TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Pg. 1 de 10

TEMA 03. ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Administracin de la Demanda
Implica :
Identificar las fuentes potenciales de demanda.

Predecir la demanda.

Manera de satisfacer la demanda.

ALTO
PLANEACIN Y PROGRAMACIN DETALLADAS ( EJM.
PROGRAMA DE PRODUCCIN
DIARIA.)

Marketing y Operaciones administran la demanda.

DECISIONES DE
PLANEACIN

Marketing informa sobre el Mercado y predice la demanda.

Operaciones proporciona los bienes y servicios a tiempo.

NIVEL DE
DETALLE
DE UNA
PREDICCIN

Los datos desactualizados e inexactos generan complicaciones.

Demandas adicionales :
Demandas internas y externas para servicios parciales.

Demandas de reserva para cubrir rupturas y escasez.

Demandas por pruebas de desarrollo.

Demandas para transferir partes entre las plantas.

Decisiones en la Planeacin a largo plazo segn :

La lnea de productos.

La ubicacin de sus instalaciones.

La Capacidad de cada planta.

La tecnologa empleada en los procesos de produc

cin.

La red de proveedores.
Las Empresas requieren de Predicciones :

Econmicas.

Tecnolgicas.

De Demanda.

BAJO
CORTO

Indicadores coincidentes : Reflejan desempeo real.

El producto nacional bruto.

Los ingresos personales ( sueldos ).

Niveles de empleo.

Indicadores con retraso : Confirman cambios registrados.

Desempleo a largo plazo.

Rendimiento de los prestamos hipotecarios.

Predicciones Tecnolgicas
Pronostican la probabilidad y significado de posibles desarrollos futuros. Indican la direccin de los cambios tecnolgicos y la tasa de cambio esperada.
Los productos y procesos se vuelven obsoletos por el rpido
desarrollo tecnolgico.
La combinacin de las predicciones tecnolgicas y econmicas, junto con los anlisis de los ambientes internos y externos de una Empresa mas los datos de la demanda anterior
desarrollan las predicciones de demanda.
Predicciones de Demanda
Pronostican la cantidad y la duracin de la Demanda.
Las predicciones de demanda utilizadas para apoyar la planeacin y la programacin de la produccin deben ser mas
detalladas.

PLANEACIN DE LA
CAPACIDAD.
PLANEACIN DE LAS
INSTALACIONES.
PLANEACIN DE PROCESOS.

HORIZONTE DE TIEMPO

LARGO

7
Predicciones de Recursos
Pronostican la duracin y la cantidad de la demanda de instalaciones, equipos, mano de obra y compra de materia prima y materiales de empaque.
PREDICCIONES
ECONMICAS
CONDICIONES
DE NEGOCIOS
GENERALES

Predicciones externa e
interna

PREDICCIN DE
DEMANDA
INICIAL

Predicciones Econmicas
Pronostican las condiciones generales de los negocios dentro de algunos meses o aos. Las hacen gobiernos, bancos
y servicios prediccin economtrica.
Indicadores premonitorios : Advertencia anticipada de posibles cambios en la actividad econmica :
Nuevas licencias de construccin.

Tasas de contratacin.

PLANEACIN AGREGADA.
PLANES DE PROVISIN DE
PERSONAL.
MODIFICACIONES DE PROCESO.

Administracin de la Demanda en el Horizonte de la Planeacin

Durante el horizonte de planeacin :
Qu producir ?, Cunto producir ?, Donde produ
cir ?, Cundo producir ?.

PREDICCIN
DEDEMANDA REVISADA

PREDICCI
ONES DE
RECURSOS

AVANCES TECNOLGICOS ESPERADOS

PREDICCIONES
TECNOLGICAS

Administracin de la Demanda en una Organizacin de Respuesta Sensible Rpida ORSR

Administracin de los criterios de demanda del cliente:
Identificar lo que los clientes desean.

Decidir la forma de satisfacer esa demanda.

Comprender las necesidades y expectativas reales.

Si una organizacin conoce bien a su cliente puede predecir

cuando necesitar productos nuevos o reemplazo.
La retroalimentacin es mas precisa por ser real.
nfasis en tres factores :
La demanda se predice a corto y mediano plazo.

La demanda real puede cumplirse con rapidez.

Probabilidad de que los clientes paguen un dinero extra

si sus necesidades y expectativas son cubiertas plenamente.

Se obtienen mayores utilidades por conservar a los clientes
que reemplazndolos por otros cuando se retiran.

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Enfoques Cualitativos para predecir la Demanda

Tcnicas tiles si los datos histricos son insuficientes, contradictorios o irrelevantes; si el producto es nuevo o si ha habido desequilibrios en la Industria o Economa.
Tcnicas mas comunes :

Consenso del Comit Ejecutivo.

