Capítulo de Pronósticos

3. PRONÓSTICOS......................................................................................................................................
1
INTRODUCCIÓN...................................................................................................................................1
3.1 MARCO TEÓRICO DE LOS PRONÓSTICOS...........................................................................2
3.1.1 Métodos de Pronóstico con Curvas de Ajuste..........................................................................7
3.1.1.1 Formulas de Interpolación de Gregory – Newton.........................................................7
3.1.2 Análisis de Tendencia por Regresión.........................................................................................9
3.1.2.1 Modelo constante.............................................................................................................11
3.1.2.2 Modelo Lineal...................................................................................................................12
3.1.2.3 Modelo Cuadrático..........................................................................................................15
3.1.2.4 Modelo Exponencial........................................................................................................20
3.1.2.5 Regresión Lineal múltiple...............................................................................................25
3.1.3 Modelo de Estimación Paramétrica por Programación Lineal............................................29
3.1.3.2 Minimizar máxima desviación Absoluta.......................................................................31
3.1.4 Técnicas de serie de Tiempo.....................................................................................................33
3.1.4.1 Promedio Móvil................................................................................................................35
3.1.4.2 Suavización Exponencial................................................................................................37
3.1.4.3 Suavización exponencial doble.....................................................................................42
3.1.4.4 Método de variación estacional de Winters.................................................................45
3.1.4.5 Método Box-Jenkins........................................................................................................49
3.1.5 Estimación de los parámetros de un Modelo de Pronóstico con componente Cíclico con
Programación Lineal.........................................................................................................................57
3.1.5.1 Modelo de Pronóstico.....................................................................................................58
3.1.5.2 Estimación por el Método de Mínimos Cuadrados....................................................59
3.1.5.3 Estimación del modelo por programación lineal.........................................................60
3.1.5.4 Evaluación de la construcción de la función por las técnicas mínimos cuadrados
y programación lineal...................................................................................................................62
3.1.6 Evaluación y análisis del Error de Pronóstico.......................................................................72
REFERENCIAS.....................................................................................................................................75
Modelos Matemáticos de Producción
3. PRONÓSTICOS
INTRODUCCIÓN
El propósito del arte y de la ciencia del pronóstico es predecir los eventos del futuro. Hace
unos años los pronósticos eran más arte que ciencia, sin embargo hoy en día se considera una
ciencia. Aunque todavía se necesita del juicio del experto para pronosticar, ahora se tienen
herramientas y métodos estructurados para soportar el proceso de estimación basado en el
análisis de datos.
La estimación de los pronósticos por medio de análisis de datos hoy en día es materia de
investigación, siendo importante la búsqueda de técnicas y métodos que ayuden a disminuir los
márgenes de error de lo pronosticado frente a los hechos reales, de tal manera que se logre
reducir los costos ocasionados por la variación en lo planificado, las meta-heurísticas, la lógica
difusa, los sistemas expertos, la inteligencia artificial y el desarrollo de nuevos modelos son
algunos de los tópicos que de una u otra manera ya sea para tratar complejidad o para lograr
mejores resultados se encuentran a disponibilidad para aumentar el espectro de la ciencia de la
predicción
Los procesos de planeación y programación de actividades de un sistema de producción

dependen directamente del conocimiento del comportamiento del sistema en función de las
variables que actúan sobre él, inicialmente se debe conocer el comportamiento de la demanda
que puede ser estimada por técnicas de naturaleza cualitativa ( lo cual implica la inferencia por
parte de expertos de los sectores productivos en donde se ubica el sistema bajo análisis) o,
puede ser de naturaleza cuantitativa, ya sea, bajo un análisis de causalidad (en donde se
determina la demanda en función de múltiples variables) o de serie de tiempo (en donde la
demanda se determina en función del tiempo, para tal efecto se requiere de un análisis de los
hechos históricos).Es así como el primer paso para la planeación de operaciones en un
sistema de producción consiste en determinar el comportamiento de la demanda de cada uno
de los bienes producidos o servicios.
Posteriormente la predicción de los bienes demandados se utiliza para especificar las políticas
de control del sistema de inventarios, determinar los requerimientos de capacidad de equipo y
maquinaria, los requerimientos de materiales, y la identificación de los niveles de fuerza laboral
durante los periodos de producción.
Uno de los elementos muy importante para la utilización de las herramientas y técnicas de
predicción es el proceso de selección de los métodos en función del uso que se le quiera dar,
no existe una técnica adecuada para todas las situaciones que se ajuste a todas las situaciones
presentes en la realidad.
Lo pronósticos tienen por lo general una diferencia de lo estimado frente a la ocurrencia real,
es raro que los requerimientos reales sean iguales a lo pronosticado, por tal razón en el
contexto de la producción estás variaciones se suplen con la programación de capacidad
-2-
adicional, con la provisión de inventario, la reprogramación de pedidos y con estrategias para

distribuir los recursos que responda a las fluctuaciones de la demanda.
La mala estimación de los pronósticos pueden causar grandes problemas y perdidas en las
organizaciones productivas, por ejemplo una producción por encima de los niveles reales
demandados ocasionaría costos adicionales y perdidas en el inventario, generaría variaciones
en la fuerza laboral y por tanto, bajas en la moral de la fuerza laboral, por lo contrario si se
produce por debajo de los niveles demandado, se incurriría en perdidas de participación del
mercado, perdidas de ventas, insatisfacción de los clientes, además de la presión y la tensión
sobre la capacidad productiva.
Existen formas para ajustar los errores de pronóstico, la primera es tratar de reducir el error a
través de mejores pronósticos. La segunda es incrementar la flexibilidad de las operaciones y la
tercera es reducir el tiempo de anticipación con que se necesitan los pronósticos.
3.1 MARCO TEÓRICO DE LOS PRONÓSTICOS
El propósito de los pronósticos y de la administración de la demanda es controlar y coordinar

todas las actividades orientadas al cumplimiento y satisfacción de las necesidades del mercado
de tal manera que se pueda formular planes para el uso racional de los recursos que
intervienen en el sistema productivo, y se pueda ofrecer una producción en la cantidad y
calidad deseada, con un nivel de servicio eficiente (tiempos de entrega rápida y a tiempo).
Existen dos tipos de demanda, la demanda independiente, la que depende directamente de

los requerimientos del mercado y la demanda dependiente , que es la causada por las ventas
de otros productos o servicios, es decir, cuando el producto demandado es un elemento que
forma parte de la estructura de un producto final.
De los diferentes métodos y técnicas de pronósticos se pueden clasificar en aquellas cuya

estimación de la demanda se realiza por medio de métodos de origen cualitativo, de los cuales
se puede mencionar los estudios de mercados, el método Delphi, La analogía del ciclo de vida
del producto y el juicio informado entre otros. En la tabla 3.1 se muestra una comparación entre
estos métodos, indicando la frecuencia y la recomendación de su uso.
Si la estimación se realiza con técnicas de origen cuantitativo, puede ser aquellas en donde se
evalúa el comportamiento de la demanda en función de otras variables, que de una u otra
manera inciden en el aumento o en la disminución de la demanda, estas variables pueden ser
por ejemplo originadas por políticas del estado , variables económicas, factores de producción
del sector industrial o elementos tecnológicos en cuanto al diseño de los productos y los
procesos, ahora bien la comparación de algunos de estos métodos casuísticos se muestran en
la tabla 3.2 indicando algunas recomendaciones y frecuencia de su uso.
Las técnicas de estimación de la demanda de origen cuantitativo que se utilizan con mayor
frecuencia son las de series de tiempo, en donde los modelos desarrollados se basan en el
análisis de la demanda en función del tiempo, en ellos se evalúan factores tales como el nivel,
-3-
la estacionalidad, la tendencia, la ciclicidad y la aleatoriedad, teniendo a disponibilidad un gran

variedad de técnicas para seleccionar la indicada según el caso. En la tabla 3.3 se comparan
algunas técnicas de serie de tiempo, evaluando la frecuencia y las recomendaciones de su
uso.
Las técnicas de análisis de la demanda dependiente se aborda con herramientas de naturaleza

determinística de gestión de los inventarios como es la planeación de los requerimientos de
materiales MRP “Materials Requeriment Planning”.
Es importante mencionar que métodos y técnicas como la simulación, la inteligencia artificial

(uso de meta-heurísticas) y algunas herramientas de optimización (Teoría sobre cadenas de
Markov) no se explican y se salen del alcance del libro.
De igual manera las herramientas de orden cualitativo no son objeto de análisis en este libro,
se mencionan y no se explican al detalle.
A continuación se mencionan y se explican algunos modelos, métodos y técnicas de

pronóstico.
-4-
Exactitud Identificaci
Métodos ón del Costo
Descripción del método Usos Relativo
Cualitativos A corto A mediano A Largo punto de
Plazo Plazo Plazo retorno
Pronóstico desarrollado mediante Pronósticos de venta a largo
un grupo de expertos que plazo para planeación de la
responden preguntas en rondas capacidad o instalaciones.
sucesivas. Las respuestas Pronósticos tecnológicos para Regular a Regular a Regular a Regular a Medio a
Delphi anónimas del grupo retroalimentan evaluar cuando pueden
en cada ronda a todos los presentarse los cambios muy buena muy buena muy buena buena alto
participantes. Se pueden usar tecnológicos
entre tres y seis rondas para
lograr un consenso sobre el
pronóstico.
Grupos, cuestionarios, pruebas de Pronósticos de las ventas
Estudios de mercado o estudios que se usan totales de la compañía, de Regular a
para obtener datos sobre las grupos de productos Muy buena Buena Regular Alto
Mercado condiciones del mercado. importantes o de productos buena
individuales.
Analogía de Predicción basada en la fase de Pronósticos de venta a largo
introducción, crecimiento y plazo para planeación de Regular a Regular a Mala a
los ciclos de saturación de productos similares. capacidad o instalaciones. Mala Medio
Aprovecha la curva de crecimiento buena buena regular
vida de las ventas en forma de S
Métodos de auto correlación que
se usan para identificar las series
Juicio de tiempo subyacentes y para Pronósticos de ventas totales Mala a Mala a Mala a Mala a
Bajo
Informado ajustar el “mejor” modelo. Se y de productos individuales. regular regular regular regular
necesitan aproximadamente 60
puntos del pasado.
Métodos Exactitud Identificación

