Unidad II

Pronsticos de demanda

Introduccin

Pronstico (Forecasting)

Pronstico del tiempo

De un partido de futbol
Resultados de una eleccin
Pronstico de la evolucin de un enfermo

Demanda a que se ver sometida la empresa en los prximos perodos(semanas,

meses, aos, etc.)permitir:
CP: Niveles de Inventario y niveles de produccin , normalmente inferior a tres meses
MP: Tipos de procesos de produccin requeridos, de tres meses a tres aos
LP: Capacidad de las instalaciones , > tres aos

Niveles de venta futuras nos permite planificar :

Finanzas
RRHH
Logstica
Mantenimiento
Niveles de repuestos

Tipos de Pronsticos
Econmicos: Tasas de inflacin, masa de
dinero, otros indicadores
Tecnolgicos: Referentes al ritmo de progreso
tecnolgico
Demanda: de Productos y servicios en un
horizonte determinado
4

La importancia estratgica del pronstico

RR.HH
Capacidad
Gestin de la cadena de suministro

Siete etapas en el sistema de pronsticos

Determinar la utilizacin del pronstico
Seleccionar los artculos en los que se va a
realizar el pronstico
Determinar el horizonte temporal del pronstico
Seleccionar los modelos de pronstico
Obtencin de datos
Realizar pronstico
Validar e implementar los resultados
6

Mirar el pasado para predecir el futuro

error=real - pronostico

Error =Valor pronosticado Valor real

Error conocido no es un error
2 grandes reas:
Cualitativos ( que se basan en la opinin de
personas, con experiencia y expertas en la
materia)
Cuantitativos ( que se basan en el proceso de
datos histricos mediante mtodos matemticos y
uso de frmulas)
7

Pronstico se puede clasificar en cuatro

tipos bsicos:

Cualitativo
Anlisis de series de tiempo
Relaciones causales
Simulacin
8

Tcnicas Cualitativas de Pronstico

Las tcnicas cualitativas son

subjetivas y se basan en
estimados y opiniones

10

Tcnicas Acumulativas (Proposicin de personal

comercial)

Crea el pronstico sumando los supuestos

desde la parte de abajo. Persona que est ms
cerca del cliente o del usuario final.
Conoce mejor sus preferencias
Aunque no sea absolutamente cierto , sus
datos sirven de base

11

Mtodo Delphi
Se oculta la identidad e los individuos que
participan en el estudio. Todos tienen el mismo
peso. En cuanto al procedimiento, un
moderador crea un cuestionario y lo distribuye
entre los participantes. Sus respuestas se suman
y se entregan a todo el grupo con un nuevo
grupo de preguntas.

12

Mtodo Delphi
Orculo Delfos, de la antigua Grecia
Varias etapas y considera la participacin de
grupos de expertos
Cada uno proporciona una respuesta escrita
Se calcula media, desviacin, valores mximos
y mnimos
En la medida que la dispersin es grande se
pide acotar las respuestas. y as
sucesivamente.
13

Estudio de Mercado
Opiniones provenientes de los consumidores o
clientes potenciales en lo referente a sus futuros
planes de compra
A menudo las empresas contratan a empresas
externas para realizar este tipo de pronstico
Permite mejorar diseo y planificar nuevos
productos
Llamadas telefnicas en las que se pregunta
sobre sus preferencias por ciertos productos , su
ingreso, sus hbitos, etc.
14

Estudio de Mercado
Conocer las respuestas de las personas que
componen un determinado universo.
Se clasifican en distintos grupos , se determinan
muestras y luego se analizan en dicho contexto
las respuestas proporcionadas por ellos. Permiten
sacar conclusiones.
Muestra representativa de la poblacin:
aleatoriedad de la muestra, el tipo de
estratificacin y el tamao de la misma.
Muy utilizado en lanzamiento de nuevos
productos y en el terreno poltico.
15

Mtodo del ciclo de vida

Aparicin
Crecimiento
Madurez
Decadencia
Desaparicin

16

Grupo de Consenso
La idea es que dos cabezas piensan ms que una
se extrapola con la idea de que un grupo de
personas que ocupan diversas posiciones puedan
desarrollar un pronstico ms confiable que un
grupo reducido. Los pronsticos en grupo se
realizan por medio de reuniones abiertas con un
intercambio libre de ideas de todos los niveles
gerenciales e individuales.
17

Analoga Histrica
Al tratar de pronosticar la demanda de un nuevo
producto, una situacin ideal sera que un producto
existente o genrico se pueda utilizar como modelo.
Existen muchas formas de clasificar estas
analogas; por ejemplo, productos
complementarios, productos sustituibles o
competitivos, y productos como funcin del
ingreso.
18

Tcnicas Cuantitativas de Pronstico

19

Tcnicas Cuantitativas
En todos los mtodos se utiliza una serie de
tiempo. Datos medidos en distintos puntos en
el tiempo, o asociados intervalos de tiempo
sucesivos. Este patrn se puede separar en
diversos componentes.

