evaluar el
sesgo de un pronstico.
Por ejemplo, si un pronstico resulta mas bajo que
la demanda real, el valor del CFE sera cada vez
ms grande.
E
t
=
CFE
n
1 = i

ERROR DE PRONOSTICO ACUMULADO(CFE)
Sumatoria de los errores de pronstico.
ERROR DE PRONOSTICO ACUMULADO (CFE)
CFE

= (Forecast Error )


DESVIACION MEDIA ABSOLUTA (MAD)
n

Suma de Desviacin absoluta para n periodos

=
MAD
n
Demanda pronosticada -

Demanda actual
=
MAD
n
1 = i

Desviacin Absoluta Media (MAD): Su valor se calcula
sumando los valores absolutos de los errores individuales
del pronstico y dividiendo entre el nmero de periodos
de datos (n)
Veamos un ejemplo
Muestra la magnitud del error global.
No penaliza los errores extremos.
No anula los errores.
No da idea de la direccin del error.
En unidades originales.
DESVIACION MEDIA ABSOLUTA (MAD)
DESVIACION MEDIA ABSOLUTA (MAD)
Ejemplo: Durante los ltimos 8 trimestres, el puerto del
Callao ha descargado de los barcos grandes cantidades
de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizado exponencial para ver que tan
bien funciona la tcnica para predecir el tonelaje
descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue 175 toneladas.
Se examinan dos valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo
para = 0,10
DESVIACION MEDIA ABSOLUTA (MAD)
Trimestre
Toneladas reales
descargadas
Pronstico
Redondeado con
= 0,10
Pronstico
Redondeado con
= 0,50
1
2
3
4
5
6
7
8
9
180
168
159
175
190
205
180
182
?
175
= 175 + 0,10 ( 180 175)
Pronstico del periodo
anterior
Demanda real
en periodo
anterior
Pronstico del
periodo anterior
176
175 = 175,50+0,10 (168 175,50)
173 = 174,75+0,10 (159-174,75)
173 = 173,18+0,10 (175+173,18)
175 = 173,36+0,10(190-173,36)
178= 175,02+0,10(205-175,02)
178 = 178,02 + 0,10 (180-178,02)
179 = 178,22 + 0,10 (182-178,22)
175
178
173
166
170
180
193
186
184
Para evaluar la precisin de ambas constantes de
suavizado, calculamos los errores de pronstico en
trminos de desviaciones absolutas y MAD.
DESVIACION MEDIA ABSOLUTA (MAD)
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
Desviacin
Absoluta Para
=0,10
Pronstico
Redondeado
con =0,50
Desviacin
Absoluta Para
=0,50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
5
8
16
2
17
30
2
4
175
178
173
166
170
180
193
186
5
10
14
9
20
25
13
4
Suma de desviaciones absolutas
84 100
MAD =
desviaciones
n
10,50
12,50
Una constante de suavizado de =0,10 es preferible a = 0,50 por que su
MAD que es ms pequea. Se debe encontrar la constante de suavizado
con el menor error de pronstico.
2006 Prentice Hall, Inc. 4 54
225 225
200 200
175 175
150 150
| | | | | | | | |
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9
Quarter Quarter
D
e
m
a
n
d
D
e
m
a
n
d
o o = .1 = .1
Actual Actual
demand demand
o o = .5 = .5
DESVIACION MEDIA ABSOLUTA (MAD)
ERROR CUADRATICO MEDIO (MSE)

Error Cuadrtico Medio (MSE): Es una segunda forma
de medir el error global del pronstico. El MSE es el
promedio de los cuadrados de las diferencias entre los
valores pronosticados y observados. Su frmula es:
MSE = (errores de pronstico)
n
Sigamos con el ejemplo del puerto del Callao para
determinar el MSE
ERROR CUADRATICO MEDIO (MSE)
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
(Error)
2
5
2
= 25
(-8)
2
= 64
(-16) = 256
(2) = 4
17 = 289
30 = 900
2 = 4
4 = 16
2
2
2
2
2
2
Suma de los cuadrados de los errores 1.558
MSE = (errores de pronstico)
n
2
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el =
0,10 es una mejor eleccin por que se minimiza el MSE.
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)
Error Porcentual Absoluto (MAPE): Este se calcula
como el promedio de las diferencias absolutas entre los
valores pronosticados y los reales y se expresa como
porcentaje de los valores reales. Es decir, si hemos
pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:
Sigamos con el ejemplo del puerto del Callao para
determinar el MAPE
= real i - pronstico i / real i 100
n
i = 1
MAPE
n
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
Suma de errores porcentuales = 45,62%
Error porcentual Absoluto
100 ( error / real)
100(5/180) = 2,77%
100(8/168) = 4,76%
100(16/159) = 10,06%
100(2/175) = 1,14%
100(17/190) = 8,95%
100(30/205) = 14,63%
100(2/180) = 1,11%
100(4/182) = 2,20%
MAPE = errores porcentuales absolutos =
n
8
= 5,70% 45,62%
TRACKING SIGNAL (SEAL DE SEGUIMIENTO)
Tracking Signal: medias que se hacen en el pronostico
para predecir los valores actuales. El Tracking signal se
calcula as:
MAD
Demanda pronosticada -

