Unidad II

1
Pronsticos de demanda

2
 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

3
 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

5
 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 =Valor real-Valor pronosticado

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

9
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
 Comentarios.
Tendencial lineal: Relacin continua directa
S:Crecimiento rpido luego madurez. Importante
es el momento de cambio de tendencia
Asinttica: Empresa entra a un mercado para
saturarlo y captar una mayor participacin en l.
Exponencial: Ventas seguirn aumentando

Se busca conocer la Desviacin Estndar

Es adecuado graficar los datos

24
Visin global de los mtodos cuantitativos

Enfoque simple
Modelos de series
Medias mviles temporales
Suavizado exponencial
Proyeccin de tendencia
Modelos
Regresin lineal 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: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 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

29
Mes, trimestre, ao 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.
Ciclo
Respuesta

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:

MM demanda de n periodos previos

n
37
 Promedio Mvil o Deslizante

El ms sencillo: Una componente de nivel + 1

componente aleatoria
F(n+1) = (D1+D2+.+Dn)/n= /
n datos y en la medida que avanzamos incluimos
el dato ms nuevo y se elimina el ms antiguo.
Error de Pronstico= Demanda-Pronostico
DAM (Desviacin Absoluta Media) =
( )

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.
1995 4
1996 6
1997 5
1998 3
1999 7

1995 Corel Corp.

 Solucin de la media mvil
Ao Respuesta Media Media mvil
Yi mvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND

40
 Solucin de la media mvil
Ao Respuesta Media Media mvil
Yi mvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND

41
 Solucin de la media mvil
Ao Respuesta Media Media mvil
Yi mvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0

42
 Ejemplo
Pronstico Pronstico
Perodo Demanda (N=3) Error (N=6) Error
1 10
2 18
3 29
4 15 19,0 -4,0
5 30 20,7 9,3
6 12 24,7 -12,7
7 16 19,0 -3,0 19,0 -3,0
8 8 19,3 -11,3 20,0 -12,0
9 22 12,0 10,0 18,3 3,7
10 14 15,3 -1,3 17,2 -3,2
11 15 14,7 0,3 17,0 -2,0
12 27 17,0 10,0 14,5 12,5
13 30 18,7 11,3 17,0 13,0
14 23 24,0 -1,0 19,3 3,7
15 15 26,7 -11,7 21,8 -6,8
DAM 7,2 6,6

43
44
45
46
 Grfico de la media mvil

Ventas
8 Real
6
Previsin
4
2
95 96 97 98 99 00
Ao
 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 (ponderacin para el periodo n) (demanda en el periodo n)
ponderada =
ponderaciones

48
 Media Mvil Ponderada

( )( )

Ponderacin
Perodo
Aplicada

3 ltimo mes
2 Hace dos meses
1 Hace tres meses
Suma
6 ponderaciones

49
 Clculo

Media Mvil Ponderacin Ponderacin

Mes Ventas Reales Perodo
trimestral Aplicada
Enero 10 3 Hace tres meses
Febrero 12 2 Hace dos meses
Marzo 13 3 ltimo mes
Abril 16 12,17 6 Suma ponderaciones
Mayo 19 14,33
Junio 23 17,00
Julio 26 20,50
Agosto 30 23,83
Septiembre 28 27,50
Octubre 18 28,33
Noviembre 16 23,33
Diciembre 14 18,67

50
51
52
53
Demanda actual, media mvil y media
mvil ponderada
35 Media mvil ponderada
30
Ventas reales
Demanda de ventas

25
20
15
10
Media mvil
5
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
1984-1994 T/Maker Co.
histricos.

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)
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
(1 - ) (1 - )2

= 0,10 10%

= 0,90
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%

= 0,90
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
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%
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)
Previsin, F t
Ao Real
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 +
1997 159
1998 175
1999 190
2000 ND
 Solucin del suavizado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
Previsin, F t
Ao Real
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND
 Solucin del suavizado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
Previsin, Ft
Ao Real
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 -
1997 159
1998 175
1999 190
2000 ND
 Solucin del suavizado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
Previsin,Ft
Ao Real
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00)
1997 159
1998 175
1999 190
2000 ND
 Solucin del suavizado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
Previsin,Ft
Ao Real
( = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159
1998 175
1999 190
2000 ND
 Solucin del suavizado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
Previsin, F t
Ao Real
( = 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)
Previsin, F t
Ao Real
( = 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)
Previsin, F t
Ao Real
( = 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
 Solucin del suavizado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
Previsin, F t
Ao Real
( = 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 Real
180
170 Previsin
160
150
140
93 94 95 96 97 98
Ao
 Errores de Pronstico
Error = Diferencia entre Demanda Real -
Pronstico.