20

Componentes
De nivel: Los datos varan alrededor de un valor
promedio
De tendencia: Los datos varan (aumentan o
disminuyen) en forma aproximadamente
constante en funcin del tiempo.
De estacionalidad: Fluctuaciones que se repiten a
intervalos regulares dentro de un ao.
Electricidad, agua potable.
Cclica: Fluctuaciones que tienen un perodo de
varios aos. Ciclos macroeconmicos.
Aleatoria: Variaciones irregulares.
21

22

23

24

Visin global de los mtodos cuantitativos

Enfoque simple
Medias mviles
Suavizado exponencial
Proyeccin de tendencia
Regresin lineal

Modelos de series
temporales

Modelos
asociativos

25

Anlisis de Series de Tiempo

26

Qu son las series temporales?

Es una secuencia de datos uniformemente espaciada:
Se obtiene observando las variables en perodos de
tiempo regulares.
Se trata de una proyeccin basada en los datos pasados:
Supone que los factores que han influido en el pasado
lo sigan haciendo en el futuro.
Ejemplo:
Ao:
Ventas:

1993
78,7

1994
63,5

1995
89,7

1996
93,2

1997
92,1

27

Descomposicin de una serie temporal

Tendencia

Ciclos

Estacionalidad

Variaciones
aleatorias

28

Tendencia
Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
Los cambios en la poblacin, ingresos, etc.
influyen en la tendencia.
Varios aos de duracin.
Respuesta

Mes, trimestre, ao

29
1984-1994 T/Maker Co.

Estacionalidad
Muestra de datos de ascenso o descenso
que se repite.
Se puede ver afectada por la climatologa,
las costumbres, etc.
Se produce dentro de un perodo anual.
Verano
Respuesta
1984-1994 T/Maker Co.

Mes, trimestre

30

Ciclos
Movimiento de ascenso o descenso que se
repiten.
Se pueden ver afectados por interacciones de
factores que influyen en la economa.
Suelen durar de 2 a 10 aos.
Respuesta

Ciclo

Mes, trimestre, ao
31

Variaciones aleatorias
Son saltos en los datos causados por el
azar y situaciones inusuales.
Son debidas a Variaciones aleatorias o a
situaciones imprevistas:

1984-1994 T/Maker Co.

Huelga.
Tornado.

Son de corta duracin

y no se repiten.
32

33

Enfoque simple
Suponer que la demanda
en el prximo perodo ser
igual a la demanda del
perodo ms reciente:

Por ejemplo, si en Mayo hubo 48

ventas, en Junio habr 48 ventas.

Es el modelo con la mejor

relacin eficacia-costo y
eficiencia.

1995 Corel Corp.

34

Promedio Mvil Simple

Cuando la demanda de un producto no crece ni baja
con rapidez, y si no tiene las caractersticas
estacionales, un promedio mvil puede ser til para
eliminar las fluctuaciones aleatorias del pronstico.
Aunque los promedios de movimientos casi siempre
son centrados , es ms conveniente utilizar datos
pasados para predecir el perodo siguiente de manera
directa.
Si se quiere pronosticar Junio se puede considerar lo
ocurrido en : Enero, Febrero, Marzo, Abril y Mayo.
35

36

Medias mviles
Las medias mviles son una serie de operaciones
aritmticas.
Se utilizan si no hay tendencia o si sta es escasa.
Se suelen utilizar para el Suavizado:
Proporciona una impresin general de los datos a lo largo del
tiempo.

Ecuacin:

demanda de n periodos previos

MM
n

37

Promedio Mvil o Deslizante

38

Ejemplo de media mvil

Usted es el director de una tienda de un
museo que vende rplicas. Quiere predecir
las ventas (000) del ao 2000 mediante una
media mvil de 3 meses.
1993
4
1994
6
1995
5
1996
3
1997
7
1995 Corel Corp.