Usada en predicciones a mediano y largo plazo.
Fusin de opiniones de expertos interfuncionales.

Mtodo Delphi :
Expertos comparten informacin respecto a las ventas
futuras o a las tecnologas del futuro llegando a un
consenso.
Predicciones a largo plazo.

La Fuerza de Ventas.
Intenciones de clientes a corto y mediano plazo.
Emplea los estimados de ventas individuales.

Encuestas a los Clientes.

Modelos Cuantitativos de Prediccin

A ) Modelos de Serie de Tiempo :
Serie de Tiempo: Secuencia de observaciones cronolgicamente clasificadas a intervalos regulares para una
variable en particular.
Se elaboran grficas con los datos de la demanda.
Se analizan para identificar tendencias como factores
de temporada y/o factores cclicos que influyen en la
demanda.
Se puede aplicar tambin las tcnicas de suavizacin
como los promedios mviles y la suavizacin exponencial.
Son valiosos para predicciones a corto plazo que apoyen los programas de produccin, control de inventarios, fijacin de precios de los productos y lanzamiento
oportuno de un producto.
Tendencia : movimiento gradual de los datos en el tiempo.
Pueden ser lineales, logartmicas y exponenciales.
Temporada : Variacin repetida a intervalos fijos .
Variacin Cclica : duracin de al menos 1 ao. La variacin varia de un ciclo a otro.
Variacin aleatoria : no se explican mediante tendencias.
1. Proyecciones de Tendencia
Las tendencias lineales son imparciales y fcil de trabajar.
La lnea de tendencia lineal se representa por :

Ft = a + bt
Donde :
t : nmero de periodos siguientes al periodo base
Ft
: demanda estimada para el periodo t
a
: demanda para el periodo base
b
: pendiente de la lnea de tendencia
Se usa el mtodo de mnimos cuadrados.
Ejm :
Demanda anual real de Laslow Ltd.
2. Proyecciones de Temporada
Hallaremos la lnea recta representativa de la tendencia que
mejor se ajusta a los datos.
Para tener valor se debe incluir un componente de tendencia y uno de temporada.
Las influencias de temporada se eliminan dividiendo la demanda real por su ndice de temporada.
Hallaremos los ndices de temporada.
Ajustaremos los valores a la temporada.
En conclusin :
Identificar la variacin de temporada.

Destemporalizar la demanda.

Recin haremos la lnea de tendencia.

Ajustar los estimados de demanda en la variacin de

temporada.

Pg. 2 de 10

3. Otros
Promedio de desplazamiento Simple.
Usado para calcular la demanda promedio de los ltimos n
perodos y como prediccin para el siguiente perodo. Debido a que estn combinadas en promedio, las alzas y las bajas individuales se compensan entre s y se amortigua la variacin aleatoria de los datos

F t+1 = ( At + At-1 + ......+ At-n+1 ) / n

F t+1 = prediccin para el perodo t+1

At = demanda real para el perodo t
n = nmero de perodos por promediar

Promedio de desplazamiento ponderado.

El promedio de desplazamiento simple asigna el mismo peso a todos los perodos de demanda incluidos en el clculo.
Sin embargo en las observaciones `ms recientes tienen un
impacto mayor sobre las observaciones futuras que las observaciones anteriores. Un promedio de desplazamiento
ponderado permite al usuario asignar un peso a cada
observacin

F t+1 = wt.At + wt-1.At-1 + .......wt-n+1.At-n+1

F t+1 = prediccin para el perodo t+1

Wt = peso asignado al perodo t, Suma wt=1
At = demanda real para el perodo t
n = nmero de perodos por promediar

Suavizacin Exponencial.
Es una tcnica para promediar que asigna inherentemente
el peso ms alto a las observaciones ms recientes y asigna de manera sucesiva pesos menores a las observaciones anteriores. El valor de los pesos disminuye en forma
exponencial.
La prediccin para el prximo perodo se hace igual a la
prediccin para el perodo actual ms un porcentaje del
error de prediccin para el perodo actual. El porcentaje se
denomina

F t+1 = Ft + ( At - Ft )

F t+1 = prediccin para el perodo t+1

F t = prediccin para el perodo t
= valor seleccionado para , 0<= <=1
At = demanda real para el perodo t

Suavizacin Exponencial con una tendencia

Valor suavizado exponencialmente :

SF t+1 = (At )+ ( 1- ) ( SFt + Tt )

= At + ( 1- ) ( TAFt )
Estimado de la Tendencia :

T t+1 = ( SFt+1 - SFt ) + ( 1- ) Tt

Prediccin de Tendencia ajustada :

TAF t+1 = SFt+1 + Tt+1

4. Prediccin Enfocada
Bernard Smith, 1984, Administrador de Inventario de la
American Hardware Supply Company.
Uso de reglas personales de eleccin al azar, son 7 :

Lo que se vendi durante el ltimo trimestre es lo que

probablemente se vender en el siguiente trimestre.
Lo que se vendi el mismo trimestre del ao pasado se

vender durante el mismo trimestre de este ao.