Demanda actual
=
n
1 = i

MODELOS DE
SERIE DE REGRESION LINEAL
MODELO CAUSAL
Los modelos causales identifican y
miden directamente los efectos de las
fuerzas que influyen en la demanda.
Por lo tanto, son mas apropiados para
predecir y evaluar los efectos de las
decisiones que toma la empresa (p.e.
cambios en la publicidad o en los
precios) que las tcnicas de series de
tiempos.
Dentro de los modelos causales tenemos
a la regresin lineal.
Mnimos Cuadrados
Mnimos Cuadrados
ANO Y X X
2
XY
1964 108 0 0 0 PUNTO BASE
1965 119 1 1 119
1966 110 2 4 220
1967 122 3 9 366
1968 130 4 16 520
589 10 30 1225
Si multiplicamos la ecuacion de la recta por el coeficiente de "a"
y luego se suman los terminos, tenemos.
Y = Na + b x
Ahora multiplicamos la ecuacion de la recta por el coeficiente de "b"
y luego se suman los terminos.
XY = a X + bX
2
589 = 5a + 10b =====> a =
1225 = a(10) + b(30) ==> a =
b = 4.7
a = 108.4
Y
5
= 108.4 + 4.7(5)
Y
5
= 131.9
Y = 108.4 + 4.7x
10
589 -10b
5
=
1225 - 30b
10
Y = a + bx
589 -10b
5
1225 - 30b
Mnimos Cuadrados
ANO Y X X
2
XY
1964 108 -2 4 -216
1965 119 -1 1 -119
1966 110 0 0 0 PUNTO BASE
1967 122 1 1 122
1968 130 2 4 260
589 0 10 47
Si multiplicamos la ecuacion de la recta por el coeficiente de "a"
y luego se suman los terminos, tenemos.
Y = Na + b x
Ahora multiplicamos la ecuacion de la recta por el coeficiente de "b"
y luego se suman los terminos.
XY = a X + bX
2
a = a = 589 a = 117.8
5
b = b = 47 b = 4.7
10
Y
3
= 117.8 + 4.7(3)
Y
3
= 131.9
Y = a + bx
Y
N
XY
X
2
Y = 117.8 + 4.7x
Mnimos Cuadrados
Mtodo Causal de Regresin lineal
= a + bx
= Demanda Estimada Y
i
X
i
x = Variable Independiente (se supone genera ) n n
a = Interseccion de Y
b = Pendiente
n= 8
i Y
i
X
i
X
i
Y
i
X
i
2
Y
i
2
1 3.0 2.0 6.0 4.0 9.0
2 3.5 2.4 8.4 5.8 12.3
3 4.1 2.8 11.5 7.8 16.8
4 4.4 3.0 13.2 9.0 19.4
5 5.0 3.2 16.0 10.2 25.0
6 5.7 3.6 20.5 13.0 32.5
7 6.4 3.8 24.3 14.4 41.0
8 7.0 4.0 28.0 16.0 49.0
39.1 24.8 127.9 80.2 204.9
b = 2.00 = - 1.3 + 2x
a = -1.30 Si x = 4.2
r
2
=
97.3%
9
= 7.1
[nX
i
2
- (X
i
)
2
][nY
i
2
- (Y
i
)
2
]
r
2
=
[nX
i
Y
i
- (X
i
)(Y
i
)]
2
b =
n X
i
Y
i
- [(X
i
)(Y
i
)]
nX
i
2
- (xi)
2
EJEMPLO
a = - b
ANALISIS DE REGRESION LINEAL
La relacin entre una variable independiente,
X, y una variable dependiente, Y.
Asumido para ser lineal (una lnea recta)
Ecuacin: Y = a + bX
Y = variable dependiente
X = variable independente
a = intercepta al eje y
b = pendiente de la regresin
Tiempo
Ventas
0
1
2
3
4
04 05 06 07 08
Ventas Vs Tiempo
GRAFICO DE REGRESION LINEAL
170
Regresin lineal:
La regresin lineal simple relaciona a una variable dependiente
con una variable independiente en forma de ecuacin lineal
como sigue:






Para desarrollar la ecuacin lineal, la pendiente (b) y el
intercepto (a) con las formulas mostradas a
continuacin.
bx a y + =
Variable dependiente
Intercepto
Pendiente
Variable independiente
ANALISIS DE REGRESION LINEAL
171
n
y
y
n
x
a
n
x y
x
b
x b y a
x n x
y x n xy
b

=
=
=
=
=
=
=
=

=
x
0) periodo el (en Intercepto
periodos de Cantidad
periodo del demanda la para Pronostico
tiempo de Periodo
recta la de Pendiente
: donde En
2
2
ANALISIS DE REGRESION LINEAL
172
Explicaremos la regresin siguiendo el contexto
de un ejemplo.

El departamento de atletismo de una
universidad quiere elaborar su presupuesto para
el prximo ao utilizando un pronostico para la
asistencia a los partidos de ftbol americano.

La asistencia a los partidos de ftbol americano
significa el ingreso mas alto que tienen, y el
director de atletismo piensa que la asistencia
esta directamente relacionada con la cantidad de
victorias de su equipo.

El gerente administrativo ha acumulado el
historial de asistencia durante los ltimos 8 aos
que es como sigue:
Wins Attendance
x y
4 36,300
6 40,100
6 41,200
8 53,000
6 44,000
7 45,600
5 39,000
7 47,500
ANALISIS DE REGRESION LINEAL
173
Dado que muchos de los jugadores son buenos y regresaran el prximo ao y al
calendario de juegos, el director cree que el equipo tendr al menos 7 victorias durante la
prxima temporada.

El director quiere desarrollar una ecuacin de regresin simple utilizando los datos de
asistencia histrica y aplicarlo a las 7 victorias. Hacemos los clculos para a y b:
Wins
Attendance
(1,000s)
x y xy x
2
4 36.3 145.2 16
6 40.1 240.6 36
6 41.2 247.2 36
8 53.0 424.0 64
6 44.0 264.0 36
7 45.6 319.2 49
5 39.0 195.0 25
7 47.5 332.5 49
49 346.7 2,167.7 311
890 , 46 89 . 46 ) 7 )( 06 . 4 ( 46 . 18
) 7 ( es victorias 7 para pronostico El
46 . 18 ) 125 . 6 )( 06 . 4 ( 34 . 43
061 . 4
) 125 . 6 )( 8 ( 311
) 34 . 43 )( 125 . 6 )( 8 ( 7 . 167 , 2
34 . 43
8
7 . 346
125 . 6
8
49
x
2 2
= = + = + =
=
= = =
=

=
= = =
= = =

bx a y
x
x b y a
x n x
y x n xy
b
n
y
y
n
x
ANALISIS DE REGRESION LINEAL
174
Correlacin: La correlacin en la ecuacin de la regresin lineal simple es
una medicin de la fortaleza de la relacin que existe entre la variable
dependiente y la variable independiente y se calcula con la siguiente
formula:







El valor de r varia entre -1.00 y +1.00
Con valor r = 1, significa que un incremento en la variable independiente
resultara en un incremento lineal correspondiente en la variable
dependiente.
Con valor r = -1, significa que un incremento en la variable independiente
resultara en un decremento lineal correspondiente en la variable
dependiente. Un valor cercano a cero, significa que no existe una relacin
lineal entre las variables.
| || |




=
2 2 2 2
) ( ) ( y y n x x n
y x xy n
r
CORRELACION
175
Obtenemos el valor de y
2
que nos hace falta y calculamos la correlacin
como sigue:




















Wins
Attendance
(1,000s)
x y xy
x
2
y
2
4 36.3 145.2 16 1,317.7
6 40.1 240.6 36 1,608.0
6 41.2 247.2 36 1,697.4
8 53.0 424.0 64 2,809.0
6 44.0 264.0 36 1,936.0
7 45.6 319.2 49 2,079.4
5 39.0 195.0 25 1,521.0
7 47.5 332.5 49 2,256.3
49 346.7 2,167.7 311 15,224.8
CORRELACION
176
El valor que obtenemos es muy cercano a 1, lo que significa
que existe una fuerte relacin entre el numero de victorias y la
afluencia a los juegos.
| || |
| | | |
948 . 0
) 7 . 346 ( ) 8 . 224 , 15 )( 8 ( ) 49 ( ) 311 )( 8 (
) 7 . 346 )( 49 ( ) 7 . 167 , 2 )( 8 (
) ( ) (
2 2
2 2 2 2
=


=


=


r
r
y y n x x n
y x xy n
r
CORRELACION
177
Coeficiente de determinacin:
Esta es otra medicin para determinar la fortaleza de la relacin entre las
variables dependiente e independiente. Se calcula simplemente elevando al
cuadrado el coeficiente de correlacin r como sigue:



Este valor para el coeficiente de determinacin nos indica que un 89.8% de
la cantidad en que varia la audiencia puede ser atribuido a los triunfos del
equipo.