Costo
Descripción del método Usos del punto de
Relativo
Casuísticos A corto A mediano A Largo retorno
Plazo Plazo Plazo
Este método relaciona la demanda Planeación a corto y mediano Buena a Buena a Mala Muy buena Medio
con otras variables externas o plazo para producción
internas que afectan a la agregada o inventarios que muy buena muy buena
Regresión demanda. Se utiliza el método de involucren a pocos productos.
los mínimos cuadrados para Util cuando hay estrechas
obtener un mejor ajuste entre las relaciones de causa efecto.
variables.
Un sistema de ecuaciones de Pronósticos de ventas por Muy buena Muy buena Regular Excelente Alto
Modelo regresión independientes que clases de productos para
Econométrico describe algún sector de la planeación a corto y mediano a excelente
economía o actividad lucrativa. plazo.
Un método para pronosticar que Pronósticos de venta de toda No Buena a Buena a Regular Muy Alto
describe el flujo de un sector de la la compañía o de todo un país
Modelo de economía a otro para predecir los por sector económico. disponible muy buena muy buena
Insumo insumos que se necesitan para
fabricar los productos que produce
otro sector.
Simulación del sistema de Pronósticos de ventas de toda Muy Buena a Buena Buena Alto
distribución para describir los la compañía por grupos
Box-Jenkins cambios en las ventas y flujos del importantes de productos. buena. muy buena
producto en el tiempo. Refleja los
efectos del canal de distribución.
-6-
Exactitud Identificación
Métodos por series de
Descripción del método Usos del punto de Costo Relativo
A corto A mediano A Largo
tiempo
Plazo Plazo Plazo
retorno
El pronóstico se basa en un Planeación de corto a
promedio aritmético o ponderado mediano plazo para
de un número de puntos de datos inventarios, niveles de Mala a
Promedio del pasado producción y Mala Muy Mala Mala Bajo
Móvil programación. Es muy buena
bueno cuando hay
muchos productos.
Similar al promedio móvil, dando Igual que el promedio
un mayor peso a los datos móvil. Regular a Mala a
Suavización recientes. Bien adaptado para Muy Mala Mala Medio
Exponencial usarse con computadoras y muy buena buena
cuando es necesario pronosticar
un gran número de artículos.
Un modelo lineal o no lineal Igual que el promedio
ajustado con los datos de serie de móvil pero con
tiempo, normalmente mediante limitaciones debido al Regular a
Modelos regresión. Incluye las líneas de costo y a su uso con Muy buena Muy Mala Mala Bajo a medio
matemáticos tendencia, polinomios, logaritmos pocos productos. buena
lineales, series de Fourier,
etcétera.
Métodos de autocorrelación que Limitado debido al Muy buena
se usan para identificar las series costo de los productos Regular a
de tiempo subyacentes y para que requieren de a Muy Mala Mala Medio a alto
Box-Jenkins ajustar el “mejor” modelo. Se pronósticos muy buena
necesitan aproximadamente 60 exactos a corto plazo. excelente.
puntos del pasado.
3.1.1 Métodos de Pronóstico con Curvas de Ajuste
El primer paso para determinar cual procedimiento debe ser usado es consideran los datos
históricos como una función del tiempo. Después de evaluar los datos, una curva exacta puede
ser utilizada para estimar el pronóstico. A continuación se presenta un método de ajuste a la
curva en función de datos históricos.
3.1.1.1 Formulas de Interpolación de Gregory – Newton
Las formulas de interpolación de Gregory – Newton son utilizadas para la interpolación e

igualmente para la extrapolación (predicción) de una serie de datos cuando la función
f tes
conocida y discreta entre puntos igualmente espaciados. El punto más lejano es utilizado como
línea de base. Es conocido que si existen n puntos de datos igualmente espaciados, entonces
existe un polinomio de grado menor o igual a n  1 que pasa a través de todos los puntos de
los datos. El polinomio puede ser usado para pronosticar valores futuros. Se consideran las
siguientes dos formulas (3.1) y (3.2) usando una función tabulada y una tabla de diferencias,
para interpolar y extrapolar.
t (t  1) 2 t (t  1)(t  2) 3
f (t )  f 0  tf 0   f0   f0   (3.1)
2! 3!
t (t  1) 2 t (t  1)(t  2) 3
f (t )  f 0  tf 0   f0   f0   (3.2)
2! 3!
Donde:
f(t): Valor de la función en el tiempo t
∆fi = fi+1 -fi (La primera diferencia hacia delante de f(t)en el período i)
∆2fi =∆fi+1 -∆fi (La segunda diferencia hacia delante de f(t)en el período i)
∆nfi =∆n-1fi+1 -∆n-1fi (La enésima diferencia hacia delante de f(t)en el período i)
f  f  f ( La primera diferencia hacia atrás de f(t) en el período i)
i i i 1
 f   f   f (La enésima diferencia hacia atrás de f(t) en el período i)

n
i
n 1
i
n 1
i 1
Donde:
f0 es el valor de la función en la línea base (tiempo cero). Las diferencias f i y f i se
pueden obtener fácilmente en forma tabular como se muestra en el ejemplo 3.1
Ejemplo 3.1
Suponga que se dispone de la información relacionada con la demanda de los últimos cinco (5)
años de un producto determinado. Los datos de la demanda en miles de unidades vienen
dados en la tabla 3.4
Tabla 3.4. Demanda anual para el producto

Año t 0 1 2 3 4
Demanda f ( t ) 150 160 165 180 190
Solución
Se utilizan las ecuaciones (3.1) y (3.2) para determinar el pronóstico de la demanda del
próximo año. Las tablas 3.5 y 3.6 muestran los cálculos de las diferencias hacia delante y hacia
atrás respectivamente.
Tabla 3.5. Cálculo de las diferencias hacia delante

t f t f 2 f 3 f 4 f
0 150 10 -5 15 -30
1 160 5 10 -15
2 165 15 -5
3 180 10
4 190
Tabla 3.6. Cálculo de las diferencias hacia atrás

t f t f 2 f 3 f 4 f
-4 150
-3 160 10
-2 165 5 -5
-1 180 15 10 15
0 190 10 -5 -15 -30
Si se usa la ecuación (3.1) para pronosticar la demanda del próximo año se tiene:
t  t  1 2 t  t  1 t  2 3 t  t  1 t  2 t  3 4

f  t   f 0  tf 0   f0   f0   f0
2! 3! 4!
5
f  t   150  10t   t  t  1  15  t  t  1 t  2  30  t  t  1 t  2 t  3 (3.3)
2 6 24
Por lo tanto para estimar el valor del período 5 se tiene:
f  5  150 Miles de unidades.
Si se utiliza la ecuación (3.2) se tiene:
-9-
t  t  1 2 t  t  1 t  2  3 t  t  1 t  2  t  3 4
f  t   f 0  t f 0   f0   f0   f0
2! 3! 4!
5
f  t   190  10t   t  t  1  15  t  t  1 t  2  30  t  t  1 t  2 t  3 (3.4)
2 6 24
Para estimar el valor pronosticado corresponde al periodo 1 se tiene:
f 1  150 Miles de unidades.
Lo cual es idéntica la estimación obtenida de la ecuación (3.3)
Sin embargo la solución debería ser superior a este valor, esto sucede debido a que uno de los
datos el del periodo 2 es inferior debido a razones aleatorias, el dato real debería haber sido de
170, lo cual hubiera generado un pronóstico de 200 mil unidades.
3.1.2 Análisis de Tendencia por Regresión
La ecuación de estimación de tendencia más general que se usa para un pronóstico es el

polinomio de la forma básica como se muestra en la Ecuación (3.4).
Yˆ (t )  a  bt  ct 2    ut n 1  vt n (3.4)
En donde para un polinomio de enésimo orden,Ŷ(t) es el valor estimado del valor de los datos
verdaderos, Y(t) en un periodo t, y a ,b ,c , ,u ,v son coeficientes de ajuste del polinomio.
De tal manera que para diferentes valores de los coeficientes de ajuste se pueden desarrollar
varias ecuaciones de ajuste de curvas conocidas. Como se muestra en las ecuaciones (3.5),
(3.6), (3.7) (3.8) (3.9) (3.10) (3.11) y (3.12) y en la figura 3.1
Yˆ ( t )  a Modelo Constante (3.5)

Yˆ ( t )  a  bt Modelo Lineal (3.6)
Yˆ ( t )  a  bt  ct 2 Modelo Cuadrático (3.7)
Yˆ ( t )  ae bt Modelo Exponencial (3.8)
Yˆ ( t )  a  b log t Modelo Logarítmico (3.9)
1
Yˆ ( t )  Modelo Hiperbólico (3.10)
a  bt
log Y  t   a  b log t Modelo Logarítmico cúbico (3.11)
Yˆ ( t )  a  bt  ct 2  dt 3 Modelo Cúbico (3.12)
- 10 -
y  a  bt y  a  b log t
b0 b0
b0 b0
t t
y  a  bt  ct 2
y  aebt
c0
c0
b0 b0
t t
y  a  bt  ct 2  dt 3 log y  a  b log t
d 0
d 0
t t
Figura 3.1. Formas generales de las curvas de regresión
- 11 -
3.1.2.1 Modelo constante
2
El método de los mínimos cuadrados consiste en minimizar el error cuadrático e (t) de la
suma de la diferencia entre los valores estimados por la función Ŷ(t) y los valores reales Y(t)
como se muestra en la ecuación (3.13)
minimizar e
n
t 1
2
t 1

(t )   Y (t )  Yˆ (t ) 2
n
 (3.13)
Luego el procedimiento de regresión consiste en encontrar los coeficientes de ajuste que

minimizan la suma de los errores cuadráticos en donde n en el número de datos disponibles.
Para el modelo constante ecuación (3.14) (en donde a es una constante) esto se obtiene por
medio de la optimización clásica, tomando la derivada de la suma de los errores cuadrados con
respecto a a como se muestra en la ecuación (3.15).
 e (t )   Y (t )  a
n n
minimizar 2 2
(3.14)
t 1 t 1
n
  e 2 (t )
 0
n
(3.15)
t 1
 2 Y (t )  a
a t 1
Resolviendo para a se tiene la expresión (3.16)
 Y (t ) (3.16)
a t 1
 y
n
Es de anotar que la segunda derivada es positiva, lo cual indica que se logra el criterio del
mínimo error.
La ecuación (3.16) indica que para un modelo constante, el promedio de los datos históricos
genera la más acertada predicción de los eventos futuros.
- 12 -
Ejemplo 3.2
Considérese los datos del ejemplo anterior:

Año t 0 1 2 3 4
Demanda f ( t ) 150 160 165 180 190
Aplicando la ecuación (3.16) se tiene:
845
y= = 169
5
Entonces el pronóstico para el siguiente período es de 169 mil unidades, que constituye el
promedio de los datos de los 5 períodos contemplados.
Nótese que la estimación con respecto a las formulas de Gregory –Newton es mayor y
posiblemente más cercana a la realidad.
3.1.2.2 Modelo Lineal
Si se considera un conjunto de datos que presentan o no desviaciones debido a factores

aleatorios con respecto a puntos incluidos entre la combinación lineal de un par de puntos
que representan datos extremos del conjunto como se muestra en la figura 3.2, entonces se
pude escribir el proceso como un modelo de regresión lineal como se muestra en la ecuación
(3.17)
Y(t)


 
 
 
 
t
Figura 3.2
- 13 -
Y (t )  aˆ  bˆt   (t ) (3.17)
Donde:
Y(t):Valor observado de la función o variable dependiente.

aˆ, bˆ : Parámetros que representan el intercepto con la ordenada y la pendiente de la función.
t :Tiempo o variable independiente.