Es probable que se venda el 10 % ms en el siguiente

trimestre que lo que se vendi en el trimestre anterior.

Es probable que se venda el 50 % ms en el siguiente

trimestre que lo que se vendi durante el trm. anterior.
El cambio de % experimentado en el trimestre anterior

comparado con el mismo trimestre de este ao quiz a

el mismo para el prximo trimestre.

El modelo de suavizacin exponenc. simple con Alfa=0.3 es mejor

El modelo de suaviz. expon. Doble Alfa=0.3 y Beta=0.2

es mejor.

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Beneficios :
Los usuarios confan en el proceso y en los resultados.

Las reglas son simples y el tiempo que requiere el com

putador para dar el pronstico es breve.

Los impactos de la fuerza subyacente en la demanda

estn sujetos a cambio cada mes y pueden ser diferentes para cada artculo.
Limitaciones : No se utiliza :
Para productos nuevos.

Cuando ocurren efectos especiales y limitados.

Para artculos comprados rara vez.

Cuando la Empresa conoce muy bien a sus clientes

(Caso Wong. )
Para periodos inferiores a 1 mes.

B ) Modelo Causal
Identifican y miden directamente los efectos de las fuerzas
especficas que influyen en la demanda.
Son apropiados para predecir y evaluar las decisiones tomadas por la Empresa.( Cambios en publicidad, precios)
Indicadores econmicos publicados por el Gobierno.
Se espera que la demanda se retrase tras los efectos de las
variables causales. Algunas son :

Actividades publicitarias y promocionales.

Acciones de la competencia.

Precio de los productos sustitutos.

Disponibilidad en el Mercado.
Factores climticos.

Tipos de Modelos :
Causal simple,

de regresin mltiple y

Modelo no lineal.

Pg. 3 de 10

Medicin de los Errores de Prediccin

Error de Prediccin :
Es la diferencia entre la demanda real y la prediccin de la
demanda.

Et=At-Ft
La medicin de los errores de prediccin determinan la
exactitud de los Modelos.
La Suma Parcial del Error de Prediccin( SPEP )
Es la suma de los errores de prediccin para un conjunto
consecutivo de periodos de demanda.

SPEP =

De t =1 a t = n
La Media del Error de Prediccin ( MEP )
Indica la magnitud y direccin de la inclinacin del modelo.

MEP =

SPEP
=
n

La Desviacin Media Absoluta ( DMA )

Mide la prediccin general del modelo mediante la
consideracin de la magnitud de los errores.
DMA es una de las mediciones de error ms usadas.

DMA =

Error Medio de Porcentaje Absoluto ( EMPA )

Mide la dispersin relativa.

A x100
EMPA =
Et

Seleccin y Monitoreo

No existe un modelo que sea la mejor.

Al seleccionar una tcnica se debe tener en cuenta las necesidades especficas, los datos disponibles y la caracterstica de los artculos que han de predecirse.
Responder las siguientes preguntas :
Qu demanda de bienes y servicios va a predecir ?

Qu fuentes de demanda debe tenerse en cuenta ?

Cmo pueden obtenerse los datos necesarios ?

Hay algunos componentes de tendencia?

Cul es el propsito de la prediccin?

Quin utilizar el modelo de prediccin?

Qu precisin deben tener las predicciones?

Con que rapidez desean que las predicciones sean

preparadas?
Se puede usar una combinacin de tcnicas.
Qu tcnicas proporcionan las predicciones ms exactas?
Las tcnicas de Series de tiempo son apropiados para predicciones detalladas a corto plazo. El ms popular : El Promedio de Desplazamiento. Debilidad: supone: el pasado es
buen pronstico del futuro.
Los Modelos Causales son convenientes para predicciones
a largo plazo. Son costosos y requieren muchos datos. El
ms popular: El Anlisis de Regresin.
Los Modelos Cualitativos son eficaces para predicciones
generales a largo plazo. Usados cuando hay pocos datos
stos no existen.
Incrementar la exactitud incrementa los costos.
Hay relacin directa entre la exactitud, los costos, la facilidad de comprensin y el tiempo necesario para prepararla.