El 10.2% puede ser atribuido a otros factores como el clima.

Un valor de 1 equivale al 100% indicara que la audiencia seria totalmente
dependiente de las victorias, en nuestro caso, el 10.2% nos indica que
podemos esperar algo de variacin.
898 . 0 ) 948 . 0 ( ) (
2 2 2
= = = r r
COFICIENTE DE DETERMINACION
ECUACION DE REGRESIN
Variable Dependiente (Y): La variable que queremos estimar
o predecir.
Variable Independiente (X): La variable que se usa para
hacer la prediccin o estimacin.
Determinar la Ecuacin de la Linea de Regresin;
Y = a + bX
Usada para predecir el valor de la Variable Dependiente (Y)
basado en los valores de la Variable Independiente (X).

b
n XY X Y
n X X
a
Y
n
b
X
n
=

=
( ) ( )( )
( ) ( )
E E E
E E
E E
2 2
X
i
Y
i
X
i
2
Y
i
2
X
i
Y
i
X
1
Y
1
X
1
2
Y
1
2
X
1
Y
1
X
2
Y
2
X
2
2
Y
2
2
X
2
Y
2
: : : : :
X
n
Y
n
X
n
2
Y
n
2
X
n
Y
n
E X
i
E Y
i
E X
i
2
E Y
i
2
E X
i
Y
i
TABLA DE REGRESION LINEAL
David Castillo es dueo de una compaa constructora
en Lima. El se ha percatado que el volumen de ventas
depende de la nomina en el rea de Lima. La siguiente
tabla de datos enumera los ingresos y la nomina de
los trabajadores en Los ngeles durante el 2003 y
2008.
Aos Ventas de David Castillo Nmina Local
(US$ 000 000),y (US$ 000 000 000),x
2003 2.0 1
2004 3.0 3
2005 2.5 4
2006 2.0 2
2007 2.0 1
2008 3.5 7
Cul es la tendencia de la ecuacin?
EJEMPLO DE REGRESION LINEAL
EJEMPLO DE REGRESION LINEAL
Ventas,y Nmina,x x
2
xy
2,00 1 1 2,0
3,00 3 9 9.0
2,50 4 16 10.0
2,00 2 4 4.0
2,00 1 1 2.0
3,50 7 49 24.5
15.0 18 80 51.5
Substituya la siguiente formula para encontrar b.
25 . 0
) 9 ( 6 80
) 5 . 2 )( 3 ( 6 5 . 51
=

= b
2
2

=
X n X
Y X n XY
b
75 . 1 ) 3 ( 25 . 0 5 . 2 = = a
Substituya la siguiente formula para encontrar a.
X b Y a =
bx a Y + =
Substituya la siguiente formula para encontrar Y.
x Y 25 . 0 75 . 1 + =
Reemplazamos valores si los ingresos son:
US$ 6000,0000,000.00
) 6 ( 25 . 0 75 . 1 + = Y
Dando como resultados ventas por el monto de
US$ 325,000.00
ERROR ESTNDAR DE ESTIMACION
El Error Estndar del Estimacin mide la dispersin
o variabilidad de los datos alrededor de la linea de
regresin. Las frmulas usadas para calcular el Error
Estndar son:
S
Y Y
n
Y a Y b XY
n
Y X
=

E
E E E
( ' )
( ) ( )
2
2
2
2

ERROR ESTNDAR DE ESTIMACION
Ejemplo: Calcular el error estndar de la estimacin
para los datos de Castillo en el ejemplo anterior. Para
facilitar el tenemos que Y
2
= 39.5
39.5 -1.75(15.0) 0.25(51.5)
6 - 2
S
y.x
=
S
y.x
= 0.306 (en ciento de miles de US$)

El error estndar de estimacin es US$ 30,600
COEFICIENTE DE CORRELACION
Calculamos el coeficiente de correlacion para los
datos de Castillo en el ejemplo anterior. Para facilitar
el tenemos que Y
2
= 39.5
9492 . 0
) 5 . 2 ( 6 5 . 39
) 5 . 2 ( 6 ) 5 . 51 ( 25 . 0 ) 0 . 15 ( 75 . 1
2
=

+
= r

+
=
2
2
2
2
Y n Y
Y n XY b Y a
r
901 . 0 = r
MODELOS DE SERIE DE REGRESION
LINEAL CON WINQSB2
EJEMPLO 02
EJEMPLO DE REGRESIN LINEAL
Predecir el valor de Y para un X de 40 si se tienen
los siguiente datos:
EJEMPLO DE REGRESIN LINEAL
En la ventana Especificaciones del problema
(Problem Specification), seleccionamos Regresin
lineal (Linear Regression) y digitamos la siguiente
informacin:
EJEMPLO DE REGRESIN LINEAL
Ingresamos los datos del problema como se muestra a
continuacin (factor 1 equivale a X):
EJEMPLO DE REGRESIN LINEAL
En el men Resolver y analizar (Solve and Analyze)
elegimos la opcin disponible:
EJEMPLO DE REGRESIN LINEAL
En la siguiente ventana se especifica cual es la variable
dependiente, para lo cual, se deber marcar el factor 2 (que para
nuestro caso es Y) y luego pulsar el botn OK.
EJEMPLO DE REGRESIN LINEAL
Los resultados de la regresin se muestran de la
siguiente forma:
Las medias de las variables aparecen en la columna
llamada Mean
X = 1515,833 y Y = 22,5

Las desviaciones correspondientes estn en la columna
Standard Deviation (9,35 para X y 403,34 para Y). Los
valores de a y b de la ecuacin de la lnea recta estn en
la columna Regression Coefficient:
Y = 553,4762 + 42,7714X

La correlacin al cuadrado es de 0,9839438.
EJEMPLO DE REGRESIN LINEAL
LA ECUACIN DE LA RECTA EN MODO GRFICO
Para observar el mapa de dispersin y la lnea de tendencia
simplemente accederemos al men Resultados (Results) y
seleccionamos Mostrar regresin lineal (Show Regression
Line).
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y
Para estimar el valor de Y para un X de 40 deberemos
cerrar las ventanas de resultado y en el men Resolver y
analizar (Solve and Analyze) pulsamos sobre la ltima
opcin:
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y
Para estimar el valor de Y para un X de 40
deberemos cerrar las ventanas de resultado y en el
men Resolver y analizar (Solve and Analyze)
pulsamos sobre la ltima opcin:
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y
Pulsamos sobre el botn Entrar valor de la variable
independiente (Enter Value for Independent Variable)
e ingresamos 40::
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y
Pulsamos el botn OK en ambas ventanas.
EJEMPLO DE REGRESIN LINEAL
MODELOS DE SERIE DE
REGRESION LINEAL CON WINQSB2
EJEMPLO 03
EJEMPLO DE REGRESIN LINEAL
Predecir el valor de Y para un X de 40 si se tienen
los siguiente datos:
EJEMPLO DE REGRESIN LINEAL
En la ventana Especificaciones del problema
(Problem Specification), seleccionamos Regresin
lineal (Linear Regression) y digitamos la siguiente
informacin:
EJEMPLO DE REGRESIN LINEAL
Ingresamos los datos del problema como se muestra a
continuacin (factor 1 equivale a X):
EJEMPLO DE REGRESIN LINEAL
En el men Resolver y analizar (Solve and Analyze)
elegimos la opcin disponible:
EJEMPLO DE REGRESIN LINEAL
En la siguiente ventana se especifica cual es la variable
dependiente, para lo cual, se deber marcar el factor 1
(que para nuestro caso es Y) y luego pulsar el botn OK.
EJEMPLO DE REGRESIN LINEAL
Los resultados de la regresin se muestran de la
siguiente forma:
Las medias de las variables aparecen en la columna
llamada Mean
X = 3.0000 y Y = 2.5000