 (t ) : Error aleatorio del proceso en el período t
Si se asume que  (t ) es normalmente e independiente distribuido con media ˆ (t )  0 y
var( (t ))   2
, entonces basándose en este supuesto el proceso lineal simplificado se
puede ajustar al modelo de la forma como se muestra en la ecuación (3.18)
Yˆ (t )  a  bt (3.18)
n
  e 2 (t )
 0
n
t 1
 2 Y (t )  a  bt
a t 1
n n n
 Y (t )  a  bt  0
t 1 t 1 t 1
n n
Y (t ) na  b t  0
t 1 t 1
n n
 Y (t ) b t (3.19)
a t 1
 t 1
n n
- 14 -
Derivando con respecto a b
n
  e 2 (t )
 0
n
t 1
 2 t Y (t )  a  bt
b t 1
 t Y (t )   at   bt 2  0
n n n
(3.20)
t 1 t 1 t 1
n n n
a t  b t   tY (t )  0 2
t 1 t 1 t 1
Sustituyendo (3.19) en (3.20) se tiene:
 n n

  Y (t ) b t  n n n
 t 1
 t 1
  t  b t 2   tY (t )
 n n  t 1 t 1 t 1
 
n n n n n
Y (t ) t  b( t )  nb t  n tY (t )
t 1 t 1 t 1
2
t 1
2
t 1
Y (t) t  b(n t  ( t) )  n tY (t)

n n n n n
2 2
t 1 t 1 t 1 t 1 t 1
n n n
n tY (t )   Y (t ) t
b t 1 t 1 t 1 (3.21)
n t  ( t )
n 2 n 2
t 1 t 1
Sustituyendo (3.21) en (3.19) se tiene:
- 15 -
n n
 Y (t ) t   t  tY (t )
2 n n
a t 1 t 1 t 1 t 1
(3.22)
n  t  ( t )
n 2 n 2
t 1 t 1
Ejemplo 3.3
Si se toma como base los datos de la tabla 3.1

Año t 0 1 2 3 4
Demanda f ( t ) 150 160 165 180 190
Se tiene:
Para estimar los parámetros ay b de las ecuaciones (3.21) y (3.22) se realizan los cálculos
en la tabla 3.7 así:
Tabla 3.7.Datos para el modelo Lineal

t Y ( t) t2 t .Y ( t )
0 150 0 0
1 160 1 160
2 165 4 330
3 180 9 540
4 190 16 760
10 845 30 1790
( 845) ( 30) - ( 10 ) ( 1790) ( 5) ( 1790 ) - ( 845) ( 10)

a= = 149 b= = 10
( 5) ( 30) - ( 10) 2 ( 5) ( 30) - ( 10 ) 2
Por lo tanto la función de pronóstico es:
f ( t ) = 10t + 149
Y, el valor estimado para el siguiente período será:

f ( 5) = 199 Miles de unidades.
Nótese que este valor estimado es mucho mayor que los anteriores, y parece ser más
acertado.
3.1.2.3 Modelo Cuadrático
∑ e ( t )  ∑Y ( t )  a  bt  ct  2
n n
min imizar 2 2
(3.23)
t 1 t 1
- 16 -
n
  e 2 (t )
 0
n
(3.24)
t 1
 2 Y (t )  a  bt  ct 2
a t 1
n
  e 2 (t )
  t  0 (3.25)
n
t 1
 2 Y (t )  a  bt  ct 2
b t 1
n
  e 2 (t )
 t
n
(3.26)
t 1
 2 Y (t )  a  bt  ct 2 2
0
c t 1
De (3.24):
n n n
Y (t ) na  b t  c t 2  0
t 1 t 1 t 1
(3.27)
De (3.25):
n n n n
 tY (t ) a t  b t  c t  0
t 1 t 1 t 1
2
t 1
3
(3.28)
De (3.26):
n n n n
 t 2Y (t ) a t 2  b t 3  c t 4  0
t 1 t 1 t 1 t 1
(3.29)
Despejando en (3.27) el valor de a se tiene:

n n n
 Y (t ) b t  c t
2
a t 1 t 1 t 1 (3.30)
Reemplazando (3.30) en (3.28) se tiene:
 n
 c t 2 
n n
n  Y (t ) b t n n n
 tY (t )   t 1 t 1 t 1
 t  b t 2  c  t 3  0 (3.31)
t 1  n  t 1 t 1 t 1
 
Y reemplazando (3.30) en (3.29)
 n
Y ( t ) b 
n
t  c 
n
t2  n
t 2Y ( t )   t 1 
n n n
 t 1 t 1
  t 2  b t 3  c  t 4  0 (3.32)
t 1
 n 
t 1 t 1 t 1
- 17 -
Desarrollando (3.31) y (3.32) se tiene:
n n n n n n n n
n tY (t )  Y (t ) t  b( t )  c  t  t  nb t  nc  t 3  0 2 2 2
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
(3.33)
n n n n n n 2 n n
n t Y (t )  Y (t ) t b  t  t  c( t )  bn t  cn t 4  0
2 2 2 2 3
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
(3.34)
Despejando c en (3.33) y (3.34)

n n n n 2 n
n tY (t )  Y (t ) t b( t )  bn t 2
c t 1 t 1
n
t 1
n n
t 1 t 1
(3.35)
n t   t  t 3 2
t 1 t 1 t 1
n n n n n n
n t 2Y (t )   Y (t ) t 2 b t  t 2  bn t 3
c t 1 t 1
n
t 1
n
t 1
2
t 1 t 1
(3.36)
n  t  ( t ) 4 2
t 1 t 1
Igualando (3.35) y (3.36)
 n n n
  n 4 n 2
  n 2 n
2  n 4 n 2

 n  tY (t )   Y (t )  t   n  t  (  t 2
)   b (  t )  n  t   n  t  (  t 2
) 
 t 1 t 1 t 1   t 1 t 1   t 1 t 1   t 1 t 1 
 n 2 n n
2  n 3 n n 2 n n 2 n
3  n 3 n n 2
n t Y (t )  Y (t ) t  n t   t  t   b  t  t  n t  n t   t  t 
 t 1 t 1 t 1   t 1 t 1 t 1   t 1 t 1 t 1   t 1 t 1 t 1 
(3.37)
Factorizando b
- 18 -
 n n n
 n 4 n 2
  n 2 n n
2 
n n n
2
n 
 t 1 tY ( t )   Y ( t ) t n 
  t 1 t  (  t 2
)  n 
  t 1 t Y ( t )   Y ( t ) t n 
  t 1
t 3
  t  t 
t 1 t 1 t 1 t 1 t 1 t  1 t 1
 n n 2 n
3  n n n
2  n 2 n
2  n 4 n 2

 b   t  t  n t n  t   t  t  (  t )  n  t n  t  (  t )
3 2

 
 
 
 
 
 
   ( 3.38 )
 t  1 t  1 t  1 t  1 t  1 t  1 t  1 t  1 t  1 t  1 
Si se utilizan los siguientes reemplazos
n n n
  n t 3   t  t 2 (3.39)
t 1 t 1 t 1
n 2 n
  ( t )  n t 2 (3.40)
t 1 t 1
n n 2
  n t  ( t ) 4 2
(3.41)
t 1 t 1
n n n
  n tY (t )  Y (t ) t (3.42)
t 1 t 1 t 1
n n n
  n t Y (t )  Y (t ) t 2
2
(3.43)
t 1 t 1 t 1
En cada uno de los factores de la ecuación (3.38) y se despeja b se obtiene
 .   .  .   .  .   .
b   2 (3.44)
    .  (   . )    .
2 2
 .   .
b (3.45)
 2   .
Reemplazando (3.39) a (3.43) en (3.35) se tiene:
  .   . 
 2 ( )
    .  (3.46)
c

Desarrollando
- 19 -
 .   .
c (3.47)
 2   .
Posteriormente se calcula el valor de a sustituyendo los valores de by c estimados en la

ecuación (3.30)
Ejemplo 3.4
Considérese la demanda de un producto a lo largo de ocho (8) períodos, cuyos datos se

muestran en la tabla 3.5
Tabla 3.8. Demanda periódica para el producto

periodo t 0 1 2 3 4 5 6 7
Demanda f ( t ) 80 90 110 150 200 250 350 500
Aplicar el modelo cuadrático, para estimar la demanda del período siguiente se realizan los
cálculos en la tabla 3.6.
Tabla 3.9. Estimación de datos del ejemplo 3.8

t Y ( t) t2 t3 t 4
t .Y ( t ) t 2 .Y ( t )
0 80 0 0 0 0 0
1 90 1 1 1 90 90
2 110 4 8 16 220 440
3 150 9 27 81 450 1350
4 200 16 64 256 800 3200
5 250 25 125 625 1250 6250
6 350 36 216 1296 2100 12600
7 500 49 343 2401 3500 24500
28 1730 140 784 4676 8410 48430
 = ( 8 ) .( 784) - ( 28 ) .( 140) = 2352
 = ( 28 ) - ( 8 ) .( 140) = -336
2
 = ( 8 ) .( 4676 ) - ( 140)
2
= 17808
 = ( 8 ) .( 8410) - ( 1730) .( 28 ) = 18840
λ=( 8 ) .( 48430) - ( 1730) .( 140) = 145240
Sustituyendo en (3.45) se tiene:
( 145240) .( 2352) - ( 18840) .( 17808)

b= = -13.5119
( 2352) 2 + ( - 336 ) ( 17808)
- 20 -
Sustituyendo en (3.47) se tiene:
( 145240) .( - 336 ) + ( 18840) .( 2352)

c= = 9.940476
( 2352) 2 + ( - 336 ) ( 17808)
Sustituyendo los valores de by c en la expresión (3.30) se tiene:
( 1730) - ( - 13.5119 ) ( 28 ) - ( 9.940476 ) ( 140)

a= = 89.58332
8
Entonces la función de pronóstico será:
Y ( t ) = 89.58332 - 13.5119.t + 9.940476 .t 2
Por lo tanto el pronóstico para el siguiente periodo será:
Y ( 8 ) = 617.6785
3.1.2.4 Modelo Exponencial
Considérese el siguiente modelo exponencial
Yˆ (t )  aebt (3.48)
Transformando (3.48) aplicando logaritmo natural a los dos miembros de la ecuación se obtiene
la expresión (3.49)
lnYˆ (t )   ln  aebt 

 

 
ln Yˆ ( t )  ln( a )  ln( ebt )
 
ln Yˆ ( t )  ln( a )  bt (3.49)
La ecuación (3.49) se puede expresar como una función lineal realizando las sustituciones
(3.50) y (3.51) como se muestra en la expresión (3.52)
Yˆ (t )  lnYˆ (t ) (3.50)
- 21 -
a  ln(a ) (3.51)
Yˆ (t )  a  bt (3.52)
Ahora se puede utilizar el modelo de regresión como una función lineal y determinar el valor de
Yˆ (t ) y luego aplicando antilogaritmo se puedan calcular los valores de a y b como se
muestra en las expresiones (3.53) y (3.54)
n n n n
∑Yˆˆ ( t )∑ t 2 - ∑ t ∑ tYˆˆ ( t )
t =1 t =1 t =1 t =1
a′ = n n
(3.53)
n∑ t - ( ∑ t )
2 2
t =1 t =1
n n n
ˆ ˆ
n∑ tYˆ ( t ) - ∑Yˆ ( t )∑ t
t =1 t =1 t =1
b= n n
(3.54)
n∑t - ( ∑t )
2 2
t =1 t =1
Ejemplo 3.5
Considérese la demanda de un producto en miles de unidades, para cinco (5) periodos como
se muestra en la tabla 3.10
Tabla 3.10. Demanda periódica para el producto del ejemplo 3.5