El Error Medio al Cuadrado ( EMC ),

Penaliza las grandes desviaciones con ms rigidez que las
pequeas elevando al cuadrado los errores. Es razonable
cuando el costo del error se relaciona exponencialmente con
su magnitud.

EMC =

Ver cuadro 4.13 pagina 117 del libro texto de Hamid Noori
y Russell Radford.
Seales de Rastreo y Diagramas de Control
Ecuacin de la Seal de Rastreo :

SR = SPEP / DMA

Se debe establecer el lmite superior e inferior en el

diagrama de control.
Para productos de alto volumen = +/- 4
Para productos de bajo volumen = +/- 8

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

EJEMPLOS PRACTICOS
LINEA DE TENDENCIA APLICANDO EL METODO DE LOS
MINIMOS CUADRADOS
La demanda anual de una familia de productos es en los ltimos
5 aos:

Demanda
Anual
6 600
10 450
12 700
15 450
18 800

Ao
1
2
3
4
5

Establecer el pronstico para el ao 6

Solucin:
Regresin lineal
El objetivo es hallar una lnea recta que se ajuste a los datos,
mediante el empleo del principio de los mnimos cuadrados. Se
escoge la lnea que minimiza la suma de los cuadrados de las
desviaciones en los valores observados.
n

Minimizar SSE =

i =1

( y ( a + bx ))
i

SSx , y
SSx

x
y
xy n
( x )
= x

SSx , y =

SSx

Tambin :
a = y bx
b=

xy x y
n x ( x )

yi

xi

xiyi

xi2

yi2

6 600

6 600

43 560 000

10 450

20 900

109 202 500

12 700

38 100

161 290 000

15 450

61 800

16

238 702 500

18 800

94 000

25

353 440 000

64 000

15

221 400

55

906 195 000

SSx = 55 (152 / 5) =10

SSxy= 221400 - (15)(64 000) / 5 = 29 400
b = 29 400 / 10 = 2 940
Ft = a + b t
Ft = 3 980 + 2 940 t

6 920
9 860
12 800
15 740
18 680
21 620

se observa en la grfica los valores de la demanda real y la lnea

de regresin

25 000

10 000

5 000

i =1

donde

Regresin

Los valores de "a" y "b" que minimiza SSE estn dados por las
siguientes frmulas:

b=

Demanda
Real
6 600
10 450
12 700
15 450
18 800

Ao
1
2
3
4
5
6

15 000

a = y bx

De acuerdo al resultado:
Ft = 3 980 + 2 940t
Se aplican los valores y se obtiene los valores y el pronstico de
21 620 unidades para el ao 6

20 000

( yi Ft )2

SSE = suma de los errores de prediccin

yi = valor real de y
Ft = valor de prediccin de y
Ya que el valor predicho de yi que corresponde a xi es igual a
a +bxi ,
el objetivo es

Minimizar SSE =

Pg. 4 de 10

a= 64 000/5 - 2 940 (15/5) = 3 980

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Pg. 5 de 10

Donde :
SIq = factor promedio de temporada trimestre q
Dq, j = demanda real para el trimestre q en el ao j

PRONOSTICOS DE TENDENCIA Y TEMPORADA

La demanda anual de una familia de productos es en los ltimos
3 aos es la siguiente
Ao

Ao 1

Ao 2

Ao 3

trim

Demanda
Real

Prom.
triml

1 900

2 747

3 500

2 959

4 770

2 530

3 383

2 320

3 595

4 250

5 790

3 090

4 230

2 810

4 442

5 160

7 050

Dj = promedio de demanda trimestral en el ao j

m = nmero de asos

Tendencia
lineal

3175

Para encontrar el ndice de temporada para el trimestre 1 tenemos

3 171

3 807

3862.5

4 018

4 654

4700

4 866

4
3 780
Encontrar el pronstico del 4to ao.

5 078

1900 2320 2810

+
+
SI1 = 3175 3862 4700 = 0.6
3
De la misma forma se encuentra para los trimestres 2,3 y 4 resultando 1.1, 13.5 y 0.8 respectivamente
b) En base a ese ndice "destemporizar" la demanda es decir
aplanarla.
La demanda de cada trimestre se destemporiza dividindola
entre el ndice de temporada, esto se observa en la columna F
del siguiente cuadro
A
Ao

Solucin:
De acuerdo a estos valores se puede observar una tendencia con
temporada que se muestra en la siguiente grfica:
Ao 1