Solucin de la media mvil

Ao
1995
1996
1997
1998
1999
2000

Respuesta
Yi
4
6
5
3
7

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5

ND
40

Solucin de la media mvil

Ao
1995
1996
1997
1998
1999
2000

Respuesta
Yi
4
6
5
3
7

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5
6+5+3=14 14/3=4 2/3

ND
41

Solucin de la media mvil

Ao
1995
1996
1997
1998
1999
2000

Respuesta
Yi
4
6
5
3
7
ND

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3=5,0
6+5+3=14
14/3=4,7
5+3+7=15
15/3=5,0
42

Ejemplo
Con promedio movil
Perodo Demanda
1
10
2
18
3
29
4
15
5
30
6
12
7
16
8
8
9
22
10
14
11
15
12
27
13
30
14
23
15
15

Pronstico
(N=3)

Error

19,0
20,7
24,7
19,0
19,3
12,0
15,3
14,7
17,0
18,7
24,0
26,7
DAM

-4,0
9,3
-12,7
-3,0
-11,3
10,0
-1,3
0,3
10,0
11,3
-1,0
-11,7
7,2

Pronstico
(N=6)

19,0
20,0
18,3
17,2
17,0
14,5
17,0
19,3
21,8

Error

-3,0
-12,0
3,7
-3,2
-2,0
12,5
13,0
3,7
-6,8
6,6

43

44

45

46

Grfico de la media mvil

Ventas
8
6
4
2
95

Real

Previsin

96

97
98
Ao

99

00

Mtodo de la media mvil ponderada

Se utiliza cuando se presenta una tendencia:
Los datos anteriores suelen carecer de
importancia.

Las ponderaciones se basan en la intuicin:

Suelen estar entre 0 y 1, y a la suma de 1,0.

Ecuacin:
Media mvil
ponderada =

(ponderacin para el periodo n) (demanda en el periodo n)

ponderaciones

48

Media Mvil Ponderada

Ponderacin
Aplicada
3
2
1
6

Perodo
ltimo mes
Hace dos meses
Hace tres meses
Suma
ponderaciones

49

Clculo

Mes

Ventas Reales

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

10
12
13
16
19
23
26
30
28
18
16
14

Media Mvil Ponderacin Ponderacin

trimestral
Aplicada
3
2
1
12,17
6
14,33
17,00
20,50
23,83
27,50
28,33
23,33
18,67

Perodo
ltimo mes
Hace dos meses
Hace tres meses
Suma ponderaciones

50

51

52

53

Demanda actual, media mvil y media

mvil ponderada
35

Demanda de ventas

30
25

Media mvil ponderada

Ventas reales

20
15
10
5

Media mvil

0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes

Inconvenientes de los mtodos de media

mvil
Al aumentar n veces, las
proyecciones son menos sensibles a
los cambios.
No es posible predecir bien la
tendencia.
Se necesitan muchos datos
histricos.

1984-1994 T/Maker Co.

55

Suavizacin Exponencial
En los mtodos de pronsticos anteriores
(promedios mviles y ponderado), la principal
desventaja es la necesidad de manejar en forma
continua gran cantidad de datos histricos. En
estos momentos, al agregar cada nueva pieza de
datos, se elimina la observacin anterior y se
calcula el nuevo pronstico. En muchas
aplicaciones las ocurrencias ms recientes son
ms indicativas del futuro que aquellas en el
pasado ms distante.
56

Suavizado Exponencial
Ft=Ft-1+(At-1 -Ft-1) cte por error
Ft = At-1+(1-) Ft-1

Ft=Pronstico nuevo
Ft-1=Pronstico previo

= Constante de Suavizacin ( 0<= <=1)

At-1 = demanda Real del Perodo previo
57

Efectos de la previsin de la constante

de suavizado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

= 0,10
= 0,90

10%

(1 - )

(1 - )2

Efectos de la previsin de la constante

de suavizado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

= 0,10
= 0,90

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

10%

9%

(1 - )2

Efectos de la previsin de la constante

de suavizado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

= 0,10
= 0,90

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

10%

9%

(1 - )2

8,1%

Efectos de la previsin de la constante

de suavizado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

= 0,10

10%

9%

= 0,90

90%

(1 - )2

8,1%

Efectos de la previsin de la constante

de suavizado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

(1 - )2

= 0,10

10%

9%

8,1%

= 0,90

90%

9%

Efectos de la previsin de la constante

de suavizado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

(1 - )2

= 0,10

10%

9%

8,1%

= 0,90

90%

9%

0,9%

Eleccin del valor apropiado para Alfa

Demanda Estable (electricidad o alimentos)
pequeo
Variacin rpida de la demanda = grande
Si el error es grande = 0,8
Si el error es pequeo = 0,2
64

Qu necesita el Suavizado Exponencial?

Pronstico ms reciente
Demanda real ms reciente
Constante de Suavizacin
Productos de demanda constante => (5 a
10% )
Mientras ms altos sean los crecimientos o
decrecimientos => ms grande
65

66

Ejemplo de suavizado exponencial

Usted est organizando una reunin Kwanza.
Desea predecir el nmero de personas que
asistirn en el ao 2000 mediante el
suavizado exponencial ( = 0,10). La
proyeccin para 1995 fue de 175.
1995
180
1996
168
1997
159
1996
175
1999
190
1995 Corel Corp.