Las desviaciones correspondientes estn en la columna
Standard Deviation (2.2804 para X y 0.6325 para Y).
Los valores de a y b de la ecuacin de la lnea recta estn
en la columna Regression Coefficient:
Y = 1.7500 + 0.2500X
La correlacin al cuadrado es de 0,98125
EJEMPLO DE REGRESIN LINEAL
LA ECUACIN DE LA RECTA EN MODO GRFICO
Para observar el mapa de dispersin y la lnea de tendencia
simplemente accederemos al men Resultados (Results) y
seleccionamos Mostrar regresin lineal (Show Regression
Line).
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y
Para estimar el valor de Y para un X de 6 deberemos
cerrar las ventanas de resultado y en el men Resolver y
analizar (Solve and Analyze) pulsamos sobre la ltima
opcin:
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y

Para estimar el valor de Y para un X de 60 deberemos
cerrar las ventanas de resultado y en el men Resolver y
analizar (Solve and Analyze) pulsamos sobre la ltima
opcin:
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y

Pulsamos sobre el botn Entrar valor de la variable
independiente (Enter Value for Independent Variable)
e ingresamos 6 :
EJEMPLO DE REGRESIN LINEAL
ESTIMANDO Y

Pulsamos el botn OK en ambas ventanas.
EJEMPLO DE REGRESIN LINEAL

OBJETIVOS ESPECIFICOS DE APRENDIZAJE
al final de la clase el estudiante:

2
1
5
Deber disear y ejecutar un sistema de operacin que
satisfaga a los clientes.
Deber, debe reconocer cunta demanda tiene que satisfacer,
lo cul lo conduce a tres interrogantes importantes:
Como saber que producir?
Como saber cuanto producir?
Como saber cuando producir?
Debera responder estas preguntas mediante la administracin
de la demanda ayuda a responder estas preguntas. La
administracin de la demanda incluye identificar todas las
fuentes potenciales de la demanda, as como influir en los niveles
y la duracin de la demanda. Los intentos de medir la demanda
inicial y los efectos de administrarla se denominan predicciones.
ORIENTACION GERENCIAL
Una organizacin empresarial dentro de su
planeacin estratgica trata de responder
estas dos preguntas:
Cmo satisfacer totalmente a los clientes?
Cmo hacerlo mejor que la competencia?
Una parte integral de la planeacin
estratgica de una empresa incluye la
identificacin y el anlisis de las fuentes
actuales y potenciales de demanda de sus
bienes y servicios. La firma debe determinar
cules fuentes de demanda cultivar y cmo
satisfacer la demanda anticipada.

ORIENTACION GERENCIAL
DEFINICION: La administracin de la
demanda implica reconocer fuentes de
demanda para los bienes y servicios de una
Empresa, predecir la demanda y
determinar la manera cmo la empresa
satisfar esa demanda.
QU ES PRONOSTICAR?
Es el arte y la ciencia de predecir los eventos
futuros. Puede involucrar el manejo de datos
histricos para proyectarlos al futuro, mediante
algn tipo de modelo matemtico.
Puede ser una prediccin subjetiva o intuitiva. O
bien una combinacin de ambas, es decir un
modelo matemtico ajustado por el buen juicio de
un administrador de operaciones.
Cuanto
vender?
219
PRONSTICOS PARTE INTEGRAL
DEL PLANEAMIENTO DE NEGOCIOS
Mtodos de
Pronstico
Estimacin
de la
demanda
Pronstico
de Ventas
Equipo de
Administracin
Ingreso:
Mercado,
Economa,
Otros
Estrategia
de Negocios
Pronstico de
Recursos de Produccin
220
EJEMPLOS DE PRONSTICOS DE
RECURSOS DE PRODUCCIN
Rango
Alto
Rango
Medio
Rango
Corto
Ao
Meses
Semanas
Lnea de Products,
Capacidad de Planta
Horizonte
Pronstico
Tiempo
Comienzo
del Pronstico
Unidad de
Medida
Grupos de Productos
Capacidad de Dptos.
Productos Especificos
Capacidad de Maq.
Dolares,
Libras
Dolares,
Libras
Prod. Units,
Unidades
Proporciona informacin
relacionada con el mercado y
las predicciones de la
demanda.
Administra la demanda
mediante polticas de fijacin
de precio y promociones p.e.
los descuentos de temporada
nivelan la demanda por un
producto o servicio.

MARKETING
OPERACIONES
Se encarga de asegurar que
los bienes y servicios de la
Empresa se proporcionen
cuando se necesiten.
222
Pronstico a corto plazo t
Hasta 3 meses.
Asignacin de trabajos
Pronstico a mediano plazo
Entre 3 meses y 3 aos.
Planeacin de Produccin y venta.
Pronstico a largo plazo
Mas de 3 aos
Planeacin de un nuevo producto.
TIPOS DE PRONOSTICO POR
HORIZONTE DE TIEMPO
223
TIPOS DE PRONSTICOS
Econmicos
Tecnolgicos
De demanda
PRONOSTICOS ECONOMICOS
Sirven para pronosticar lo que
sern las condiciones generales
de los negocios dentro de
algunos meses o aos.
Lo hacen los gobiernos, los
bancos y los servicios de
prediccin economtrica.

PRONOSTICOS TECNOLOGICOS
Pronostican la probabilidad y el
significado de posibles
desarrollos futuros.Indican la
direccin de los cambios
tecnolgicos y la tasa de
cambios esperada.
PRONOSTICOS DE LA DEMANDA
Las predicciones de
demanda pronostican la
cantidad y la duracin de
la demanda de los bienes
y servicios de una
empresa.
227
ENFOQUES PARA PRONOSTICAR
Pronsticos Cualitativos
Pronsticos Cuantitativos
ENFOQUES CUALITATIVOS PARA
PRONOSTICAR LA DEMANDA
Las tcnicas cualitativas de prediccin dependen de
conjetura adquiridas con base en la institucin las
tcnicas cualitativas mas comunes son:

Jurado de opinin ejecutiva
Mtodo Delphi.
Fuerza de ventas
Encuestas a los clientes.
229
JURADO DE OPININ EJECUTIVA
Permite la fusin de las opiniones de una seccin de expertos
interfuncionales.
Involucra pequeo grupo de alto nivel los administradores.
Grupo estimaciones de la demanda de trabajo conjunto.
Combina la experiencia de gestin con modelos estadsticos.
Esta tcnica es relativamente econmica y mas utilizada a
mediano y largo plazo.
Relativamente rpida
La desventaja es que se crea el grupo que piensa.
METODO DELPHI
Este mtodo involucra a un grupo de expertos que comparten
informacin y eventualmente llegan a un consenso en una
prediccin a largo plazo con respecto a las tecnologa del futuro o
a las ventas futuras de un nuevo producto.
Esta conformado por tres tipos de personas:
Los decisores (Decision Makers).
Facilitadores (Staff).
Los encuestados (Respondents).
231
FUERZA DE VENTAS
En muchas compaas la fuerza de ventas entra en
contacto directo con los clientes lo cual constituye una
buena fuente de informacin que considera las
intenciones de los clientes a corto y a mediano plazos:
Cada vendedor proyecta sus ventas.
Se combina niveles distritales y nacionales.
La fuerza de ventas conoce a los clientes.
Tienden a ser demasiado optimistas
Sales
ENCUESTA A LOS CLIENTES
Una empresa tambin puede basar sus
predicciones en los planes establecidos
de compras futuras de sus clientes
actuales y potenciales mediante una
encuesta a sus clientes.
Esta informacin puede obtenerse
directamente por medio de encuestas
personales, por telfono, correo o fax.
Se pregunta a los clientes sobre planes
de adquisiciones.
Qu dicen los consumidores, y lo que
realmente hacen a menudo es diferente?
A veces difcil de responder
Cuantas horas
usar Ud. Internet la
prxima semana?
1995 Corel
Corp.
Estos mtodos cuantitativos emplean los modelos
matemticos y los datos histricos para pronosticar la
demanda. As, el pasado se utiliza para predecir el futuro.
Hay dos tipos generales de mtodos cuantitativos:
- Modelos de Series de tiempo
- Modelos Causales
ENFOQUES CUANTITATIVOS PARA
PRONOSTICAR LA DEMANDA
MODELOS DE SERIES DE TIEMPO
Incluye elaborar grficas de los datos de demanda
sobre una escala de tiempo y estudiar las grficas
para descubrir los modelos y las figuras o los
patrones consistentes. Luego, estos patrones se
proyectan hacia el futuro.

DEFINICION: Una serie de tiempo es una secuencia
de observaciones cronolgicamente clasificadas que
se toman a intervalos regulares para una variable en
particular.
235
Tendencia
Estacional
Cclica
Aleatorio
COMPONENTES DE LAS SERIES DE TIEMPO
236
Mtodo
Cuantitativo
Regresin
Lineal
Modelos
Causales
Suavizado
Exponencial
Promedio
Mvil
Modelos
Serie de Tiempos
Proyeccin
Tendencia
METODOS CUANTITATIVOS
237
DESCOMPOSICION DE UNA
SERIE DE TIEMPOS
Tedencia (T) es el movimiento gradual, ascendente o
descendente, de los datos a traves del tiempo.
Estacionalidad (S) es el patron de datos que se
repite a si mismo despues de un periodo de dias,
semanas, meses, trimestres, estaciones, etc. pero
dentrol ao..
Ciclos (C) son patrones que ocurren enlos datos
cada varios aos.
Variacin al azar (R) son variaciones aleatorias que
no obedecen a ningun comportamiento.
TENDENCIAS
Las tendencias reflejan los cambios en la tecnologa, los
estndares de vida, los ndices de poblacin ,etc..
DEFINICION: Una tendencia es el movimiento gradual hacia
arriba o hacia debajo de los datos en el tiempo.
Las tendencias son montonas, pero no siempre lineales;
pueden ser logartmica o exponenciales.
Mo., Qtr., Yr.
Response
ESTACIONALIDAD
Las variaciones de temporada pueden corresponder a
las estaciones del ao, a los das festivos o a
diferentes momentos del da o la semana.
DEFINICION: La temporada es la variacin que se
repite a intervalos fijos. Pueden durar un ao o solo
unas pocas horas.
Mo., Qtr.
Response
Summer
240
ESTACIONALIDAD
Perido de tiempo Nmero de
del Patrn donde Longitud de la Estaciones en
es repetido Estacin el Patrn

Ao Trimestre 4
Ao Mes 12
Ao Semana 52
Mes Semana 4
Mes Dia 28-31
Semana Dia 7

VARIACIONES CICLICAS
Las alzas y las bajas de la economa o de una industria
especificas se representan en variaciones cclicas . El ciclo de
negocios que se repite de cinco a diez aos es un ejemplo.
DEFINICION: La variacin cclica tiene una duracin de por lo
menos un ao; la variacin varia de un ciclo a otro.
Mo., Qtr., Yr.
Response
Cycle
VARIACIONES ALEATORIAS
Las variaciones aleatorias son variaciones en
la demanda que no pueden explicarse mediante
tendencias , variaciones de temporada o
variaciones cclicas. Un suceso impredecible,
como una guerra, una huelga, un terremoto o
partes de legislacin, puede causar grandes
variaciones aleatorias. A diferencia de las otras
tendencias , la variacin aleatoria siempre esta
presente.
243
DEMANDA DE PRODUCTO PARA 4 AOS CON
TENDENCIA Y ESTACIONALIDAD
Ao
1
Ao
2
Ao
3
Ao
4
Picos Estacionales Componente Tendencia
Lnea de actual
demanda
Demanda promedio
para 4 aos
D
e
m
a
n
d
a

d
e

p
r
o
d
u
c
t
o

o

s
e
r
v
i
c
i
o

Variacin
aleatoria
1. El horizonte de tiempo para realizar la
proyeccin.
2. La disponibilidad de los datos.
3. La exactitud requerida.
4. El tamao del presupuesto de proyeccin.
5. La disponibilidad de personal calificado.

CRITERIOS PARA SELECCIONAR UN
MODELO DE PRONOSTICO
245
MODELOS DE
SERIE DE TIEMPOS
MODELOS DE SERIE DE TIEMPO
Modelo Multiplicativo de una serie de tiempo:
A
t
= T
t
* S
t
* C
t
* E
t

Modelo Aditivo de una serie de tiempo:
A
t
= T
t
+ S
t
+ C

+ Et
Donde :
A
t
=Demanda real en el perodo t
T
t
= Componente de tendencia para el perodo t.
S
t
= Componente de temporada para el perodo t.
C
t
= Componente de ciclo para el perodo t.
E
t
= Componente aleatoria o error para el perodo t.
PROMEDIO MOVIL SIMPLE
Se utiliza para calcular la demanda promedio de los
ltimos n perodos y como prediccin para el siguiente
perodo.
Promedio mvil simple:
F
t
= (A
t
+ A
t-1
+ A
t-2
+....+A
t-n +1
)
n
Donde :
F
t
= prediccin para el perodo t+1
A
t
= demanda real para el perodo
n = nmero de perodos por promediar
248
Usted es gerente de una tienda de museo
histrico que vende rplicas. Quieres previsin
de ventas (000) para el ao 2013 utilizando un
perodo de 3 de media mvil.