TENDENCIA CON TEMPORADA

DEMANDA

8 000
7 000

Ao 2

6 000
5 000
4 000
3 000

Ao 3

2 000
1 000
0
1

9 10 11 12

TRIMESTRE

Tambin se dibuja la lnea de tendencia utilizando los valores,

aunque estos son muy variados.
La metodologa para resolver esto es la siguiente:
a) Establecer un ndice de temporada.
b) En base a ese ndice "destemporizar" la demanda es decir
aplanarla
c) Establecer la lnea de tendencia con estos valores destemporizados
d) Establecer la demanda futura nuevamente temporizando la
lnea de tendencia con el ndice de temporada
De acuerdo a esto tenemos:
a) Establecer un ndice de temporada.
El ndice de temporada para cada trimestre se calcula usando
la frmula siguiente:
m

SIq =

j =1

Dq , j
Dj

Ao 4

B
trim

Demanda
correlat
Real

E
F
G
Lnea
Indice
Demanda
tendencia
tempor Destemporiz
destemp

1 900

0.60

3 167

2 970

3 500

1.10

3 182

3 141

4 770

1.50

3 180

3 313

2 530

0.80

3 163

3 484

2 320

0.60

3 867

3 655

4 250

1.10

3 864

3 826

5 790

1.50

3 860

3 998

3 090

0.80

3 863

4 169

2 810

0.60

4 683

4 340

10

5 160

1.10

4 691

4 511

11

7 050

1.50

4 700

4 682

12

3 780

0.80

4 725

4 854

13

5 025

14

5 196

15

5 367

16

5 539

d) Establecer la demanda futura nuevamente temporizando la

lnea de tendencia con el ndice de temporada
Con la tendencia se encuentran los valores para los trimestres 1 al 4 del ao 6 como se ve en la parte inferior de la columna G del cuadro anterior. Con estos valores nuevamente
se temporizan los valores multiplicndolos por el ndice de
temporada

Ao 4

Indice de
temporada

Demanda
ajustada

Trim

Tendencia

5 025

0.60

3 015

5 196

1.10

5 716

5 367

1.50

8 051

5 539

0.80

4 431

A continuacin se presentan los valores grfica del pronstico

para el ao 6

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Pg. 6 de 10

MODELOS DE SUAVIZACIN
Ao

Trim.

Correlat

Demanda
Real

1 900

3 500

4 770

2 530

2 320

4 250

5 790

3 090

Ao 1

Ao 2

Ao 3

Ao 4

2 810

10

5 160

11

7 050

12

3 780

13

3 015

14

5 716

15

8 051

16

4 431

PROMEDIO DE DESPLAZAMIENTO SIMPLE

Se utiliza estas tcnicas que consiste en sacar el promedio de
los valores de demanda real de un nmero determinado de perodos previos al perodo que se desea pronosticar.

Prediccin de promedio de desplazamiento de dos meses

At + A t 1
Ft + 1 =
2
Prediccin de promedio de desplazamiento de cinco meses
At + A t 1 + At 2 + At 3 + A t 4
Ft + 1 =
5
Perodo

Ago
Ao 4

Pronostico

TENDENCIA CON TEMPORADA

9 000
8 000
7 000

Ao 5

6 000
5 000
4 000
3 000
2 000
1 000
0
1

10

11

12

13

14

15

16

Promedio Promedio
Demanda
desplazm. desplazm.
Real
5 meses
2 meses
1 920

Sep

1 940

Oct

1 040

Nov

1 030

Dic

1 020

Ene

940

1025

1390

Feb

920

980

1194

Mar

950

930

990

Abr

1 720

935

972

May

1 730

1335

1110

Jun

1 710

1725

1252

Jul

2 340

1720

1406

Ago

2 360

2025

1690

Sep

2 350

2350

1972

Oct

1 240

2355

2098

Nov

1 260

1795

2000

Dic

1 280

1250

1910

T R I M ES T R E

PROMEDIO DE DESPLAZAMIENTO SIMPLE

2 500

RESISTENCIA A LA ASOCIACIN LINEAL

r =

SSxy
SSx SSy

Si r = 0 no hay evidencia de una relacin lineal entre x e y. Si

hay una relacin lineal positiva estar entre 0 y 1.
Cuanto ms fuerte sea la relacin lineal positiva , r estar ms
cerca de 1
Cuanto ms fuerte sea la relacin lineal negativa, r estar ms
cerca de -1

DEMANDA

2 000

La resistencia a la asociacin lineal entre y & x se indica

mediante el coeficiente de correlacin "r" y el coeficiente de
determinacin " r2 "

1 500
1 000
500
0

P E R IO D O
Demanda Real

P.D. 2 meses

P.D. 5 meses

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

Pg. 7 de 10

PROMEDIO DE DESPLAZAMIENTO PONDERADO

Igual que el simple pero se asigna un peso a cada perodo que
es mayor para los perodos ms cercanos