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Previsin, F t
( = 0,10)

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

175,00 (Dado)
175,00 +

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

Previsin, F t
( = 0,10)
175,00 (Dado)
175,00 + 0,10(

Solucin del suavizado exponencial

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

Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

Previsin, Ft
( = 0,10)
175,00 (Dado)

175,00 + 0,10(180 -

Solucin del suavizado exponencial

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

Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

Previsin, Ft
( = 0,10)
175,00 (Dado)

175,00 + 0,10(180 - 175,00)

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(180 - 175,00) = 175,50

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Real

Previsin, F t
( = 0,10)

1995

180

175,00 (Dado)

1994

168

175,00 + 0,10(180 - 175,00) = 175,50

1995

159

175,50 + 0,10(168 - 175,50) = 174,75

1996

175

1997

190

1998

ND

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Real

Previsin, F t
( = 0,10)

1995

180

175,00 (Dado)

1996

168

175,00 + 0,10(180 - 175,00) = 175,50

1997

159

175,50 + 0,10(168 - 175,50) = 174,75

1998

175

174,75 + 0,10(159 - 174,75)= 173,18

1999

190

2000

ND

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Real

Previsin, F t
( = 0,10)

1995

180

175,00 (Dado)

1996

168

175,00 + 0,10(180 - 175,00) = 175,50

1997
1998

159

175,50 + 0,10(168 - 175,50) = 174,75

175

174,75 + 0,10(159 - 174,75) = 173,18

1999

190

173,18 + 0,10(175 - 173,18) = 173,36

2000

ND

Solucin del suavizado exponencial

Ft = Ft-1 + (At-1 - Ft-1)
Ao

Real

Previsin, F t
( = 0,10)

1995

180

175,00 (Dado)

1996

168

175,00 + 0,10(180 - 175,00) = 175,50

1997

159

175,50 + 0,10(168 - 175,50) = 174,75

1998

175

174,75 + 0,10(159 - 174,75) = 173,18

1999

190

173,18 + 0,10(175 - 173,18) = 173,36

2000

ND

173,36 + 0,10(190 - 173,36) = 175,02

Grfico del suavizado exponencial

Venta
190s
180
170
160
150
140
93 94

Real

Previsin

95 96
Ao

97

98

Errores de Pronstico
Error = Diferencia entre Pronstico - Demanda
error= dd - prediccion
real.
Estadsticamente se conoce como Residuales.
Siempre y cuando el valor del pronstico se
encuentre dentro de los lmites de confianza.
Alta complejidad para pronosticar =>Fuentes de
error y Medicin de errores
78

Fuentes de Error
Pronsticos del pasado en el futuro.
Experiencia ha demostrado que los errores
reales pueden ser mayores que los proyectados
a partir de modelos de pronstico.

Errores sesgados
Errores aleatorios
79

Desviacin Media Absoluta

80

Ejemplo
Una mquina de extrusin de aluminio estima
que la demanda de piezas es de 500 unidades
mensuales, para cada uno de los tres prximos
meses. Posteriormente la demanda real result
ser de 400, 560 y 700.
DAM= 120 unidades
Sesgo= 53,3 unidades
(120/500) * 100= 24%
Se subestim la demanda en 53,3 unidades =>
553,3 => (53,3/553,3)*100= 9,6%
81

Errores en los pronsticos

82

Ejemplo
Trimestre
1
2
3
4
5
6
7
8
9

Toneladas realmente
descargadas
180
168
159
175
190
205
180
182
?

Pronstico redondeada utilzando

Redondeado
0,1
0,1
0,5
Redondeado 0,1
175,0
175
175,0
175
175,5
176
177,5
178
174,8
175
172,8
173
173,2
173
165,9
166
173,4
173
170,4
170
175,0
175
180,2
180
178,0
178
192,6
193
178,2
178
186,3
186
178,6
179
184,2
184

83

Medicin de la DAM

Trimestre

Toneladas
realmente
descargadas

Pronstico redondeada utilizando

1
2
3
4
5
6
7
8
9

180
168
159
175
190
205
180
182
?

0,1
175
176
175
173
173
175
178
178
179

0,5
175
178
173
166
170
180
193
186
184

Error 0,1

Error 0,1
absoluto

Error
0,5

Error 0,5
absoluto

5
-8
-16
2
17
30
2
4
DAM

5
8
16
2
17
30
2
4
10,5

5
-10
-14
9
20
25
-13
-4
DAM

5
10
14
9
20
25
13
4
12,5

84

Error cuadrtico medio (ECM)

85

Error cuadrtico medio

Trimestre

1
2
3
4
5
6
7
8
9

Toneladas
realmente
descargadas
180
168
159
175
190
205
180
182
?