Año t 0 1 2 3 4
Demanda f ( t ) 1.150 2.650 8.820 29.280 97.200
Debido a que los datos reflejan un comportamiento creciente en forma exponencial según como
se observa en la figura 3.3 se utiliza el procedimiento para estimar los parámetros del modelo
exponencial. Los cálculos se presentan en la tabla 3.7
- 22 -
Figura 3.3 .Comportamiento de la

f ( t) demanda del producto del ejemplo 3.5
Tabla 3.11. Estimación de datos del ejemplo 3.5

t Ŷ ( t ) t2 ˆ (
Yˆ ( t ) = Ln Ŷ ( t ) ) ˆ (
t .Yˆ ( t ) = t .Ln Ŷ ( t ) )
0 1.150 0 0.13976 0
1 2.650 1 0.97456 0.97456
2 8.820 4 2.17702 4.35404
3 29.890 9 3.39752 10.19256
4 97.200 16 4.57677 18.30708
- 23 -
10 139.710 30 11.26563 33.82824
( 11 .26563) .( 30 ) - ( 10 ) .( 33.82824)
a′ = = -0.00627
( 5) ( 30 ) - ( 10 ) 2
( 5) ( 33.82824) - ( 11 .26563) .( 10)

b= = 1.129698
( 5) ( 30) - ( 10) 2
a'  ln a  0 ,00627
a  e 0 ,00627
a  0 ,993749615
Y el modelo de pronóstico es:
Yˆ ( t )  0.993749615 e1.129698 t
De tal manera que si se quiere estimar el pronóstico para el siguiente periodo será.
Yˆ ( 5 )  0.993749615 e1.129698  5   282.0882597
3.1.2.5 Regresión Lineal múltiple
Inicialmente para abordar el problema de resolver un modelo de regresión lineal múltiple se

analiza el caso se serie de tiempo para un polinomio de grado “n”.
El modelo matemático para un polinomio de grado n es:
Yˆ  t   a 0  a1t  a 2 t 2    a m t m (3.55)
- 24 -
Aplicando el método de los mínimos cuadrados se tiene.
 e t   
n n 2
Minimizar 2
  Y  t   Yˆ  t  (3.56)
t 1 t 1
 e t    Y  t   a
2

n n
Minimizar 2
0  a1t  a 2 t   a m t
2 m
(3.57)
t 1 t 1
Derivando parcialmente (3.57) con respecto a cada uno de los parámetros se tiene.
 e t 
n
 2
 Y  t   a 
n
(3.58)
t 1
 2 0  a1t  a 2 t 2   a m t m  0
 a0 t 1
 e t 
n
 2
 Y  t   a 
n
t 1
 2 0  a1t  a 2 t 2   a m t m t  0
 a1 t 1
 e t 
n
 2
 Y  t   a 
n
t 1
 2 0  a1t  a 2 t 2   a m t m t 2  0
 a2 t 1
 
 
 
 e t 
n
 2
 Y  t   a 
n
t 1
 2 0  a1t  a 2 t 2   a m t m t m  0
 am t 1
Igualando a cero (0) y resolviendo las sumatorias se pueden estimar los parámetros del modelo
de regresión resolviendo un sistema de ecuaciones (3.59).
Por lo tanto, la estimación de los parámetros de un polinomio de grado “n” se resume en la

obtención de la solución del siguiente sistema de ecuaciones.
n n n n n

t 1
a0  
t 1
a1t  
t 1
a 2 t 2    t 1
amt m  Y  t 
t 1
n n n n n
t 1
a0t  t 1
a1t 2  t 1
a 2 t 3    
t 1
a m t m 1   Y  t .t
t 1
(3.59)
n n n n n
t 1
a0 t 2   t 1
a1t 3  t 1
a 2 t 4    t 1
a m t m 2   Y  t .t
t 1
2
- 25 -
    
    
n n n n n
a t
t 1
0
m
 a t
t 1
1
m 1
 a t
t 1
2
m 2
   a
t 1
m t 2m
  Y  t .t
t 1
m
El sistema de ecuaciones (3.59) expresado en forma vectorial (3.60) a resolver es:
- 26 -
 n n n
m  
n
  
 n t t  t   Yt 
2
 a 
 t 1 t 1 t 1   t1 
0
 n n 2 n 3 n m1  a1   n 
  
t t t  t     Y .tt 
 t1 t1 t1 t1  2  t1  a 
n n n

n  n 
a
m2  3  2
  
 t t t  t    Y .tt 
2 3 4
 t1 t1 t1 t1  a4   t1 

(3.60)
          
 
   
          
n n n n  n   
 tm tm1 tm2 t2m m  Y .tt m

 a
  
 t1 t1 t1 t1   t1 
- 27 -
Ahora si se tiene el modelo en varias variables de la forma.

Yˆ  X   a 0  a1 X 1  a 2 X 2    a n X n (3.61)
Para resolver el modelo de regresión múltiple aplicando el método de los mínimos cuadrados
se tiene.

     Y  X   Yˆ  X 
m   m 2
Minimizar e  X 2
(3.62)
i 1   i 1

m  m 2
Minimizar e X
     Y  X   a
2
0  a1 X 1  a 2 X 2   a n X n  (3.63)
i 1   i 1
Derivando (3.63) parcialmente con respecto a cada parámetro se tiene.
m


 e
  X 2
m
  
i 1
 a0
 2  Y  X   a 0  a1 X 1  a 2 X 2   a n X n . X 0  0
m

 i 1
 e  X  2
m
  
i 1
 a1
 2  Y  X   a 0  a1 X 1  a 2 X 2   a n X n . X 1  0
m

 i 1
  e  X 2
 m
  
 Y  X   a  a1 X 1  a 2 X 2   a n X n . X 2  0
(3.64)
i 1
 2 0
 a2 i 1
 
 
 
m


  e  X 2
 m
  
i 1
 a0
 2  Y  X   a
i 1
0  a1 X 1  a 2 X 2   a n X n . X n  0
- 28 -
Igualando a cero (0) las derivadas parciales de (3.64) y resolviendo las sumatorias se pueden
estimar los parámetros del modelo de regresión resolviendo un sistema de ecuaciones.
Por lo tanto, la estimación de los parámetros de un modelo de regresión múltiple con “n

variables” se resume en la obtención de la solución del sistema de ecuaciones (3.65).
m m m m m
i 1
a0   i 1
a1 X 1  i 1
a 2 X 2    i 1
an X n  Y  t 
i 1
m m m m m
a X  a X  a
i 1
0 1
i 1
1 1
2
i 1
2 X 1 X 2    a
i 1
n X1 X n  Y  t X
i 1
1
m m m m m
i 1
a0 X 2   i 1
a1 X 1 X 2  
i 1
a 2 X 22    i 1
an X 2 X n  Y t X
i 1
2 (3.65)
    
    
m m m m m
i 1
a0 X n   i 1
a1 X 1 X n  
i 1
a 2 X 2 X n    
i 1
a n X n2  Y  t  X
i 1
n
El sistema de ecuaciones (3.65) expresado en forma vectorial se observa en (3.66)
- 29 -
 m m m
  n
m X    1 X2  Xn   YX  
 i1 i1 i1  a0   t1 
m m    n 
m m
a 1  
 X   
 X1
2
X1X2 X1Xn  YX .X1 
 i 1 i1
1
i1
 a
i1  2  t1 

m m  n 

m m
 a3  
   
 X2 X1X 2 X2  X2Xn      YX .X2
2 (3.66)
 i 1 i1 i1 i1  a4  t1 

    
         
         
m    
m m m
a2   n  n  
X
 X X    X2Xn Xn YX .Xn
 i 1 n 1n   
 i1 i1 i1   t1 
- 30 -
3.1.3 Modelo de Estimación Paramétrica por Programación Lineal
Otra alternativa de estimación es la utilización de la programación matemática, en donde se

pueden determinar los parámetros en función de la suma de los valores absolutos de las
desviaciones [9] y que con algunas transformaciones se puede expresar como un modelo de
programación lineal. La función de estimación general de un pronóstico de serie de tiempo se
muestra en la expresión (3.67).
Yˆ (t )  W 1  W 2.t  W 3.t 2    Wn .t n 1
 Wn 1 .t n (3.67)
Ahora bien, visto como una función de regresión múltiple se expresa como (3.64)
Yî  W 1Z 1  W 2. Z 2  W 3.Z 3    Wn .Z n para i  1,2,..., m (3.64)
Siendo el problema escoger los parámetros W1 ,W2 , ,Wn donde, Ŷ  t  es la variable

dependiente y Z j , j  1,2 , ,n son las variables independientes. Para caracterizar el
problema se supone que existen m observaciones como se muestra el la matriz Yi Z i , j  
así:
Z1 Z2 Z3 ...... Zj ...... Zn
. .
O1 Z11 Z12 Z13 ...... Z1j ...... Z1n
. .
OBSERVACIONES
O2 Z21 Z22 Z23 ...... Z2j ...... Z2n

. .
O3 Z31 Z32 Z33 ...... Z3j ...... Z3n
. .
......
......
......
......
......
......
.....
.....
.....
.....
.....
.....
..
..
Oi Zi1 Zi2 Zi3 ...... Zij ...... Zin

. .
......
......
......
......
......
......
......
......
.....
.....
.....
.....
.....
.....
.....
.....
Om Zm1 Zm2 Zm3 ...... Zmj Zmn

.
3.1.3.1 Minimizar suma de desviaciones absolutas
- 31 -
El problema consiste en determinar los valores W j , j  1,2 , ,n , que minimice la suma del
valor absoluto de las desviaciones entre Ŷi y Yi ,i  1,2 , , m.
Objetivo: Determinar el vector de coeficientes de peso en una función de regresión que
minimice la suma de las desviaciones absolutas
Variables de decisión:
W j : Vector de pesos de la función de pronóstico, donde j  1,2 , .n

 
Di : Vector de desviaciones de la observación “i” diferencia Yi  Ŷi . Donde i  1,2 , m

s :
i
Vector de desviaciones positivas, Y  Ŷ  0 Donde i  1,2,m
  Donde i  1,2,m
i i
s : Vector de desviaciones negativas, Yi  Ŷi  0

i

Parámetros:
Z i , j : Matriz de observaciones de los valores de las variables independientes “j”, del modelo
de regresión en la observación “i” para i  1,2 , ,m y j  1,2 , ,n
Yi : Valor real de la variable dependiente en la observación “i” para i  1,2 , m
j : Índice que identifica la variable independiente, (causa), j  1,2 , .n

i: Índice que identifica el número de la observación, i  1,2 , , m
m : Número de observaciones
n : Número de variables independientes o términos en la función de pronóstico
Entonces el modelo se muestra en la expresión (3.65):
m
Minimizar F   Di
i 1
Sujeto a :
D  Y  Yˆ
i i i
para cada i  1,2 , , m
n
(3.65)
Yî  Wi Z i , j para cada i  1,2 , , m
j 1
W j no restringid a j  1,2 , , n
Di no restringid a i  1,2 , , m
- 32 -
Como Di ( i  1,2 , ,m ) son no restringidas entonces se puede expresar en términos de las

diferencias entre dos variables positivas así:
Di  S i  S i para cada i  1,2 , ,m

S i , S i  0 para cada i  1,2 , ,m
Esto significa que puede existir una desviación por encima o por debajo pero no las dos
simultáneamente de tal manera que el modelo se puede escribir como (3.66):
Minimizar F    S i  S i 
m
i 1
Sujeto a :
n
S i  S i  W j Z i , j  Yi para cada i  1,2 , ,m (3.66)
j 1
W j no restringida j  1,2 , ,n
S i , S i  0 para cada i  1,2 , ,m
3.1.3.2 Minimizar máxima desviación Absoluta
Se podría formular un modelo con otro criterio por ejemplo encontrar los parámetros de la
función de pronóstico que minimicen la máxima desviación absoluta. La formulación del modelo
es la siguiente:
Objetivo: Determinar el vector de coeficientes de peso en una función de regresión que
minimice la máxima desviación absoluta.
W j : Vector de pesos de la función de pronóstico, donde j  1,2 , .n