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

Error de Prediccin= Demanda - Prediccin

( )
DAM=

( )
Sesgo=

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
Et= error de pronstico= Demanda real para el
perodo t Pronstico para el perodo t.
Et = Error promedio= (1/N) = 1 t
DAM= (1/N) =1 ()
ECM=Error cuadrtico medio = (1/N) =1 () 2

MAPE= Error porcentual medio absoluto =

(1/N) ( *100)

Porcentaje de error en el perodo t
=Error de pronstico t/Demanda en t) *100

82
 Ejemplo

Pronstico redondeada utilzando

Toneladas realmente
Trimestre Redondeado
descargadas
0,1 0,1 0,5 Redondeado 0,1
1 180 175,0 175 175,0 175
2 168 175,5 176 177,5 178
3 159 174,8 175 172,8 173
4 175 173,2 173 165,9 166
5 190 173,4 173 170,4 170
6 205 175,0 175 180,2 180
7 180 178,0 178 192,6 193
8 182 178,2 178 186,3 186
9 ? 178,6 179 184,2 184

83
 Medicin de la DAM

Toneladas
Error 0,1 Error Error 0,5
Trimestre realmente Pronstico redondeada utilizando Error 0,1
absoluto 0,5 absoluto
descargadas
0,1 0,5
1 180 175 175 5 5 5 5
2 168 176 178 -8 8 -10 10
3 159 175 173 -16 16 -14 14
4 175 173 166 2 2 9 9
5 190 173 170 17 17 20 20
6 205 175 180 30 30 25 25
7 180 178 193 2 2 -13 13
8 182 178 186 4 4 -4 4
9 ? 179 184 DAM 10,5 DAM 12,5

84
 Error cuadrtico medio (ECM)

Es otra forma de medir el error global del

pronstico. Es la media de las diferencias
cuadrticas entre los valores pronosticados y
los reales.

2

ECM=

85
 Error cuadrtico medio

Toneladas Pronstico Error al

Trimestre realmente redondeada Error 0,1 cuadrad
descargadas utilizando o
0,1 0,5
1 180 175 5 25
2 168 176 8 64
3 159 175 16 256
4 175 173 2 4
5 190 173 17 289
6 205 175 30 900
7 180 178 2 4
8 182 178 4 16
9 ? 179 10,5 1558
ECM 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)
Ft = FITt-1+(At-1-FITt-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)
Tt = Tt-1+(Ft - FITt-1)

91
 Ejemplo

Mes Demanda Real Pronstico para el mes t= Ft

1 100 F1= 100 unidades (dado)
2 200 F2= F1+(A1-F1)= 100+(0,4)(100-100)=100
3 300 F3= F2+(A2-F2)= 100+(0,4)(200-100)=140
4 400 F4= F3+(A3-F3)= 140+(0,4)(300-140)=204
5 500 F5= F4+(A4-F4)= 204+(0,4)(400-204)=282,4

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:
Ft+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 Mes Demanda real
(t) (At) (t) (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?

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

Demanda real Proyeccin Tendencia

Mes (t) (At) suavizada suavizada Pronstico FIT 0,2
1 12 11,00 2 13 0,4
2 17 12,80 1,92 14,72
3 20 15,18 2,10 17,28
4 19 17,82 2,32 20,14
5 24 19,91 2,23 22,14
6 21 22,51 2,38 24,89
7 31 24,11 2,07 26,18
8 28 27,14 2,45 29,59
9 36 29,28 2,32 31,60
10 ? 32,48 2,68 35,16

97
 Otro ejemplo

Demanda real Proyeccin Tendencia

Mes (t) (At) suavizada suavizada Pronstico FIT 0,1
1 85 70 15 85 0,1
2 105 85,00 15,00 100,00
3 112 101,00 15,40 116,40
4 132 115,52 15,05 130,57
5 145 130,85 15,16 146,02
6 ? 145,81 15,08 160,89

98
 Comparacin de proyecciones

Suavizado exponencial +
40 Tendencia
35
Demanda real
Demanda del producto

30
25
20
15
Suavizado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
 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 Desviacin
real

Desviacin Desviacin

Desviacin
Desviacin Punto en la
lnea de
Desviacin tendencia
Desviacin

Y a bx
Periodo de tiempo
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
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96