Pronstico
redondeada
utilizando

0,1
175
176
175
173
173
175
178
178
179

Error 0,1
0,5
5
8
16
2
17
30
2
4
10,5
ECM

Error al
cuadrad
o
25
64
256
4
289
900
4
16
1558
194,75

86

87

88

Suavizado exponencial con ajuste de

tendencia
Como sucede con cualquier tcnica de media mvil,
el suavizado exponencial simple falla cuando trata
de dar respuestas a las tendencias.
Ejemplo: Se asume que la demanda para el
producto o servicio se ha visto incrementada en
100 unidades al mes, y que se estaba utilizando un
pronstico con = 0,4 en un modelo de Suavizado
exponencial simple. Los valores indican retraso en
el pronstico.
89

Suavizado exponencial con ajuste de tendencia

Para mejorar el pronstico, se presenta un

mtodo
ms
complejo
de
suavizado
exponencial: uno que se ajuste a las tendencias.
La idea es calcular una media de los datos
suavizados exponencialmente, y luego ajustarlo
para desfases positivos o negativos en la
tendencia.

90

FIT = Forescast including trend

FITt= Pronstico incluyendo la tendencia
FITt=Pronstico suavizado exponencialmente (Ft )+ tendencia suavizada
exponencialmente (Tt)
FITt = Ft + Tt
Ft =(demanda real del ltimo perodo)+(1-)(pronstico del ltimo
perodo +estimacin de la tendencia del ltimo perodo)

Ft =(At-1)+ (1-)(Ft-1 + Tt-1)

Tt =(pronstico del perodo actual pronstico del ltimo perodo) +
(1-)(pronstico de la tendencia del ltimo perodo)
Tt = (Ft - Ft-1 )+(1-)(Tt-1)

91

Ejemplo

Mes
1
2
3
4
5

Demanda Real
100
200
300
400
500

Pronstico para el mes t= Ft

F1= 100 unidades (dado)
F2= F1+(A1-F1)= 100+(0,4)(100-100)=100
F3= F2+(A2-F2)= 100+(0,4)(200-100)=140
F4= F3+(A3-F3)= 140+(0,4)(300-100)=220
F5= F4+(A4-F4)= 220+(0,4)(400-100)=340

92

Ejemplo pronstico incluida la tendencia

Suponga una Ft-1 inicial de 100 unidades, una
tendencia (Tt-1) de 10 unidades, un = 0,2 y =
0,3.
Si la demanda real resulta ser de 115 en lugar de
los 100 pronosticados, calcule el pronstico para el
perodo siguiente.
FIT t-1 = Ft-1 + Tt-1 = 100+10 = 110
La verdadera At-1 resulta en 115 =>
Ft = FITt-1 + (At-1 FITt-1)
= 110 + 0,2 (115 110) = 111,0
93

.Continuacin
Tt = Tt-1 + ( Ft FITt-1 )
10+ 0,3(111-110) = 10,3
FITt = Ft + Tt = 111,0 + 10,3 = 121,3
Si , en lugar de 121,3, la realidad resulta ser 120, la
secuencia , el pronstico para el prximo perodo
sera:
TF_t+1
t+1 = 121,3 + 0,2(120-121,3) = 121,04
Tt+1 = 10,3 + 0,3(121,04 -121,3) = 10,22
FTIt+1 = 121,04 + 10,22 = 131,26
94

Otro ejemplo
Un gran fabricante utiliza el suavizado
exponencial para realizar un pronstico de
demanda de una pieza de un equipo de
control de contaminacin. Parece que est
presente una tendencia al alza.
Mes Demanda real
(t)
(At)
1
12
2
17
3
20
4
19
5
24

Mes
(t)
6
7
8
9
10

Demanda real
(At)
21
31
28
36
?

95

Datos
Ft = At-1 + (1-)(Ft-1+Tt-1)
Tt= (Ft- Ft-1) + (1-)(Tt-1)
FITt=Ft+Tt
= 0,2 y = 0,4; F1=11 unidades y T1= 2
F2=(0,2)*(12)+(0,8)(11+2)= 12,8
T2=(0,4)*(12,8-11)+(0,6)*(2)= 1,92
FIT2= 12,8+1,92= 14,72
96

Desarrollo

Mes (t)
1
2
3
4
5
6
7
8
9
10

Demanda real
(At)
12
17
20
19
24
21
31
28
36
?