2008 4
2009 6
2010 5
2011 3
2012 7
EJEMPLO DE PROMEDIO MOVIL SIMPLE
249
Tiempo
Respuesta
e
Y
i
Mvil Total
(n = 3)
Mvil
Prom( n = 3)
2008 4
2009 6
2010 5
NA NA
NA NA
NA NA
2011 3
2012 7
2013 NA
4 + 6 + 5 = 15
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
250
Tiempo
Respuesta
e
Y
i
Mvil Total
(n = 3)
Mvil
Prom( n = 3)
2008 4
2009 6
2010 5
2011 3
2012 7
2013 NA
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
NA NA
NA NA
NA NA
4 + 6 + 5 = 15 15/3 = 5.0
6 + 5 + 3 = 14
251
Tiempo
Respuesta
e
Y
i
Mvil Total
(n = 3)
Mvil
Prom( n = 3)
2008 4
2009 6
2010 5
2011 3
2012 7
2013 NA
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
NA NA
NA NA
NA NA
4 + 6 + 5 = 15 15/3 = 5.0
6 + 5 + 3 = 14 14/3 = 4.7
5 + 3 + 7 = 15 15/3 = 5.0
252
Ao
Ventas
0
2
4
6
8
08 09 10 11 12 13
Actual
Pronstico
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
253
PROMEDIO SIMPLE
CON WINQSB 2
257
PROMEDIO MOVIL SIMPLE
CON WINQSB 2
PROMEDIO MOVIL PONDERADO
Se utiliza cuando existe una tendencia o patrn, los
pesos pueden ser utilizados para poner mayor enfasis
en datos recientes.
Promedio de mvil ponderado:
F
t
= (Peso para el periodo n)(Demanda periodo n)
pesos
Donde :
F
t
= prediccin para el perodo n
n = nmero de perodos por promediar
263
DEMANDA ACTUAL, PROMEDIO MOVIL,
PROMEDIO MOVIL PONDERADO
0
5
10
15
20
25
30
35
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Meses
D
E
M
A
N
D
A

D
E

V
E
N
T
A
S
Ventas actuales
Promedio mvil
Promedio mvil ponderado
264
Al incrementar n pronsticos, hace a este
sensitivo a los cambios.
No pronostica tendencias.
Requiere muchos datos histricos
DESVENTAJAS DEL PROMEDIO MOVIL
265
PROMEDIO MOVIL PONDERADO
CON WINQSB 2
2006 Prentice Hall, Inc. 4 47
30 30
25 25
20 20
15 15
10 10
5 5
S
a
l
e
s

d
e
m
a
n
d
S
a
l
e
s

d
e
m
a
n
d
| | | | | | | | | | | |
J J F F M M A A M M J J J J A A S S O O N N D D
Actual Actual
sales sales
Moving Moving
average average
Weighted Weighted
moving moving
average average
Figure 4.2 Figure 4.2
271
GRAFICO DEL PROMEDIO MOVIL SIMPLE Y
PROMEDIO MOVIL PONDERADO
272
MODELOS DE SUAVIZADO
EXPONENCIAL
MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio de
desplazamiento simple y la suavizacin exponencial,
pueden proporcionar predicciones razonables a corto
plazo con rapidez y a bajo costo.
Suavizacin exponencial:
F
t
= F
t-1
+ (A
t-1
- F
t - 1
)
Donde :
F
t
= prediccin para el perodo t
F
t - 1
= prediccin para el perodo t - 1
A
t 1
= Demanda real para el perodo t - 1
= constante de suavizacin (0<= 1<=1)
274
Se esta organizando una reunin en Kwanza. Se
espera pronosticar la atencin del ao 2013
(o = .10). En 2008 el pronstico fue 175.
2008 180
2009 168
2010 159
2011 175
2012 190
EJEMPLO DE SUAVIZADO EXPONENCIAL
275
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
Pronstico F
t
( a = .10)
2008 180 175.00 (Base)
2009 168
2010 159
2011 175
2012 190
2013 NA
175.00 +
EJEMPLO DE SUAVIZADO EXPONENCIAL
276
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao
Actual
F
t
( a = .10)
175.00 + .10(
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
277
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( a = .10)
175.00 + .10(180 -
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
278
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( a = .10)
175.00 + .10(180 - 175.00)
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
279
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( o = .10)
175.00 + .10(180 - 175.00) = 175.50
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
280
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( a = .10)
175.00 + .10(180 - 175.00) = 175.50
175.50 + .10(168 - 175.50) = 174.75
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
281
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( a = .10)
175.00 + .10(180 - 175.00) = 175.50
175.50 + .10(168 - 175.50) = 174.75
174.75 + .10(159 - 174.75) = 173.18
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
282
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( a = .10)
175.00 + .10(180 - 175.00) = 175.50
175.50 + .10(168 - 175.50) = 174.75
174.75 + .10(159 - 174.75) = 173.18
173.18 + .10(175 - 173.18) = 173.36
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
283
F
t
= F
t-1
+ a (A
t-1
- F
t-1
)

Ao Actual
F
t
( a = .10)
175.00 + .10(180 - 175.00) = 175.50
175.50 + .10(168 - 175.50) = 174.75
174.75 + .10(159 - 174.75) = 173.18
173.18 + .10(175 - 173.18) = 173.36
173.36 + .10(190 - 173.36) = 175.02
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base) 2008 180
2009 168
2010 159
2011 175
2012 190
2013 NA
284
Ao
Ventas
140
150
160
170
180
190
08 09 10 11 12 13
Actual
Pronstico
GRAFICO DE SUAVIZADO EXPONENCIAL
285
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10%
286
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
287
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
288
F
t
= o A
t - 1
+ o(1- o)A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
289
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90% 9%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
290
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Pesos
Prior Period
o
2 periods ago
o(1 - o)
3 periods ago
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90% 9% 0.9%
EFECTO EN EL PRONOSTICO DE LA
CONSTANTE DE SUAVIZADO o
291
IMPACTO DE o
0
50
100
150
200
250
1 2 3 4 5 6 7 8 9
Quarter
A
c
t
u
a
l

T
o
n
a
g
e
Actual
Forecast (0.1)
Forecast (0.5)
SUAVIZADO EXPONENCIAL CON TENDENCIA
La suavizacin exponencial simple falla al responder a las
tendencias. Para suavizar nuestras correcciones por tendencias
se calcula un promedio de suavizacin exponencial simple
como el anterior, y se ajusta para retrasos positivos y
negativos. La ecuacin de la tendencia emplea una constante
de suavizacin Beta, de la misma manera que el modelo simple
utiliza Alfa.
Ejemplo: Estimar las ventas para el ao siete tomando en
cuenta una tendencia inicial de 22.73, un = 0.3, una = 0.50,
y un pronstico inicial de 340. Adems, establezca el MAD.