SUAVIZACION EXPONENCIAL
Tcnica para promediar que asigna el peso ms alto a las observaciones ms recientes
Valor suavizado exponencialmente
Ft+1 = Ft + (At - Ft)
Donde
Ft+1 = prediccin para el perodo t+1
Ft = Prediccin para el perodo t
= valor seleccionado para entre 0 y 1
At = Demanda Real para el perodo t

Ft + 1 = ( 0.8 )At + ( 0.2 )At 1

Ft + 1 = ( 0.5 )At + ( 0.2 )At 1 + ( 0.1)At 2 + 0.1At 3 + ( 0.1)At 4

Perodo

Demanda
Real

Ago

1 920

Sep

1 940

Veamos un ejemplo con suavizacin exponencial con = 0.2 y

=0.8
Demanda
Real

Perodo

Ago
Sep

Ao 4

= 0.8
Ao 4

Oct

1 040

1 920

Nov

1 030

1 940

Dic

1 020

Promedio
Desplazm.
Ponder.
5 meses

Oct

1 040

Ene

940

1022

1206

Nov

1 030

Feb

920

956

1075

Dic

1 020

Mar

950

924

957

Ene

940

1020

1020

Abr

1 720

944

958

Feb

920

1004

956

May

1 730

1566

1338

Mar

950

987

927

Jun

1 710

1728

1490

Abr

1 720

980

945

May
Ao 5

= 0.2

Promedio
Desplazm.
Ponder
2 meses

1 730

1128

Ao 5

1565

Jul

2 340

1714

1560

Ago

2 360

2214

1952

Sep

2 350

2356

2164

Jun

1 710

1248

1697

Jul

2 340

1341

1707

Oct

1 240

2352

2225

1 260

1462

1731

1 280

1256

1583

Ago

2 360

1540

2213

Nov

Sep

2 350

1704

2331

Dic

Oct

1 240

1834

2346

Nov

1 260

1715

1461

Dic

1 280

1624

1300

2 500

2 000
2 500

1 500
2 000

1 000
1 500

500

1 000

Dic

Nov

Oct

Sep

Ago

Jul

Jun

May

Abr

Mar

Feb

Ene

500

Demanda Real

Demanda Real

SE alfa = 0.2

Dic

Nov

Oct

Sep

Ago

Jul

Jun

May

Abr

Mar

Feb

Ene

SE alfa = 0.8

PDP 2 meses

PDP 5 meses

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

SUAVIZACION EXPONENCIAL CON UNA TENDENCIA

Valor suavizado exponencialmente
SFt+1 = (At) + (1 -) (SFt+Tt)
= (At) + (1 -) (TAFt)

Pg. 8 de 10

PROBLEMAS DE PRONSTICOS
1.

El estimado de la tendencia
Tt+1 = ( SFt+1 - SFt) + (1 - ) (Tt)

Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio

La prediccin de la tendencia ajustada

TAFt+1= SFt+1 + Tt+1
SFt+1 = valor suavizado exponencialmente para el perodo t+1
= valor seleccionado para entre 0 y 1
At = Demanda Real para el perodo t
Tt = Estimado de tendencia para el perodod t
= valor seleccionado para
TAFt = prediccin de tendencia ajustada para el perodo t

Ao 4

Ao 5

Demanda
Real

SFt+1

Tt+1

TAFt+1

Dic

1,020

1,020

Ene

940

1,020

Feb

920

956

-32

924

Mar

950

921

-34

887

Abr

1,720

937

-8

929

May

1,730

1,562

308

1,870

Jun

1,710

1,758

252

2,010

Jul

2,340

1,770

132

1,902

Ago

2,360

2,252

307

2,560

Sep

2,350

2,400

227

2,627

2.

1,020

Oct

1,240

2,405

116

2,522

Nov

1,260

1,496

-396

1,100

Dic

1,280

1,228

-332

896

Demanda
14
12
12
11
17
16

a. Utilizar un promedio de desplazamiento ponderado con

pesos de 0.6, 0.3 y 0.1 para hallar la prediccin del mes
de julio.
b. Utilizar el promedio de desplazamiento simple de tres
meses para hallar la prediccin del mes de julio.
c. Utilizar la suavizacin exponencial simple con = 0.1 y
una prediccin de 14 para el mes de junio para hallar la
de julio.