Proyeccin
suavizada
11,00
12,80
15,18
17,82
19,91
22,51
24,11
27,14
29,28
32,48

Tendencia
suavizada
2
1,92
2,10
2,32
2,23
2,38
2,07
2,45
2,32
2,68

Pronstico FIT
13
14,72
17,28
20,14
22,14
24,89
26,18
29,59
31,60
35,16

0,2
0,4

97

Otro ejemplo

Demanda real
Mes (t) (At)
1
85
2
105
3
112
4
132
5
145
6
?

Proyeccin
suavizada
70
85,00
101,00
115,52
130,85
145,81

Tendencia
suavizada
15
15,00
15,40
15,05
15,16
15,08

Pronstico FIT
85
100,00
116,40
130,57
146,02
160,89

0,1
0,1

98

Demanda del producto

Comparacin de proyecciones
40
35
30
25
20
15
10
5
0
Ene.

Suavizado exponencial +
Tendencia

Demanda real

Suavizado exponencial

Feb.

Mar.

Abr.

May.
Mes

Jun.

Jul.

Ago.

Sep.

Proyeccin de la Tendencia
Ajusta una lnea de tendencia a una serie de
datos histricos, y entonces proyecta la lnea
hacia el futuro para realizar proyecciones a
mediano o largo plazo.
Se podran desarrollar diferentes ecuaciones
matemticas de tendencia (p.e. Exponenciales y
cuadrticas) , pero analizaremos las tendencias
lineales, lnea recta)
Aplicaremos el mtodo de los mnimos cuadrados
100

Valores de la variable dependiente

Mtodo de mnimos cuadrados

Observacin
real

Desviacin

Desviacin

Desviacin
Desviacin

Desviacin

Desviacin
Desviacin

Y a bx
Periodo de tiempo

Punto en la
lnea de
tendencia

Suposiciones de los mnimos cuadrados

Se supone que la relacin es lineal. Primero
trace los datos, si existe la curva, utilice el
anlisis curvilineal.
Se supone que la relacin slo se sustenta
dentro o justo fuera del campo de datos. No
trate de predecir periodos de tiempo lejanos
al campo de la base de datos.
Se supone que las desviaciones que rodean a
la lnea de los mnimos cuadrados son
aleatorias.

102

Anlisis de regresin lineal

Se usa para prever la lnea de tendencia lineal.
Supone una relacin entre la variable de
respuesta, Y, y el periodo de tiempo, X, que es
una funcin lineal:

Y$i a bX i
Se calcula mediante el mtodo de los mnimos
cuadrados:
Minimiza la suma de errores cuadrados.

103

Diagrama de dispersin
Ventas
4
3
2
1
0
92

Ventas frente a tiempo

93

94

95

96

Periodo de tiempo
105

Ecuaciones de mnimos cuadrados

Ecuacin:

i a bx i
Y
n

Pendiente:

x i y i nx y

b i n
x i nx
i

Corte con el eje Y:

a y bx

106

Tabla de clculo
Xi
X1

Yi

2
Xi

2
Yi

X iY i

Y1

X1

Y1

X 1Y 1

Y2

X 2Y 2

X2

Y2

X2

Xn
Xi

:
2

Yn

Xn

Yi

2
Xi

:
2

X nY n

2
Yi

X iY i

Yn

Demanda de Energa Elctrica a lo largo del

perodo 1994-2000.
Cul es la proyeccin para el 2001 y 2002
Ao
1994
1995
1996
1997
1998
1999
2000
Sumas

Perodo de Demanda de Energa

tiempo (x)
Elctrica
1
74
2
79
3
80
4
90
5
105
6
142
7
122
28
692

Demanda 2001
Demanda 2002

56,70 + 10,54*8
56,70 + 10,54*9

X2

XY

1
4
9
16
25
36
49
140

74
158
240
360
525
852
854
3063

141,02
151,56

Modelo de regresin lineal

Muestra la relacin lineal entre las variables
dependientes e independientes.
Ejemplo: ventas y publicidad (sin tiempo)
Corte con el eje Y

^
Yi = a
Variable dependiente

Pendiente

b Xi
Variable independiente

109

Ecuaciones de regresin lineal

Ecuacin:

i a bx i
Y
n

Pendiente:

x i y i nx y

b i n
x i nx
i

Corte con el eje Y: a y bx

111

Tabla de clculo
Xi
X1

Yi

2
Xi

2
Yi

X iY i

Y1

X1

Y1

X 1Y 1

Y2

X 2Y 2

X2

Y2

X2

Xn
Xi

:
2

Yn

Xn

Yi

2
Xi

:
2

X nY n

2
Yi

X iY i

Yn

Interpretacin de los coeficientes

Pendiente (b):
El clculo de Y vara en b cada unidad extra en
X.
Si b = 2, entonces las ventas (Y) aumentarn en 2
por cada unidad extra en publicidad (X).