Ao 1 2 3 4 5 6
Ventas 400 470 500 530 560 595
SUAVIZADO EXPONENCIAL CON TENDENCIA
Ejemplo: La demanda de energa elctrica de Lima entre 2005 y 2011 es la
que se muestra en megawatts en la tabla a continuacin. Ajustar con una
lnea recta y pronosticar la demanda del 2012 y 2013.
AO 2005 2006 2007 2008 2009 2010 2011
DEMANDA 74 79 80 90 105 142 122
Ao Periodo Demanda x
2
xy
2005 1 74 1 74
2006 2 79 4 158
2007 3 80 9 240
2008 4 90 16 360
2009 5 105 25 525
2010 6 142 36 852
2011 7 122 49 854
Sumatoria 28 692 3063
Ordenamos de la siguiente forma, para poder hacer los calculos
correspondientes.
Realizamos los siguientes calculos:
X = x/n = 28/7 = 4
Y = y/n = 692/7 = 98.86
Determinar la Ecuacin de la Tendencia de Minimos Cuadrados:
Y = a + bX
Reemplazamos valores en la ecuacion siguiente

b
n XY X Y
n X X
a
Y
n
b
X
n
=

=
( ) ( )( )
( ) ( )
E E E
E E
E E
2 2
SUAVIZADO EXPONENCIAL CON TENDENCIA
Y tenemos que: b = 10.54 y a = 56.70
Entonces: (demanda 2012) = 56.70 + 10.54 (8) = 141 megawatts
(demanda 2013) = 56.70 + 10.54 (9) = 152 megawatts
SUAVIZADO EXPONENCIAL CON TENDENCIA
0
20
40
60
80
100
120
140
160
0 1 2 3 4 5 6 7 8
PROYECCIONES DE TEMPORADA
Las proyecciones de temporada se dan para
un perodo dado:
IBM al igual que muchas empresas,
experimenta la demanda de temporada, 1.
Pronstico=Indice Estacional *Pronostico de
la tendencia Estacional
PROYECCIONES DE TEMPORADA
Ejemplo: A continuacion se muestra las ventas mensuales de computadoras
laptop IBM en Hardwareland para 2010 y 2011.
MES
DEMANDA DE VENTAS
DEMANDA PROMEDIO 2010
- 2011
DEMANDA MENSUAL
PROMEDIO (I)
INDICE ESTACIONAL
PROMEDIO (II) 2010 2011
ENERO 80 100 90 94 0.957
FEBRERO 75 85 80 94 0.851
MARZO 80 90 85 94 0.904
ABRIL 90 110 100 94 1.064
MAYO 115 131 123 94 1.309
JUNIO 110 120 115 94 1.223
JULIO 100 110 105 94 1.117
AGOSTO 90 110 100 94 1.064
SETIEMBRE 85 95 90 94 0.957
OCTUBRE 75 85 80 94 0.851
NOVIEMBRE 75 85 80 94 0.851
DICIEMBRE 80 80 80 94 0.851
1128
(I): Demanda mensual promedio = 1128/12 = 94
(II): Indice estacional = (Demanda promedio 2010-2011)/Demanda mensual promedio
PROYECCIONES DE TEMPORADA
Utilizando estos indices estacionales, si se espera que la demanda anual
para 2012 de computadoras sea 1200 unidades, la demanda mensual se
pronosticara de la siguiente forma:
MES
DEMANDA
MES DEMANDA
ENERO (1200/12)*0.957 = 96 JULIO (1200/12)*1.117 = 112
FEBRERO (1200/12)*0.851 = 85 AGOSTO (1200/12)*1.064 = 106
MARZO (1200/12)*0.904 = 90 SETIEMBRE (1200/12)*0.957 = 96
ABRIL (1200/12)*1.064 = 106 OCTUBRE (1200/12)*0.851 = 85
MAYO (1200/12)*1.309 = 131 NOVIEMBRE (1200/12)*0.851 = 85
JUNIO (1200/12)*1.223 = 122 DICIEMBRE (1200/12)*0.851 = 85
304
MODELOS DE SUAVIZADO
EXPONENCIAL CON WINQSB2
SERIES DE TIEMPO CON WINQSB2
La opcin Nuevo Problema (New Problem) genera una
plantilla en el cual se introducirn las caractersticas de
nuestro problema de pronsticos:
SERIES DE TIEMPO CON WINQSB2
A continuacin se describir la ventana de
Especificaciones del problema (Problem
Specification):
Pronstico de Series de Tiempos (Time Series
Forecasting):
Ttulo del problema (Problem Title): Nombre con el
cual se identificar el problema.
Unidad de Tiempo (Time Unit): Se especifica la
unidad de tiempo de la serie.
Numero de unidades de tiempo (Number of Time
Units - Periodos): Datos disponibles.
SERIES DE TIEMPO CON WINQSB2
Regresion lineal (Linear Regression)
SERIES DE TIEMPO CON WINQSB2
Ttulo del problema (Problem Title): Nombre
con el cual se identificar el problema.
Nmero de variables (Number of Factors -
Variables): Cantidad de variables utilizadas en el
modelo.
Numero de observaciones (Number of
Observations): Datos disponibles.
Ejemplo 1:
Informacin suministrado
por el Departamento de
Estadsticas de la ciudad,
el nmero de carros que
transitaron en los ltimos
7 aos fueron:

Pronosticar la cantidad
de vehculos para los
aos 2005 y 2006.
AO CANTIDAD
1998 1200000
1999 1500000
2000 1850000
2001 1915000
2002 2400000
2003 2750000
2004 2920000
SERIES DE TIEMPO CON WINQSB2
INTRODUCIENDO LOS DATOS
Procederemos a llenar los campos de la ventana, en
donde la unidad de tiempo esta dado en aos y el nmero
de datos disponibles son 7.
SERIES DE TIEMPO CON WINQSB2
Luego introducimos los datos de los vehculos en estricto
orden:
SERIES DE TIEMPO CON WINQSB2
En el caso de que
queramos eliminar o
agregar nuevos datos,
tenemos las opciones
Agregar una observacin
(Add an Observation) y
Eliminar una observacin
(Delete an Observation)
en el men Editar (Edit).
SERIES DE TIEMPO CON WINQSB2
En el men Resolver y analizar (Solve and Analyze)
elegimos la nica opcin disponible:
La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para series de tiempo:
La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para seres de tiempo:
SERIES DE TIEMPO CON WINQSB2
La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para seres de tiempo:
SERIES DE TIEMPO CON WINQSB2
Seleccionaremos la opcin Suavizado exponencial simple
(Single Exponential Smoothing) e indicaremos informacin
adicional para resolver el problema con este mtodo:
SERIES DE TIEMPO CON WINQSB2
La primera opcin (permanente en todos los mtodos)
corresponde al nmero de periodos a pronosticar (para
nuestro ejemplo problema son dos aos).
Recordemos que (alpha) es una constante entre 0 y 1.
Existe tambin la opcin de mantener el resultado de un
mtodo para poder compararlo con otros distintos.
SERIES DE TIEMPO CON WINQSB2
Promedio simple (Simple Average)
Promedio mvil (Moving Average)
Promedio mvil ponderado (Weighted Moving Average)
Promedio mvil con tendencia lineal (Moving Average with Linear Trend)
Suavizado exponencial simple (Single Exponential Smoothing)
Suavizado exponencial simple con tendencia lineal (Single
Exponential Smoothing with Linear Trend)
Suavizado exponencial doble (Double Exponential Smoothing)
Suavizado exponencial doble con tendencia lineal (Double Exponential
Smoothing with Linear Trend)
Suavizado exponencial adaptado (Adaptive Exponential Smoothing)
Regresin lineal con tiempos (Linear Regression with Time)
Algoritmo suma Holt-Winters (Holt-Winters Additive Algorithm)
Algoritmo multiplicativo Holt-Winters (Holt-Winters Multiplicative Algorithm).
SERIES DE TIEMPO CON WINQSB2
Al pulsar OK tenemos:
SERIES DE TIEMPO CON WINQSB2
ANALIZANDO LOS RESULTADOS
El pronstico para los dos aos se puede observar en la
columna Pronstico por SES (Forecast for SES) en las
filas correspondiente a los valores 8 y 9.
321
MEDIDAS PARA CALCULAR EL ERROR
GLOBAL DEL PRONSTICO
MEDIDAS PARA CALCULAR EL ERROR
GLOBAL DEL PRONSTICO
Error del pronstico acumulado (Cumulative Forecast Error - CFE)
Desviacin media absoluta (Mean Absolute Deviation - MAD)
Error medio cuadrtico (Mean Square Error - MSE)
Error medio porcentual absoluto (Mean Absolute Percent Error MAPE)
Seal de senda (Tracking Signal): Equivale a la divisin entre CFE y MAD.
R al cuadrado (R-Square): Coeficiente de determinacin.
Al dato A
i
se le resta el pronostico F
i