U : Máxima desviación absoluta
 
Di : Vector de desviaciones de la observación “i” diferencia Yi  Ŷi . Donde i  1,2 , m
Parámetros:
Z i , j : Matriz de observaciones de los valores de las variables independientes “j”, del modelo
de regresión en la observación “i” para i  1,2 , ,m y j  1,2 , ,n
Yi : Valor real de la variable dependiente en la observación “i” para i  1,2 , m
j : Índice que identifica la variable independiente, (causa), j  1,2 ,.n
- 33 -
i: Índice que identifica el número de la observación, i  1,2 , , m

m : Número de observaciones
n : Número de variables independientes o términos en la función de pronóstico
Minimizar F  Máximo Di  i

Sujeto a : (3.67)
Di  Máximo Di para cada i  1,2 , ,m
i
Pero como Di  Yi  Yî para cada i  1,2 , , m , entonces la expresión se transforma en:
Minimizar F  Máximo Yi  Ŷi  i


(3.68)
Yi  Ŷi  Máximo Yi  Ŷi para cada i  1,2 , ,m
i
Lo cual es equivalente a:
Minimizar F  U
Sujeto a :
Yi  Ŷi  U para cada i  1,2 , ,m (3.69)
U  Máximo Yi  Ŷi
i
Sustituyendo
Minimizar F  U
Sujeto a :
n
(3.70)
Yi  W j Z i , j  U para cada i  1,2 , ,m
j 1
Las restricciones se pueden rescribir como:
Minimizar F  U
Sujeto a :
n
Yi  W j Z i , j  U para cada i  1,2 , ,m (3.71)
j 1
n
Yi  W j Z i , j  U para cada i  1,2 , ,m
j 1
Por lo tanto, el modelo lineal equivalente se puede escribir como:
Minimizar F = U
Sujeto a :
n (3.72)
U+ ∑W Z j i,j
≥ Yi para cada i  1,2 , , m
j 1
n
U - ∑W Z j i,j
≥ -Yi para cada i  1,2 , , m
j 1
U ≥0 - 34 -
W j no restringid a para cada j  1,2 , , n
3.1.4 Técnicas de serie de Tiempo
Los métodos de serie de tiempo se utilizan para hacer análisis detallado del comportamiento de
la demanda en el pasado, a lo largo del tiempo y de esta manera estimar la demanda
proyectando los patrones del comportamiento hacia el futuro. Uno de los supuestos fuertes de
los métodos de pronóstico de series de tiempo consiste en que para su análisis la serie se
puede descomponer en componentes como son el nivel promedio, la tendencia, la
estacionalidad, la ciclicidad y el efecto aleatorio. Una descripción de estas componentes se
visualiza en la figura 3.4, en la gráfica se muestra como la unión de estas componentes
constituye la serie de tiempo.
Para comprender los modelos de serie de tiempo en esta sección se utiliza la siguiente
simbología:
Dt : Observación real de la demanda en el período “t” para cada t  1,2,3,..., N

At : Estimación promedio para el período “t” para cada t  2,3,..., N
Ft : Demanda pronosticada para el periodo “t” para cada t  2,3,..., N
n : Número de periodos para calcular los promedios
N : Número de datos de la serie
et  Dt  Ft : Error en el pronóstico en el periodo “t” para cada t  2,3,..., N
- 35 -
=Demanda
Figura 3.4. Descomposición
de una serie de tiempo
Serie de Tiempo
t = tiempo
=Demanda
Componente
Cíclico
Componente de
Estacionalidad
Componente de
Tendencia
Componente de
Nivel
Componente
de
Aleatoriedad
t = tiempo
- 36 -
3.1.4.1 Promedio Móvil
El método más sencillo para realizar pronósticos de series de tiempo es el método de promedio
móvil. Este método supone solo los componentes de nivel y aleatorio. No involucra patrones de
estacionalidad, tendencias, ni componentes de ciclos de los datos de la variable.
Cuando se utiliza el método de promedios móvil se selecciona un número determinado de
periodos para los cálculos, después se calcula los valores promedios con la expresión (3.73)
para cada periodo.
Dt  Dt 1    Dt n 1
At  para cada t  2,3,..., N (3.73)
n
At : Estimación promedio para el período “t” para cada t  2,3,..., N

Dt : Observación real del período “t” para cada t  1,2,3,..., N
n : Número de periodos para calcular los promedios
N : Número de datos de la serie
Como la serie es horizontal, el mejor pronóstico para el periodo “t” corresponde a la
continuación del promedio observado a lo largo del periodo “t-1” así:
Ft  At 1 para cada t  2,3,... N (3.74)
Cada vez que se calcula Ft , la observación más reciente se incluye en el promedio

sustituyendo la observación más antigua. Este procedimiento permite mantener un número de
n periodos dentro del pronóstico, permitiendo que el promedio se mueva conforme se observan
los datos más recientes. Para ilustrar se presenta el siguiente ejemplo.
Ejemplo 3.6
Considérese los datos de la demanda de un producto en la tabla 3.12
Tabla 3.12
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Dt 12 18 27 16 30 25 18 22 25 30 25 20 15 12 19 22 28 25 20 16
En la tabla 3.13, se muestra los cálculos para pronosticar la demanda de un producto con un
promedio móvil de tres periodos, también se muestra el error del pronóstico, la demanda real y
la pronosticada.
Si se utiliza un promedio móvil de más periodos por ejemplo cuatro, nótese que conserva
mayor estabilidad, pero a su vez responde con mayor lentitud a los cambios de la variable.
Para ilustrar la comparación de los pronósticos de tres y cuatro períodos con los datos reales
se muestra la figura 3.5
Una manera para que el promedio responda con mayor rapidez a los cambios de la variable, es
colocar pesos relativos superiores sobre los datos más recientes con respecto a los más
antiguos. Esto se denomina promedio móvil ponderado y se calcula como sigue:
- 37 -
Ft  At 1  W1 Dt 1  W2 Dt  2    Wn Dt n para cada t  2,3,... N (3.75)
n
Con la condición de que: W
i 1
i 1 (3.76)
Tabla 3.13. Promedio móvil de tres periodos

Periodo Demanda Promedio Pronóstico Error de
Dt móvil de de tres pronóstico
tres periodos Dt  Ft
períodos Ft
At
1 12
2 18
3 27 19.00
4 16 20.33 19.00 -3.00
5 30 24.33 20.33 +9.67
6 25 23.66 24.33 +0.67
7 18 24.33 23.66 -5.66
8 22 21.66 24.33 -2.33
9 25 21.66 21.66 +3.34
10 30 25.66 21.66 +8.34
11 25 26.66 25.66 -0.66
12 20 25.00 26.66 -6.66
13 15 20.00 25.00 -10.00
14 12 15.66 20.00 -8.00
15 19 15.33 15.66 +3.34
16 22 17.66 15.33 +6.67
17 28 23.00 17.66 +10.34
18 25 25.00 23.00 +2.00
19 20 24.33 25.00 -5.00
20 16 20.33 24.33 -8.33
- 38 -
30
28
26
24
22
20
18
16
14
12
1 3 5 8 10 13 15 18 20 22
Serie de datos reales

Figura 3.5 Pronósticos
Pronóstico de tres períodos con promedio móvil de
tres y cuatro periodos del
Pronóstico de cuatro períodos ejemplo 3.6
- 39 -
3.1.4.2 Suavización Exponencial
La suavización exponencial es una técnica matemática que utiliza el mismo principio del
promedio móvil de N periodos; sin embargo este requiere menos cálculos que el método de
promedios móviles. Adicionalmente este no requiere de la conservación de datos históricos
sobre un periodo largo de tiempo, este requiere únicamente los datos recientes. La suavización
exponencial es usada para pronósticos a corto plazo.
Como en el caso del promedio móvil simple, se comienza con la presunción de que el proceso
de generación de datos tiene una insignificante tendencia.
Yt   at   ∈t
El objetivo es darle más peso a las observaciones recientes que a las observaciones pasadas.
Por consiguiente, se desea minimizar la suma de los residuos cuadráticos ponderados, así:
n n
e     X
t 1
t
t 1
n t
t  aˆ t   0 , 0  1
Donde  nt es el peso dado para el t-ésimo residuo. En este caso, se da más peso a las
observaciones más recientes. Tomando la primera derivada de la expresión con respecto a ât
e igualando a 0 se obtiene:
n
  et n
t 1
 2  nt  X t  aˆ t   0
aˆ t t 1
Lo cual produce:
 1    n n t
n 
aˆ t  Xˆ t     Xt (3.77)
 1    t 1
Expandiendo la ecuación (3.77) resulta:
- 40 -
1 
Xˆ t    n1 X 1   n2 X 2    X n1  X n 
1  n
1  1 
Xˆ t  Xn    n1 X 1   n2 X 2    X n1 
1  n
1 n
 n 1  1   n 
 1   n 1 
Multiplicando cada lado de la ecuación por se obtiene:
 Xˆ  X   X  X X 
 1   1  1  2n
1 n 1
3n
1    1     1   
(3.78)
1n t 1n t 1n 1 2 n1
ˆ
Note que el segundo término sobre el lado derecho de la ecuación (3.78) es X por lo
t 1
consiguiente.
1    1   n 1  ˆ
Xˆ t  X  X t 1
1 n 1 n
t
Como n se extiende a un valor grande entonces  n

 0 y se obtiene
ˆ  X   1    X
X ˆ (3.79)
t t t 1
La ecuación (3.79) puede ser interpretada como el pronóstico de suavización X̂ t es igual a la
fracción  de la demanda actual X t y mas la fracción  1    de la estimación de la
ˆ
demanda X ˆ
durante el periodo previo. El valor inicial X puede ser estimado utilizando
t 1 t 1
alguna de las siguientes aproximaciones:
ˆ
1. Cuando los datos pasados son disponibles, X t 1
= La suma de los  n datos más
recientes dividido entre n.