Corte con el eje Y (a):

Valor medio de Y cuando X = 0.
Si a = 4, entonces las ventas medias (Y) sern de 4
cuando la publicidad (X) sea 0.

113

Ejemplo de anlisis de regresin lineal

Usted es el analista de marketing de Hasbro
Toys. Recoge los siguientes datos:
Ao Ventas (1000 unidades)
1995
1
1996
1
1997
2
1998
2
1999
4
Cul es la ecuacin de la tendencia?

Modelo de proyeccin
del anlisis de regresin lineal
Usted est realizando el anlisis de marketing de Hasbro
Toys. Al utilizar aos codificados, halla que Yi = -0,1 + 0,7Xi.
Ao
Ventas (Unidades)
1995
1
1996
1
1997
2
1998
2
1999
4
La previsin es de 4100 unidades.

Modelo estacional multiplicativo

Encontrar la demanda histrica media para cada estacin
sumando la demanda de esa estacin cada ao y dividindola entre
el nmero de aos de datos disponibles.
Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el nmero de
estaciones.
Calcular un ndice estacional dividiendo la demanda histrica real de
esa estacin (calculado en la etapa 1) entre la demanda media a lo
largo de todas las estaciones.
Estimar la demanda anual de todo el ao prximo.
Dividir sta estimacin de la demanda anual total entre el nmero
de estaciones y entonces multiplicarla por el ndice estacional de
esa estacin. Esto proporciona la proyeccin estacional .

116

Ejemplo modelo estacional multiplicativo

Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

1997
80
70
80
90
113
110
100
88
85
77
75
82

Demanda de ventas
1998
1999
85
105
85
85
93
82
95
115
125
131
115
120
102
113
102
110
90
95
78
85
82
83
78
80
Demanda media total
Demanda media mensual
Demanda ao 2000

Demanda media
1997-1999
90
80
85
100
123
115
105
100
90
80
80
80
1128
94
1200

Demanda media
Indice
mensual
estacional
94
0,957
94
0,851
94
0,904
94
1,064
94
1,309
94
1,223
94
1,117
94
1,064
94
0,957
94
0,851
94
0,851
94
0,851

117

Ejemplo modelo estacional multiplicativo

(Demanda estimada ao 2000=1.200 unidades)

Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre

Proyeccin mensual
96
85
90
106
131
122
112
106
96
85
85
85

118

Variacin de los errores aleatorios

Variacin del Y real a partir del Y proyectado.
Se mide mediante el error estndar de la
estimacin:
Muestra los errores de la desviacin estndar.
SY,X

Afecta a varios factores:

Significado del parmetro.
Precisin de la proyeccin.
119

Error estndar de la desviacin

n

yi y i

S y,x i

El libro utiliza el

n
yi
i

smbolo Yc
n

yi b x i yi

120

Correlacin
Respuestas: qu intensidad tiene la relacin
lineal entre las variables?
El coeficiente de correlacin se identifica
normalmente como r .
Los valores varan entre -1 y +1 .
Mide el grado de asociacin.

Se usa principalmente para comprender.

121

Frmula del coeficiente de correlacin

r

n x i yi x i yi
n n n n
n x i x i n yi yi
i i
i
i

122

Coeficiente de correlacin y modelo de

regresin
Y

r=1

Y^i = a + b X i

r = -1

Y^i = a + b X i

r = 0,89

X
Y

Y^i = a + b X i

r=0
Y^i = a + b X i

Gua para elegir el modelo de proyeccin

Usted quiere conseguir:
Ninguna conducta o direccin del error de
previsin.
Error = (Yi - Yi) = (Real - Previsin).
Se observa en las representaciones de los errores a lo
largo del tiempo.

Un error de previsin ms pequeo:

Error cuadrado medio (ECM).
Desviacin absoluta media (DAM).
125

Conducta del error de proyeccin

Tendencia no totalmente
justificada

Conducta deseada

Error

Error

0
Tiempo (aos)

Tiempo (aos)

Ecuaciones del error de proyeccin

Error cuadrado medio (ECM):
n

(y i y i ) 2

ECM i 1

errores de proyeccin

Desviacin absoluta media (DAM):

n

| y i y i |

DAM i

|errores de proyeccin |

n
127

Ejemplo de seleccin del modelo de

proyeccin
Usted es el analista de marketing de Hasbro Toys. Ha proyectado las
ventas con un modelo lineal y suavizado exponencial. Qu modelo
usar?
Ventas

Regresin

Suavizado

Ao

reales

modelo lineal

exponencial (0,9)