ERROR DE PRONOSTICO

Forecast Error = (Actual Data - Pronstico)


325
Los grandes errores positivos se compensan con los
grandes errores negativos en la CFE de una
medicin.
Sin embargo el CFE resulta til para evaluar el sesgo
de un pronstico.
Por ejemplo, si un pronstico resulta mas bajo que la
demanda real, el valor del CFE sera cada vez ms
grande.
E
t
=
CFE
n
1 = i

ERROR DE PRONOSTICO ACUMULADO (CFE)
Sumatoria de los errores de pronostico.
ERROR DE PRONOSTICO ACUMULADO (CFE)
CFE

= (Forecast Error )


DESVIACION MEDIA ABSOLUTA (MAD)
n

Suma de Desviacin absoluta para n periodos

=
MAD
n
Demanda pronosticada -

Demanda actual
=
MAD
n
1 = i

Desviacin Absoluta Media (MAD): Su valor se calcula
sumando los valores absolutos de los errores individuales del
pronstico y dividiendo entre el nmero de periodos de datos (n)
Veamos un ejemplo
329
Muestra la magnitud del error global.
No penaliza los errores extremos.
No anula los errores.
No da idea de la direccin del error.
En unidades originales.
DESVIACION MEDIA ABSOLUTA (MAD)
Ejemplo: Durante los ltimos 8 trimestres, el puerto del Callao ha
descargado de los barcos grandes cantidades de grano. El Jefe
de Operaciones del puerto quiere probar el uso de suavizamiento
exponencial para ver que tan bien funciona la tcnica para
predecir el tonelaje descargado. Supone que el pronstico de
grano descargado durante el primer trimestre fue 175 toneladas.
Se examinan dos valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para =
0,10
DESVIACION MEDIA ABSOLUTA (MAD)
DESVIACION MEDIA ABSOLUTA (MAD)
Trimestre
Toneladas reales
descargadas
Pronstico
Redondeado con
= 0,10
Pronstico
Redondeado con
= 0,50
1
2
3
4
5
6
7
8
9
180
168
159
175
190
205
180
182
?
175
= 175 + 0,10 ( 180 175)
Pronstico del periodo
anterior
Demanda real
en periodo
anterior
Pronstico del
periodo anterior
176
175 = 175,50+0,10 (168 175,50)
173 = 174,75+0,10 (159-174,75)
173 = 173,18+0,10 (175+173,18)
175 = 173,36+0,10(190-173,36)
178= 175,02+0,10(205-175,02)
178 = 178,02 + 0,10 (180-178,02)
179 = 178,22 + 0,10 (182-178,22)
175
178
173
166
170
180
193
186
184
Para evaluar la precisin de ambas constantes de suavizado,
calculamos los errores de pronstico en trminos de
desviaciones absolutas y MAD.
DESVIACION MEDIA ABSOLUTA (MAD)
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
Desviacin
Absoluta Para
=0,10
Pronstico
Redondeado
con =0,50
Desviacin
Absoluta Para
=0,50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
5
8
16
2
17
30
2
4
175
178
173
166
170
180
193
186
5
10
14
9
20
25
13
4
Suma de desviaciones absolutas
84 100
MAD =
desviaciones
n
=10,50
12,50
Con base en este anlisis, una constante de suavizado de =0,10 es
preferible a = 0,50 por que su MAD es ms pequea. Se debe encontrar
la constante de suavizado con el menor error de pronstico.
2006 Prentice Hall, Inc. 4 54
225 225
200 200
175 175
150 150
| | | | | | | | |
1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9
Quarter Quarter
D
e
m
a
n
d
D
e
m
a
n
d
o o = .1 = .1
Actual Actual
demand demand
o o = .5 = .5
DESVIACION MEDIA ABSOLUTA (MAD)
ERROR CUADRATICO MEDIO (MSE)

Error Cuadrtico Medio (MSE): Es una segunda forma de medir
el error global del pronstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su frmula es:
MSE = (errores de pronstico)
n
Sigamos con el ejemplo del puerto del Callao para
determinar el MSE
ERROR CUADRATICO MEDIO (MSE)
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
(Error)
2
5
2
= 25
(-8)
2
= 64
(-16) = 256
(2) = 4
17 = 289
30 = 900
2 = 4
4 = 16
2
2
2
2
2
2
Suma de los cuadrados de los errores 1.558
MSE = (errores de pronstico)
n
2
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el =
0,10 es una mejor eleccin por que se minimiza el MSE.
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)
Error Porcentual Absoluto (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores
pronosticados y los reales y se expresa como porcentaje de los
valores reales. Es decir, si hemos pronosticado n periodos y los
valores reales corresponden a n periodos, MAPE, se calcula como:
Sigamos con el ejemplo del puerto del Callao para
determinar el MAPE
= real i - pronstico i / real i 100
n
i = 1
MAPE
n
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
Suma de errores porcentuales = 45,62%
Error porcentual Absoluto
100 ( error / real)
100(5/180) = 2,77%
100(8/168) = 4,76%
100(16/159) = 10,06%
100(2/175) = 1,14%
100(17/190) = 8,95%
100(30/205) = 14,63%
100(2/180) = 1,11%
100(4/182) = 2,20%
MAPE = errores porcentuales absolutos =
n
8
= 5,70% 45,62%
TRACKING SIGNAL (SEAL DE SEGUIMIENTO)
Tracking Signal: medias que se hacen en el pronostico para
predecir los valores actuales. El Tracking signal se calcula as:
MAD
Demanda pronosticada -

Demanda actual
=
n
1 = i