Periodo de tiempo
105
Ecuaciones de mnimos cuadrados

Ecuacin: Yi a bx i

n
x i y i nx y
Pendiente: b i n
x i nx
i

Corte con el eje Y: a y bx

106
 Tabla de clculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
Xi Yi Xi Yi X iY i
Demanda de Energa Elctrica a lo largo del
perodo 1994-2000.
Cul es la proyeccin para el 2001 y 2002

Perodo de Demanda de Energa

Ao X2 XY
tiempo (x) Elctrica
1994 1 74 1 74
1995 2 79 4 158
1996 3 80 9 240
1997 4 90 16 360
1998 5 105 25 525
1999 6 142 36 852
2000 7 122 49 854
Sumas 28 692 140 3063

Demanda 2001 56,70 + 10,54*8 141,02

Demanda 2002 56,70 + 10,54*9 151,56
 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 Pendiente

^
Yi = a + b X i

Variable dependiente Variable independiente

109
Ecuaciones de regresin lineal

Ecuacin: Yi a bx i

n
x i y i nx y
Pendiente: b i n
x i nx
i

Corte con el eje Y: a y bx

111
 Tabla de clculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
Xi Yi Xi Yi X iY i
 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

Demanda de ventas Demanda media Demanda media Indice

Mes
1997 1998 1999 1997-1999 mensual estacional
Enero 80 85 105 90 94 0,957
Febrero 70 85 85 80 94 0,851
Marzo 80 93 82 85 94 0,904
Abril 90 95 115 100 94 1,064
Mayo 113 125 131 123 94 1,309
Junio 110 115 120 115 94 1,223
Julio 100 102 113 105 94 1,117
Agosto 88 102 110 100 94 1,064
Septiembre 85 90 95 90 94 0,957
Octubre 77 78 85 80 94 0,851
Noviembre 75 82 83 80 94 0,851
Diciembre 82 78 80 80 94 0,851
Demanda media total 1128
Demanda media mensual 94
Demanda ao 2000 1200

117
 Ejemplo modelo estacional multiplicativo
(Demanda estimada ao 2000=1.200 unidades)

Mes Proyeccin mensual

Enero 96
Febrero 85
Marzo 90
Abril 106
Mayo 131
Junio 122
Julio 112
Agosto 106
Septiembre 96
Octubre 85
Noviembre 85
Diciembre 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 estimacin

n
yi yi El libro utiliza el
S y,x i
n smbolo Yc

n n n
yi a yi b x i yi
i i i
n

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
n n n
n x i yi x i yi
r i i i
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 r = -1
Y^i = a + b X i
Y^i = a + b X i
X X

Y r = 0,89 Y r=0

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

Tiempo (aos) Tiempo (aos)

 Ecuaciones del error de proyeccin

Error cuadrado medio (ECM):

n
(y i y i ) 2 2
i 1 errores de proyeccin
ECM
n n

Desviacin absoluta media (DAM):

n
| y i y i |
i |errores de proyeccin |
DAM
n 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 1 0,6 1,0

1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
 Evaluacin del modelo lineal

^
Ao Yi Yi Error Error2 |Error|
1995 1 0,6 0,4 0,16 0,4
1996 1 1,3 -0,3 0,09 0,3
1997 2 2,0 0,0 0,00 0,0
1998 2 2,7 -0,7 0,49 0,7
1999 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Error2 / n = 1,10 / 5 = 0,220
DAM = |Error| / n = 2,0 / 5 = 0,400
 Evaluacin del modelo de suavizado
exponencial
^
Year Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Error2 / n = 0,05 / 5 = 0,01
DAM = |Error| / n = 0,3 / 5 = 0,06
 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

SAEP
Seal de rastreo
DAM

y i y i
n

i
DAM

errores de proyeccin

DAM

133
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsin
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10

2 100 95
3 100 115 SAEP = Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado = |Errores|
4 100 100 = NA + 10 = 10

5 100 125
6 100 140
 Clculo de la seal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0

2 100 95
3 100 115 DAM = |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95
3 100 115 SR = SAEP/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5
3 100 115
4 100 100 Error = Real - Previsin
= 95 - 100 = -5
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 SAEP = Errores
= (-10) + (-5) = -15
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado = |Errores|
= 10 + 5 = 15
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM = |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140
 Clculo de la seal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = SAEP/DAM
= -15/7,5 = -2
5 100 125
6 100 140
Representacin de una seal de rastreo

Seal que supera el lmite

Seal de rastreo
Lmite de control superior
+

0 Intervalo aceptable

-
Lmite de control inferior

Tiempo

147
 Seales de rastreo
160 3
140 Proyeccin
2

Seal de rastreo
120
Demanda real

100 1
80 0
60 Demanda real
-1
40 Seal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
 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 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 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