2. El valor inicial es X t 1
3. Cuando los datos no son disponibles puede usarse un valor a juicio del pronosticador.
- 41 -
El método de suavización exponencial se fundamenta en la estimación del promedio ponderado

de un periodo con respecto al promedio del periodo anterior y el valor observado más reciente,
para formalizar este procedimiento se utiliza otra notación como se muestra a continuación:
At  Dt  (1   ) At 1
Donde:
At : Promedio ponderado en el periodo “t”
Dt : Demanda observada en el periodo “t”

 : Factor de peso 0    1
Lo anterior indica que si se quiere que el promedio responda en un alto grado a la demanda
reciente entonces se le debe asignar un valor alto al factor , y si por lo contrario se desea
que responda con lentitud entonces se le debe asignar un valor bajo al factor  , de tal manera
que responda en función al promedio anterior.
En la suavización exponencial simple, como en el caso de los promedios móviles, se supone

que la serie de tiempo es plana, no tiene ciclos, ni tiene componentes de estacionalidad, ni de
tendencia. Por lo tanto, los pronósticos de suavización exponencial para los siguientes periodos
serán simplemente el promedio obtenido en el periodo actual. De tal manera que se ilustra en
la relación
Ft 1  At
Donde:
Ft 1 : Pronóstico para el periodo " t + 1"
Sustituyendo la relación se tiene la expresión
Ft 1  Dt  1    Ft
Otra forma de expresar la igualación exponencial es la reacomodación de los términos del lado
derecho, de tal forma que se tiene la relación:
Ft 1  Ft    Dt  Ft  (3.80)
- 42 -
Ejemplo 3.7
Para los datos de la tabla 3.14 encontrar la función de predicción y la demanda para el
siguiente periodo.
Tabla 3.14
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 110 119 132 127 139 134 151 154 162 159 171 174
Solución
Para la estimación de los parámetros del modelo asuma un nivel   0.1 y un nivel de
  0.3
La tabulación de los datos se muestra en la tabla (3.15)
Tabla 3.15 Cálculos de suavización exponencial doble del ejemplo 3.7

  0.1   0.3
t Xt
X t  
1   Xˆ t 1
X̂ t
X t  1    Xˆ X̂ t
t 1
1 110 110.00 110.00
2 119 11.9 99.00 110.90 35.7 77.00 112.70
3 132 13.2 99.81 113.01 39.6 78.89 118.49
4 127 12.7 101.71 114.41 38.1 82.94 121.04
5 139 13.9 102.97 116.87 41.7 84.73 126.43
6 134 13.4 105.18 118.58 40.2 88.50 128.70
7 151 15.1 106.72 122.12 45.3 90.09 135.39
8 154 15.4 109.91 125.31 46.2 94.77 140.97
9 162 16.2 112.78 128.98 48.6 98.68 147.28
10 159 15.9 116.08 131.98 47.7 103.10 150.80
11 171 17.1 118.78 135.88 51.3 105.56 156.86
12 174 17.4 122.30 139.70 52.2 109.80 162.00
Entonces el pronóstico con un factor   0.1 para el siguiente periodo es de 140 unidades y
con un factor de   0.3 es de 162 unidades
- 43 -
3.1.4.3 Suavización exponencial doble
Cuando la serie de tiempo contiene una tendencia, el método de suavización exponencial doble
puede ser utilizado para obtener el pronóstico.
La ecuación (3.81) representa el proceso de generación de datos para una serie con tendencia.
Yt   at  bt t   ∈t (3.81)
Donde at y bt son los parámetros del proceso y t es la error por variación aleatoria con
valor esperado igual a 0 y varianza  t2
Tomando como base el proceso de generación del modelo de regresión lineal simple de la
forma como se muestra en la ecuación (3.82)
Xˆ t  X t    1    X t 1    1    X t  2      1    X 1   1    Xˆ 0
2 t 1 t
(3.82)
y reemplazando   1   se obtiene la expresión (3.83)
ˆ t  X t   X t 1   2 X t  2     t 1 X 1   t X
X ˆ 0 (3.83)
La expresión (3.83) se puede escribir como:
t 1
Xˆ t     i X t 1   t Xˆ 0
i 0
El valor esperado de X̂ t es:
 
t 1
E Xˆ t     i E  X t i    t Xˆ 0
i 0
 
t 1
E Xˆ t     i  at  bt  t  1    t Xˆ 0
i 0
Como los periodos de tiempo se incrementan  t    ,   0 y

t
  
E Xˆ t  at  bt  bt

o
 
ˆ  E  X    b (3.84)
E X t t t

La ecuación (3.84) implica que el retrazo de suavización exponencial simple de la demanda

 
actual es  bt . La suavización exponencial doble se obtiene sustituyendo X̂ t por X t en la
 
ecuación (3.79) es decir en Xˆ t  X t   1    Xˆ t 1
- 44 -
La suavización exponencial doble se obtiene de una serie de suavización exponencial simple

como se muestra en la expresión (3.85)
ˆ  2   X
X ˆ  X
ˆ  2 (3.85)
t t t 1
 2
Donde X̂ t es el valor pronosticado por el método de suavización exponencial doble. De la
ecuación (3.84) se obtiene la ecuación siguiente:
E Xt
 ˆ b
ˆ  2  E X
t t
  
(3.86)
o
bt 


E X  
ˆ X
t
ˆ  2
t
 (3.87)
De las ecuaciones (3.84) y (3.86) se obtiene:
 
at  E  X t   2 E Xˆ t  E Xˆ t 2    (3.88)
La estimación de at y bt se pueden obtener de las ecuaciones (3.87) y (3.88) como sigue:
aˆ t  2 Xˆ t  Xˆ t 2  (3.89)
bˆt 
 ˆ

 ˆ  2
Xt  X t
 (3.90)
Donde at y bt son los valores estimados para el periodo “t”. El pronóstico para el periodo
futuro “t+1” esta dado por la ecuación (3.91)
ˆ t  bˆt t
X t 1  a (3.91)
Ejemplo 3.8
Determinar el pronóstico de la demanda para el periodo 15 un producto cuyos datos de la

demanda se muestran en la tabla 3.14
Tabla 3.14
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 110 119 132 127 139 134 151 154 162 159 171 174
Solución
La estimación de los datos para aplicar el modelo de suavización exponencial doble se muestra
en la tabla (3.16)
- 45 -
Tabla 3.16 Cálculos de suavización exponencial doble del ejemplo 3.7   0.3
t Xt X t  
1   Xˆ t 1 X̂ t X̂ t  1    Xˆ 
t 1
2  2
X̂ t at bt
1 110 110.00 110.00
2 119 35.7 77.00 112.70 33.81 77.00 110.81 114.59 0.81
3 132 39.6 78.89 118.49 35.55 77.57 113.18 123.80 2.28
4 127 38.1 82.94 121.04 36.31 79.18 115.49 126.59 2.38
5 139 41.7 84.73 126.43 37.93 80.84 118.77 134.09 3.28
6 134 40.2 88.50 128.70 38.61 83.14 121.75 135.65 2.98
7 151 45.3 90.09 135.39 40.61 85.23 125.84 144.94 4.05
8 154 46.2 94.77 140.97 42.29 88.09 130.38 151.56 4.54
9 162 48.6 98.68 147.28 44.18 91.26 135.44 159.16 5.07
10 159 47.7 103.10 150.80 45.24 94.81 140.05 161.55 4.61
11 171 51.3 105.56 156.86 47.06 98.03 145.09 168.63 5.04
12 174 52.2 109.80 162.00 48.60 101.57 150.17 173.83 5.07
La demanda pronosticada para el periodo 15 con el modelo de suavización exponencial doble

entonces es:
ˆ
X  
12 ,15  173.83  5.07 3  189.04 Unidades.
El uso del nivel para encontrar un modelo más representativo se puede obtener iterando
sucesivamente, se sugiere en la práctica un rango de  entre 0.01 y 0.3.
- 46 -
3.1.4.4 Método de variación estacional de Winters
Cuando los datos de la demanda muestran estacionalidad, un modelo de suavización

exponencial comúnmente usado es el método Winters. En este modelo se toma en cuenta tres
factores, una componente de Permanencia, una tendencia, y un factor estacional. Cada
componente es constantemente recalculada usando una constante de suavización, a partir del
dato de la observación más reciente y la última estimación.
Yt   a t  bt t  C t  ∈t (3.92)
El modelo de Winters utiliza un proceso de generación de datos de la forma:
Yt
at =  + ( 1 -  ) ( at -1 .t + bt -1 ) (3.93)
Ct - N
Donde:
at : Nivel del proceso suavizado exponencialmente al final del período “t”

Yt : Ventas actuales en el periodo “t”
N : Número de periodos en la estación
bt -1 : Tendencia para el periodo “t-1”
 : Constante de suavización para a
De igual manera para el factor estacional
Yt
Ct =  + ( 1 -  ) Ct - N (3.94)
at
Donde  es la constante de suavización para Ct .

Para calcular la tendencia entonces:
bt =  ( at - at -1 ) + ( 1 -  ) bt -1 (3.95)
Donde  es la constante de suavización para b.

El modelo está construido con los parámetros más recientemente estimados de la siguiente
manera:
Ŷt = ( at + bt ) Ct (3.96)
Como en cualquier modelo de suavización exponencial, para comenzar un proceso de

pronóstico, un conjunto de condiciones iniciales es requerido para la estimación de los
parámetros. Existen diferentes maneras para efectuar esto, un método es el siguiente:
Inclinación: Calcular la inclinación con el promedio de ventas de los datos de los dos primeros
años.
- 47 -
∑Y t
(3.97)
t =1
S1 =
N
2N
∑Y t
(3.98)
t = N +1
S2 =
N
S 2 - S1
b= (3.99)
N
Nivel: Calcular el nivel al final del periodo 2 N usando S 2 y el calculo de la inclinación a

N -1
a2 N = S 2 + b (3.100)
2
Estacionalidad: Calcular los factores estacionales iniciales con la desviación de los valores
actuales y la función con la inclinación b y el intercepto a .
Yt
Ct = (3.101)
a + bt
Donde a = a 2 N - ( 2N ) b. Los 2 años de periodos estacionales son promediados para estimar

un solo conjunto de factores estacionales. Estos tienen que estar normalizados de tal manera
que:
N
∑C t
(3.102)
t =1
=1
N
Otro método para inicializar la estimación de los parámetros a ,b y C t es usando un mínimo

conjunto de datos, por ejemplo el que comprende el primer ciclo de datos. Entonces, usando
estos valores iniciales y comenzando con el primer periodo se hacen los pronósticos y los
parámetros son calculados para cada periodo sucesivo hasta que se usen todos los datos
históricos. Con ese punto los valores de a ,b y C t del periodo corriente son usados para
pronosticar. El procedimiento computacional de esta manera es tedioso. Entonces para ilustrar
se expone el siguiente ejemplo con el procedimiento descrito al comienzo.
Ejemplo 3.8
Determinar el modelo de pronóstico con el método estacional de Winters.
Tabla 3.17.Ventas de un Producto

Número de unidades
Mes
Año 1 Año 2
- 48 -
Enero 295 328

Febrero 351 372
Marzo 400 434
Abril 375 405
Mayo 359 378
Junio 310 340
Julio 291 310
Agosto 255 294
Septiembre 242 255
Octubre 229 260
Noviembre 300 310
Diciembre 318 335
Suma 3725 4021
Los parámetros iniciales son calculados como sigue.
 Inclinación
∑Y t
3725
t =1
S1 = = = 310 ,42
N 12
2N
∑Y t
4021
t = N +1
S2 = = = 335.08
N 12
S 2 - S 1 335 ,08 - 310,42

b= = = 2 ,055
N 12
- 49 -
 Nivel
N -1  11 
a 2N = S 2 + b = 335,08 + 2,055.  = 346,38
2  2
 Estacionalidad
a = a 2 N - ( 2N ) b = 346 ,38 - ( 24 ) .( 2 ,055) = 297 ,055
Yt
Y los factores estacionales como se muestran en la tabla 3.18, según la ecuación Ct =
a + bt
N
y luego se normaliza de tal manera que

∑C t
t =1
=1
N
Tabla 3.18 Estimación de los factores estacionales

t ( año 1) a + bt Ct t ( año 2 ) a + bt Ct Ct Normalizado
1 299,11 0,98 13 323,77 1,01 0,995 0,993
2 301,17 1,17 14 325,83 1,14 1,155 1,152
3 303,22 1,32 15 327,88 1,32 1,320 1,317
4 305,28 1,23 16 329,94 1,23 1,230 1,227
5 307,33 1,17 17 332,00 1,14 1,155 1,152
6 309,39 1,00 18 334,06 1,02 1,010 1,007
7 311,44 0,93 19 336,11 0,92 0.925 0,923
8 313,50 0,81 20 338,17 0,87 0,840 0,838
9 315,56 0,77 21 340,22 0,75 0,760 0,758
10 317,61 0,72 22 342,28 0,76 0,740 0,738
11 319,67 0,94 23 344,33 0,90 0,920 0,918
12 321,72 0,98 24 346,39 0,98 0,980 0.977
12.03 12
Los pronósticos para los tres primeros meses del año tres (3) son los siguientes:
Y ( Enero) = 346 ,38 + ( 2 ,055) ( 1) ( 0 ,993) = 348 ,42