1995
1996
1997
1998
1999

1
1
2
2
4

0,6
1,3
2,0
2,7
3,4

1,0
1,0
1,9
2,0
3,8

Evaluacin del modelo lineal

Ao
1995
1996
1997
1998
1999
Total

Yi
1
1
2
2
4

Yi
0,6
1,3
2,0
2,7
3,4

Error
0,4
-0,3
0,0
-0,7
0,6
0,0

Error2
0,16
0,09
0,00
0,49
0,36
1,10

ECM = Error2 / n = 1,10 / 5 = 0,220

DAM = |Error| / n = 2,0 / 5 = 0,400

|Error|
0,4
0,3
0,0
0,7
0,6
2,0

Evaluacin del modelo de suavizado

exponencial
Year
1995
1996
1997
1998
1999
Total

Yi
1
1
2
2
4

Yi
1,0
1,0
1,9
2,0
3,8

Error
0,0
0,0
0,1
0,0
0,2
0,3

Error2
0,00
0,00
0,01
0,00
0,04
0,05

ECM = Error2 / n = 0,05 / 5 = 0,01

DAM = |Error| / n = 0,3 / 5 = 0,06

|Error|
0,0
0,0
0,1
0,0
0,2
0,3

Evaluacin del modelo de suavizado

exponencial
Modelo de suavizado exponencial:
ECM = Error2 / n = 0,05 / 5 = 0,01

DAM = |Error| / n = 0,3 / 5 = 0,06

Modelo lineal:
ECM = Error2 / n = 1,10 / 5 = 0,220
DAM = |Error| / n = 2,0 / 5 = 0,400

Seal de rastreo
Mide el grado de precision de la proyeccin
para predecir valores reales.
Suma actual de los errores de proyeccin
(SAEP) dividida entre la desviacin absoluta
media (DAM):
Una buena seal de rastreo tiene valores bajos.

Debe estar dentro de los lmites de control

superiores e inferiores.
132

Ecuacin de la seal de rastreo

Seal de rastreo

SAEP
DAM
y i y i
n

i
DAM

errores de proyeccin

DAM
133

Clculo de la seal de rastreo

Trim.

Demanda
prevista

Demanda
real

100

90

100

95

100 115

100 100

100 125

100 140

Error SAEP Error |Error| DAM

absoluto acumulado

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda

prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto acumulado

-10

Error = Real - Previsin

= 90 - 100 = -10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto acumulado

-10

-10

SAEP = Errores
= ND + (-10) = -10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista
real

100

90

100

95

100 115

100 100

100 125

100 140

Error SAEP Error |Error| DAM

absoluto acumulado

-10

-10

10

Error absoluto = |Error|

= |-10| = 10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

SR

absoluto acumulado

-10

-10

10

10

|Error| acumulado = |Errores|

= NA + 10 = 10

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto

-10

-10

10

acumulado

10 10,0

DAM = |Errores|/n
= 10/1 = 10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto

-10

-10

10

SR

acumulado

10 10,0

SR = SAEP/DAM
= -10/10 = -1

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

100

95

-5

100 115

100 100

100 125

100 140

-10

10

10 10,0

Error = Real - Previsin

= 95 - 100 = -5

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

absoluto

real

100

90

-10

-10

100

95

-5

-15

100 115

100 100

100 125

100 140

10

SR

acumulado

10 10,0

SAEP = Errores
= (-10) + (-5) = -15

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0

Error absoluto = |Error|

= |-5| = 5

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0

-1

15

Error acumulado = |Errores|

= 10 + 5 = 15

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0
15

7,5

DAM = |Errores|/n
= 15/2 = 7,5

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0

-1

15

-2

SR = SAEP/DAM
= -15/7,5 = -2

7,5

Representacin de una seal de rastreo

Seal que supera el lmite

Lmite de control superior

Seal de rastreo

0
-

Intervalo aceptable
Lmite de control inferior
Tiempo

147

160
140
120
100
80
60
40
20
0

3
Proyeccin

2
1
0

Demanda real

-1

Seal de rastreo

-2
-3
0

Tiempo

Seal de rastreo

Demanda real

Seales de rastreo

Previsin en el sector servicios

Presenta algunos retos poco comunes:
Especial necesidad de datos a corto plazo.
Las necesidades varan mucho en funcin de la
industria y del producto.
Vacaciones y calendario.
Eventos poco comunes.

149

Proyeccin de ventas por hora en un

restaurant de comida rpida
20

15

10

0
+11-12 +1-2

11-12 12-1 1-2 2-3

+3-4

+5-6

3-4 4-5 5-6

+7-8

+9-10

6-7 7-8 8-9 9-10 10-11

150

151

Los modelos de simulacin permiten al

encargado del pronstico manejar varias
suposiciones acerca de la condicin del
pronstico.

152