Para el ejemplo se escoje = 0.8 y = 0.5 y se establece

que SFDic ao 4 = A Dic ao 4 = 1020
y
T Dic ao 4 = 0

Perodo

La demanda histrica para los pasteles frescos de Mother

Hubbard es, en miles de docenas:

La siguiente tabla contiene ventas reales de cebada (en

miles de toneladas mtricas) para seis meses y la prediccin
para enero:
Mes
Real
Prediccin
Enero
102
82
Febrero

94

Marzo

105

Abril

37

Mayo

70

Junio

99

a) Calcular las predicciones para los cinco meses restantes utilizando la suavizacin exponencial simple con
= 0.3
b) Calcular la desviacin media absoluta (DMA) y la
inclinacin para las predicciones.
3.

Mackinaw Co. ha registrado horas reservadas de antemano

(en miles) para los ocho trimestres anteriores:
Trim
1993
I
II
III
IV

S U A VI Z A C I ON EXP ON EN C I A L C ON U N A T EN D EN C I A

3,000
2,500
2,000

Cant

Trim

Cant

1994
I
II
III
IV

13
19
27
17

17
25
29
19

Elaborar la prediccin de horas para 1995.

1,500

4.

1,000

Los resultados de utilizar tres modelos diferentes de prediccin son:

500

Prediccin
0

Demanda Real

Suav Exp con Tendencia

Periodo de ventas
1
2
3
4
5

22
26
30
31
33

23
28
33
33
34

18
29
29
37
32

Que mtodo es aconsejable? Por que?

Real
25
32
29
38
40

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

5.

6.

Semana

Llamadas

11

10

11

13

16

12

Cul es la prediccin de llamadas para la semana entrante?

Qu modelo funciona mejor? Por qu

Con los datos del problema 8, preparar las predicciones con

la suavizacin exponencial simple con = 0.1 y la
prediccin de 92 llamadas para el primer da; y cuando =
0.3 con una prediccin de 92 llamadas para el primer
periodo. Cul modelo de prediccin es mejor?

La demanda para las bombas de seis pulgadas de Acme

Pumps en los primeros nueve meses de 1992 fue:

10. Clitzy Auto House vendi en los ltimos seis meses de 1992
la siguiente cantidad de vehculos usados:

Demanda
114
126
151
167
161
183
138
133
140

Las predicciones de demanda de marzo a septiembre se

hicieron con el promedio de desplazamiento de tres meses
y la suavizacin exponencial simple. Cmo escoger el mejor mtodo de prediccin? Calcular las cifras.
Despus de utilizar el modelo de prediccin durante nueve
meses se decide probarlo con la desviacin media absoluta
(DMA) y la seal de rastreo.
Las siguientes son las demandas predicha y real para
bicicletas todo terreno;
Mes
Prediccin
Enero
445
Febrero
490
Marzo
550
Abril
600
Mayo
650
Junio
700
Julio
750
Agosto
800
Septiembre
850

Real
505
555
408
510
680
610
750
823
789

Hallar la seal de rastreo y decidir si el modelo de prediccin es adecuado.

8.

a. Calcular la prediccin del promedio de desplazamiento

de tres periodos y el error de prediccin diario.
b. Calcular la prediccin del promedio de desplazamiento
ponderado de tres periodos con pesos de 0.5,0.3 y 0.1.
Cul prediccin es mejor? Por qu?

Para la Dzzy Sales Co. la cantidad de solicitudes por telfono es un buen indicador de ventas para dentro de una
semana. Los datos recientes son los siguientes:

Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre

7.

Pg. 9 de 10

En- el rea de Minneapolis la cantidad de llamadas diarias

para reparar las fotocopiadoras Bill es:
Fecha Llamadas
1
100
2
137
3
121
4
112
5
145
5
125
7
187
8
89
9
140

9.

MES
Jul
Ago
Sep
Oct
Nov
Dic

VENTAS
88
60
68
47
92
99

Preparar una prediccin de ventas para cada mes empezando con una prediccin de demanda de 85 unidades y a
= 0.2 para el mes de julio.
a) Calcular la desviacin media absoluta (DMA) y la seal
de rastreo para los datos de cada periodo; utilizar una
desviacin media absoluta (DMA) igual a O para el mes
de junio.
b) Son correctas la desviacin media absoluta (DMA) y
la seal de rastreo?
c) Reelaborar el problema con = 0.1, = 0.3 y = 0.4.
Qu modelo da la mejor prediccin? Por qu?
11. La demanda semanal de alas de pollo en el mercado mvil
ha sido:
a. Calcular la demanda para la semana 7 utilizando el promedio de desplazamiento simple de cinco periodos.
b. Calcular la demanda para la semana 7 utilizando el promedio de desplazamiento ponderado de tres periodos con pesos de 0.5, 0.3 y 0.2.
c. Calcular la demanda para la semana
7 utilizando la prediccin exponencial simple con = 0.1 y una prediccin de 600 unidades para la
semana 6.
Cul es la mejor prediccin? Qu suposiciones hubo
en cada prediccin?