Y ( Febrero ) = 346 ,38 + ( 2 ,055) ( 2) ( 1,152) = 351,11
Y ( Marzo) = 346 ,38 + ( 2 ,055) ( 3) ( 1,317 ) = 354,50
Los parámetros son usualmente actualizados cuando un resultado nuevo es conocido. Por
ejemplo si las ventas reales del primer mes del año tres fueron 350 unidades vendidas en
enero y se le da un peso a cada factor como:
- 50 -
 =  =  = 0 ,3
Los valores nuevos para los parámetros son recalculados así:
a = 0 ,3( 350 / 0 ,993) + 0 ,7 ( 346 ,38 + 2,055) = 349 ,64
C1 = 0 ,3( 350 / 349 ,64 ) + 0 ,7 ( 0 ,993) = 0 ,995
b = 0 ,3( 349 ,64 - 346,38) + ( 0 ,7 ) ( 2 ,055) = 2 ,417
Entonces los pronósticos para los meses de febrero, marzo y abril serán:
Y ( Febrero ) = 349 ,64 + ( 2 ,417 ) ( 1) ( 1,152) = 352 ,42

Y ( Marzo) = 349,64 + ( 2 ,417 ) ( 2) ( 1,317 ) = 356 ,01
Y ( Abril ) = 349 ,64 + ( 2 ,417 ) ( 3) ( 1,227 ) = 358 ,54
3.1.4.5 Método Box-Jenkins
El método Box- Jenkins de promedio móvil autoregresivo puede ser usado para pronósticos a
corto plazo.
El método Box- Jenkins más que una técnica es una metodología de pronóstico que sirve para
gran variedad de situaciones, por complejas que sean.
El método autoregresivo de promedio móvil (ARMA)1 es utilizado para pronósticos a término

corto. El método toma en cuenta el patrón de la serie de tiempo que lo permite ser considerado
a pertenecer a un particular grupo de serie de tiempo. Se asigna la serie de tiempo a un grupo
que obedece a la mejor estructura del modelo de pronóstico la cual puede ser alguno de los
siguientes: El modelo auto-regresivo (AR)2, el modelo promedio móvil (MA)3 o el modelo mixto
(ARMA). Estos modelos pueden describir una numerosa cantidad de series de tiempo
estacionarias (Una serie de tiempo estacionaria es una serie que conserva en equilibrio un nivel
más o menos constante.)
En otras palabras la metodología se puede resumir en cuatro etapas a saber:
 Etapa 1. Se identifica y se utiliza el primer modelo tentativo para pronosticar.
 Etapa 2.1. Se realiza el pronóstico con ese modelo y se evalúan los resultados.
 Etapa 2.2. Si la evaluación no es satisfactoria se regresa a la etapa 1, y se toma otro

modelo de pronóstico.
 Etapa 3. Se selecciona el modelo indicado cuando la evaluación del pronóstico del paso
2.2 es satisfactorio.
 Etapa 4. Se desarrolla un algoritmo de control para usos futuros de esta técnica.
1
ARMA “Autoregressive Moving Average”
2
“AR” Autoregressive Model
3
“MA” Moving Average Model
- 51 -
El método Box- Jenkins utiliza el cálculo de autocorrelación de coeficientes que describe la

asociación de los valores de una misma variable observada en momentos diferentes.
La autocorrelación genera información relevante acerca de estructura y de los patrones de la

serie de tiempo.
 Modelo Auto-regresivo
El modelo auto-regresivo (AR) saca ventaja de la estructura de auto-correlación del proceso de

generación de datos. La autocorrelación existe cuando existe una correlación entre los datos de
la serie de tiempo. Para ilustrar esta idea el la tabla ***se observa una serie de tiempo de doce
(12) periodos. En ella se observa que se tiene normalizada la serie restando la media del valor
de cada observación para obtener cada valor así: x t  xt  x Luego se yuxtapone con un
periodo de retrazo x
 t 1 .Así se revela un importante factor acerca del conjunto particular de
datos, cuando xt esta por encima de la media entonces x
 t es positivo y cuando xt esta por
debajo de la media entonces x
 t 1 tiende a ser negativo. En efecto, parece que existe una
correlación negativa entre observaciones adyacentes de la serie de tiempo. Este es un caso de
autocorrelación negativa de rezago 1.Una autocorrelación positiva de rezago 1ocurre cuando a
las desviaciones positivas con respecto a la media le sigue otra desviación positiva o a una
desviación negativa con respecto a la media le sigue otra desviación negativa. Pueden existir
correlaciones de rezago 2 cuando x
 t se correlaciona con x
 t  2 , de rezago 3 cuando x
 t se
correlaciona con x
 t 3 y así sucesivamente hasta el último rezago.
El método autorregresivo de Box Jenkins toma ventaja de la información existente entre las
observaciones correlacionadas para formular un modelo de predicción de valores futuros de la
serie de tiempo basado en las observaciones pasadas. Para ilustrar se pone en considerar el
siguiente ejemplo:
Ejemplo 3.9
Determinar el modelo de regresión Autoregresivo (AR) para los datos de la tabla 3.19
Tabla 3.14
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 224 230 236 225 234 219 231 225 237 219 232 230
Los cálculos para estimar los parámetros del modelo se muestran en la tabla 3.20
Tabla 3.20 Datos de demanda del ejemplo 3.9

x t  xt  x
Periodo Demanda x
t x
 t 1 x
t x
 t 1 x t2
t xt
- 52 -
1 224 -4,50 20,25

2 230 1,50 -4,50 -6,75 2,25
3 236 7,50 1,50 11,25 56,25
4 225 -3,50 7,50 -26,25 12,25
5 234 5,50 -3,50 -19,25 30,25
6 219 -9,50 5,50 -52,25 90,25
7 231 2,50 -9,50 -23,75 6,25
8 225 -3,50 2,50 -8,75 12,25
9 237 8,50 -3,50 -29,75 72,25
10 219 -9,50 8,50 -80,75 90,25
11 232 3,50 -9,50 -33,25 12,25
12 230 1,50 3,50 5,25 2,25
Total 2742 -264,25 407
x  228.5
El proceso autoregresivo de retrazo 1, AR  1 es formulado como:
x t  1 x t 1  et (3.103)
Donde et es una variable aleatoria independientemente distribuida con media igual a cero y
varianza constante  2 y 1 es una constante cuyo valor es calculado como se muestra más
adelante. El proceso autorregresivo puede ser generalizado para p periodos, AR  p  de la
siguiente manera:
 t  1 x
x  t 1   2 x
 t 2     p x
 t  p  et (3.104)
El modelo de pronostico apropiado para AR  1 y AR  p  son las ecuaciones (3.105) y

(3.106), respectivamente
ˆt  
x ˆ x ˆ  ˆ1 x
t    t 1 (3.105)
ˆt  
x ˆ  ˆ1 x
t  
ˆ  x  t 1  ˆ2 x
 t  2  ˆ3 x
 t  3    ˆ p x
 t p (3.106)
Donde ̂  x
En AR  1 el valor de 1 es igual al coeficiente de correlación  1 entre x
t y x
 t 1 . A
continuación se presenta el procedimiento de cálculo de AR  1 para el ejemplo 3.9
Solución
cov  x t , x t 1  cov x t , x t 1 
1   1   , porque var  x t   var  x t 1 
var  x t  var  x t 1  var  x t 
- 53 -
264 ,25
cov  x t , x t 1   E  x t , x t 1     24 ,02
11
var  x t   E  x t2  
407
 33 ,92
12
 24 ,02
1   0 ,708
33 ,92
Por consiguiente el modelo y el pronóstico son:
x ˆ  ˆ1 x
ˆt    t 1
ˆ t  228 ,5  0 ,708 1,5   227.44

x
La estimación de los ´ s para un modelo autorregresivo de un retrazo mayor que uno puede
ser complejo. Se ilustra el proceso para un modelo AR  2  . Considérese el proceso de
generación de datos
x t  1 x t 1   2 x t  2  et
Multiplicando ambos lados de la ecuación por x

 t  k se tiene:
x  t  k  1 x
t x  t k  2 x
 t 1 x  t  k  et x
 t 2 x  t k
Tomando la esperanza en ambos lados de la ecuación se tiene:
cov  x t , x t  k   1 cov  x t 1 , x t  k    2 cov  x t  2 , x t  k 
Si se divide por var  x t  se obtiene la relación recursiva siguiente:
 k  1  k 1   2  k  2
Donde:
cov  x t , x t k 
k 
var  x t 
Para un modelo AR  2  k  1,2 se tiene:
 1  1   2  1 , donde  1   1
y
 2  1  1   2
Los valores de 1 y  2 pueden ser estimados calculando  1 y  2 y resolver el sistema

simultaneo de ecuaciones.
- 54 -
Para el ejemplo:
264 ,25
cov  x t , x t 1   E  x t , x t 1     24 ,02
11
152 ,5
cov  x t , x t  2   E  x t , x t  2     15 ,25
10
var  x t   E  x t2  
407
 33 ,92
12
cov  x t , x t 1  cov  x t , x t 1   24 ,02

1     0 ,708
var  x t  var  x t 1  var  x t  33 ,92
cov  x t , x t 2  cov  x t , x t  2  15 ,25

2     0 ,45
var  x t  var  x t 2  var  x t  33 ,92
Entonces el sistema de ecuaciones simultáneo es:
  1  0 ,7082  0 ,708 
 
 0 ,7081  2  0 ,45 
1  0 ,708 2  0 ,708
1  0 ,708  2  1
Sustituyendo se tiene:
 0 ,708 2 2  1  2  0 ,45
 1  0 ,501264 2  0 ,45  0 ,501264
0 ,4987362  0 ,182664
- 55 -
 0 ,182664
2   0.3663
0 ,498736
1  0 ,708  1,3663
1  0 ,9673
 Modelo Promedio Móvil
El modelo promedio móvil ( MA ) explota la estructura de los errores o residuos de los

pronósticos. La autocorrelación entre los errores de pronóstico existe cuando hay una
correlación entre el error de un término y el error de uno o más errores de términos rezagados.
Se ilustra la idea tomando el ejemplo 3.10 que se muestra en la tabla 3.21 y se reproduce en la
tabla 3.22 de un promedio móvil de tres periodos
Tabla 3.21
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 224 230 236 225 234 219 231 225 237 219 232 230
Tabla 3.22. Promedio móvil de tres periodos