MES
1
2
3
4
5
6
d.

VENTAS
650
543
580
742
504
612

12. La University Bookstore se inund y perdi algunos de sus

datos de prediccin. Calcular de nuevo los datos perdidos a
partir de los siguientes:
Pero- Deman- Prediccin
do
da
At
0

10

120

Error

DMA

Seal
de
rastreo

Ft ( =0.3)

Et=At-Ft

=0.3

100.0

20.0

Perdido

1.5

140

106.0

34.0

19.3

Perdido

160

Perdido

Perdido

Perdido

Perdido

TEMA 03: ADMINISTRACION DE LA DEMANDA (PRONOSTICOS)

13. La demanda para patines de jockey en una tienda local de

artculos deportivos para las ocho semanas anteriores fue:
Semana

Demanda

122

130

98

121

96

152

113

124

a. Calcular la prediccin para los perodos importantes utilizando un promedio de desplazamiento de tres periodos.
b. Calcular la prediccin utilizando un promedio de desplazamiento ponderado de tres periodos con pesos de 0.6,
0.3 y 0.1.
c. Utilizar un modelo de suavizacin exponencial simple con
0.6. Supngase que la prediccin para el primer periodo
fue de 120.
Cul es el mejor modelo? Calcular la inclinacin y la desviacin media absoluta (DMA) para cada modelo como punto inicial.
14. Una embotelladora local de gaseosa tiene las siguientes
ventas (en miles de dlares) en un periodo de cinco aos:
Ao
Trimestre

1
2
3
4

346
468
375
279

361
483
390
300

381
494
392
296

401
515
416
355

408
520
436
420

a. Calcular la prediccin de ventas para el primer trimestre del ao 6 utilizando un promedio de desplazamiento
de tres periodos.
b. Calcular la prediccin utilizando un promedio de desplazamiento ponderado de tres periodos con pesos de
0.5, 0.3 y 0.2.
c- Utilizar un modelo de suavizacin exponencial simple
con = 0.2. Supngase que la prediccin para el trimestre
1 del ao ru de 346.
Cual de los modelos se utilizara? Por qu?
15. Los precios de la gasolina para los 10 ltimos meses fueron:
Mes
1
2
3
4
5
6
7
8
9
10

Precio real
1.20
1.23
1.27
1.29
1.27
1.29
1.30
1.31
1.29
1.30

Calcular para cada periodo la

prediccin. la tendencia
Y la desviacin media absoluta
DMA de los siguientes modelos
a. Promedio de desplazamiento de tres periodos.
b. Promedio de desplazamiento ponderado de tres
periodos con pesos de 0.6,,
0.3 y 0-1.

c.

Un modelo de suavizacin exponencial doble con- =

0.1. Supngase que la prediccin para el periodo 1 fue
de 1.20.

d.

Un modelo de suavizaron exponencial doble con =

0.2 y = 0.3. Supngase que en el periodo 0 la prediccin ajustada fue de 1.19, el precio real ru de 1.19, la
prediccin simple fue de 1.16 y el estimado de tendencia suavizada fue de 0.03.

Pg. 10 de 10

Calcular la inclinacin y la desviacin media absoluta DMA

para cada modelo. Cual es el modelo mas apropiado?
Por qu?
16. Una cadena minorista de lentes especiales ha estado
experimentando con los precios de venta de los lentes de
contacto y obtuvo los siguientes datos:

Promedio de lentes por da

200
190
188
180
170
162
160

Precio por lentes,

en dlares
24
26
27
28
29
30
32

Elaborar un anlisis de regresin.

a. Cul es el intervalo confiable en un 95% de la demanda a
un precio de US$28?
b. Cul es el estimado de demanda a un precio de US$20
por lente?
17. La empresa Apple Security, especializada en seguridad de
hogares, realiz un anlisis de la demanda de sus servicios.
Durante los ltimos 10 aos la cantidad de hogares
protegidos por Apple cada ao y la tasa nacional de
incursiones por cada mil hogares ha sido:
1
2
3
4
5
6
7
3
9
10

Ao Hogares Incursiones
36
14.6
33
15.3
40
18.4
41
18.9
40
20.2
55
22.3
60
25.3
54
23.5
58
25.8
61
29.1

Utilizando una regresin, cul sera la prediccin de demanda

en los anos 11 y 12?
Que tan bien se ajusta el modelo a los datos?
Que otra informacin sera til?