Pronóstico de Error de Error de
Xt tres periodos pronóstico pronóstico
Periodo x̂t et  xt  xˆ t et 1  xt 1  x
ˆ t 1et et 1 et2
1 12
2 18
3 27
4 16 19.00 -3.00 9.00
5 30 20.33 +9.67 -3.00 -29.01 93.51
6 25 24.33 +0.67 +9.67 6.48 0.45
7 18 23.66 -5.66 +0.67 -3.79 32.04
8 22 24.33 -2.33 -5.66 13.19 5.43
9 25 21.66 +3.34 -2.33 -7.78 11.16
10 30 21.66 +8.34 +3.34 27.86 69.56
11 25 25.66 -0.66 +8.34 -5.50 0.44
12 20 26.66 -6.66 -0.66 4.40 44.34
13 15 25.00 -10.00 -6.66 66.60 100.00
14 12 20.00 -8.00 -10.00 80.00 64.00
15 19 15.66 +3.34 -8.00 -26.72 11.16
16 22 15.33 +6.67 +3.34 22.28 44.49
17 28 17.66 +10.34 +6.67 68.97 106.92
18 25 23.00 +2.00 +10.34 20.68 16.00
19 20 25.00 -5.00 +2.00 -10.00 25.00
20 16 24.33 -8.33 -5.00 41.65 69.39
269,31 702,89
- 56 -
xt     1 et 1   2 et  2   3 et 3     n et  n  et (3.107)
Para la obtención de los parámetros es posible utilizar un modelo de regresión.
 Modelo Mixto Autorregresivo con Promedios Móviles
El modelo mixto toma como base el proceso autorregresivo y la estimación de los errores como
se muestra en la ecuación (3.108)
x t  1 x t 1   2 x t  2  3 x t  3     p x t  p   1 et 1   2 et  2
(3.108)
  3 et  3     q et  q  et
Proceso esta descrito como:
x t  1 x t 1   1 et 1  et (3.109)
Y el modelo de pronóstico es:

x ˆ x
ˆt   ˆ t 1   1 et 1 (3.110)
1
Se puede mostrar que los parámetros del proceso ARMA  1,1 son estimados desde la
autocorrelación de datos de la manera siguiente:
1 
 1    
1
 1 
1 1
(3.111)
1    2 11
1
2
 2  1  1 (3.112)
- 57 -
3.1.5 Estimación de los parámetros de un Modelo de Pronóstico con
componente Cíclico con Programación Lineal
 RESUMEN
Los modelos de pronóstico con componente cíclico son poco estudiados, y la estimación de los
parámetros de esta clase de modelos usualmente se realiza con el método de los mínimos
cuadrados. Se propone en este artículo el uso de la programación lineal para la estimación de
parámetros en un modelo de pronóstico con componente cíclico basado en series de Fourier,
usando como criterio la minimización de la suma absoluta del error, posteriormente se realiza
un análisis comparativo de esta técnica y la de mínimos cuadrados usando simulación.
 INTRODUCCIÓN
Los pronósticos de la demanda de bienes y/o servicios son vitales como insumo de información
para realizar los procesos de planeación, programación y control de la función de operaciones
en las organizaciones productivas, por esto de su adecuada estimación depende la formulación
de planes que se puedan ajustar más a los hechos reales y que por lo tanto conlleven a que
las empresas sean más productivas y competitivas.
Los procesos de pronóstico en el ámbito empresarial se soportan en herramientas, técnicas y

métodos sistemáticos estructurados de naturaleza cuantitativa y cualitativa. Entre los de
carácter cualitativo, se pueden mencionar los estudios de mercado, el método Delfi, el análisis
de ciclo de vida del producto y el juicio de expertos entre otros; por otra parte las técnicas de
carácter cuantitativo se agrupan en dos grandes clases, los modelos del orden causa efecto
(como modelos de regresión, modelos econométricos, etc.) y las técnicas de pronóstico de
serie de tiempos, de las que trata el presente artículo. Estas herramientas y su aplicación
individual y combinada constituyen el marco de referencia de la ciencia de la predicción.
El tratamiento de la predicción de eventos con modelos de series de tiempo requiere de la

identificación y el análisis de componentes tales como: la tendencia, la estacionalidad y la
ciclicidad4 , para lo cual existen diferentes metodologías 5, siendo una, la formulación de
modelos de regresión con estructuras semejantes a las series de Fourier 6, para lo cual es
necesario la estimación de los parámetros del modelo representativo del fenómeno presente
en el sistema real.
4
Adam E.,Ebert R. Jr. Administración de la producción y las Operaciones. Prentice Hall.
Mexico. 1991
5
Schroeder R. G., Administración de Operaciones, México : Mc GRAW-HILL, Tercera
Edición,1992
6
Sneddon I.N., Fourier Series,The Free Press,Glencoe, III.,1961.
La estimación de los parámetros de una función de predicción se realiza normalmente con el

método de los mínimos cuadrados, cuyo propósito es minimizar la suma de los errores
cuadráticos, es decir la suma de los cuadrados de las diferencias entre el valor estimado por la
7
función de regresión y el valor observado en el sistema real Es así como este artículo
presenta otra metodología de regresión fundamentada en el criterio de minimización de la suma
de los valores absolutos de las desviaciones, lo cual se logra utilizando un modelo de
programación lineal.
La novedad radica en la posibilidad de construir modelos con características cíclicas de una

manera rápida y con un nivel de representabilidad alto, para ilustrar el proceso de construcción
del modelo se efectúa una simulación y se compara la estimación por el método de
optimización lineal y la obtenida utilizando el método de los mínimos cuadrados.
3.1.5.1 Modelo de Pronóstico
El pronóstico es una verdadera herramienta de “sistemas”. Los conceptos subyacentes del
análisis de series de tiempo provienen de la teoría del control automático y del análisis
estadístico8, Ciertas técnicas para determinar las frecuencias predominantes en la teoría de la
información también son aplicables para encontrar las relaciones cíclicas en los datos de las
ventas. Los procedimientos matemáticos para determinar las relaciones poli nómicas se
pueden aplicar ciertamente para determinar las tendencias de crecimiento en datos de venta 9
Para realizar el análisis cíclico se tiene un modelo basado en una serie de análisis de Fourier.
El análisis cíclico se usa para obtener los valores aproximados de las características
estacionales.
El modelo de predicción cíclico se ajusta a la expresión (3.113)
 2. .t   2. .t 
Yˆ (t )  a  b.t  (c  d .t ).sen   ( f  g .t ).cos  (3.113)
 p1   p2 
Donde p1 y p 2 representan los periodos más significativos y se determinan por un análisis
espectral, es posible que se requiera de varios ajustes para eliminar ruido.
7
Bowman E. H., “Production Scheduling by the Transportation Method of Linear Programming”
Operations Research, 3, no. 1, 1956.
8
Walpole R. E., et al. “Probability and Statistics for Engineers and Scientists” . Prentice Hall,
Inc. 1998
9
Bedworth D. D.,Bailey J. E., Integred Production Control Systems, John Wiley & sons, Inc.
1995.
- 59 -
El propósito es encontrar los valores de los parámetros a,b,c,d,f, y g por un procedimiento de

regresión, de tal manera que se obtenga un modelo que estime los valores lo más cercano
posible a la realidad en función del tiempo.
3.1.5.2 Estimación por el Método de Mínimos Cuadrados
El procedimiento de estimación de un modelo de regresión es el método de los mínimos
cuadrados. El objetivo es encontrar los valores de los parámetros 10, de una función que
minimiza la suma de los cuadrados de los errores (desviaciones) como se muestra en la
expresión (3.114)
Min  e (t )   Y (t )  Yˆ (t )
n n 2
2
(3.114)
t 1 t 1
Utilizando la optimización clásica se deriva parcialmente con respecto a los parámetros

a,b,c,d,f,g de tal manera que se obtienen las expresiones (3.115), (3.116), (3.117),(3.118) ,
(3.119), (3.120).
n
 e 2  t  n   2. .t   2. .t  
t 1
 2 Y (t )  a  bt  (c  dt ) sen    ( f  gt ) cos    0
a  
t 1 p
 1  p
 2  
(3.115)
n
 e 2  t  n   2. .t   2. .t  
t 1
 2  Y (t )  a  bt  (c  dt ) sen    ( f  gt ) cos t   0
b  t 1   p1   p 2  
(3.116)
n
 e 2  t  n   2. .t   2. .t   2. .t 
t 1
 2 Y (t )  a  bt  (c  dt ) sen    ( f  gt ) cos  sen    0
c  
t 1 p
 1  p
 2   1  p
(3.117)
n
 e 2  t  n   2. .t   2. .t   2. .t 
t 1
 2  Y (t )  a  bt  (c  dt ) sen   ( f  gt ) cos t. sen   0
d  t 1   p1   p 2   p1 
(3.118)
10
Johnson, L.A., and Montgomery D.C., Operations Research in Production Planning,
Scheduling and Inventory Control. New York : John Wiley & Sons.,1974.
- 60 -
n
 e 2  t  n   2. .t   2. .t   2. .t 
t 1
 2 Y (t )  a  bt  (c  dt ) sen    ( f  gt ) cos  cos   0
f  t 1   p1   p 2   p 2 
(3.119)
n
 e 2  t  n   2. .t   2. .t   2. .t 
t 1
 2  Y (t )  a  bt  (c  dt ) sen    ( f  gt ) cos t. cos   0
g  
t 1 p
 1  p
 2  p
 2 
(3.120)
Para resolver el sistema de ecuaciones se realizan las siguientes sustituciones:

n n
  n
 2. .t  n
 2. .t 
S1   t S 2   sen  2. .t  S 3   t sen  S 4   cos 
t 1 t 1 p
 1  t 1 p
 1  t 1  p2 
n
 2. .t  n n
 2. .t  n
 2. .t 
S5   t cos  S 6   t 2 S 7   t 2 sen   S 8   t 2 cos 
t 1  p2  t 1 t 1  p1  t 1  p2 
n
  n
  n
 2. .t   2. .t 
S 9   sen 2  2. .t  S10   t sen 2  2. .t  S11   sen   cos 
t 1  p1  t 1  p1  t 1  p1   p2 
n
 2. .t   2. .t 
S12   t sen  cos 
t 1  p1   p2 
n
  n
 2. .t   2. .t  n
 2. .t 
S13   t 2 sen 2  2. .t  S14   t 2
sen  . cos   S 15   cos 2  
t 1 p
 1  t 1  p1   p2  t 1  p2 
n
 2. .t  n
 2. .t  n n
S16   t. cos
t 1
2

 p2 
 S17  t
t 1
2
. cos 2 
 p2 
 H 1   Y (t )
t 1
H 2   tY (t )
t 1
n
 2. .t 
H3   Y (t ) sen 
t 1  p1 
n
 2. .t  n
 2. .t  n
 2. .t 
H4   Y (t ).t. sen  H 5   Y (t ) cos  H6   Y (t ).t. cos 
t 1  p1  t 1  p2  t 1  p2 
Debido a que el modelo es lineal en los parámetros se tiene un modelo de regresión múltiple,
de tal manera que el problema consiste en resolver el siguiente sistema de ecuaciones:
Na +s1b +s2c +s3d +s4f +s5g =h1

s1a +s6b +s3c +s7d +s5f +s8g =h2
s2a +s3b +s9c +s10d +s11f +s12g =h3
s3a +s7b +s10c +s13d +s12f +s14g =h4
s4a +s5b +s11c +s12d +s15f +s16g =h5
s5a +s8b +s12c +s14d +s16f +s17g =h6
- 61 -
3.1.5.3 Estimación del modelo por programación lineal
Para el modelo de estimación que se está considerando para el análisis cíclico en particular se
tiene la siguiente formulación:
Objetivo: Determinar los coeficientes paramétricos de una función de pronósticos que

contempla tendencia, estacionalidad y ciclicidad con el objeto de minimizar la suma de las
desviaciones absolutas.
Función Objetivo: F= f(Dt, t=1,2,..,n) =Función de la suma de desviaciones absolutas.
Dt Desviación de la observación “t” con respecto al valor estimado para ese período, donde
t  1,2 , , n
S t : Desviación positiva de la observación “t”, donde t  1,2 , , n
S t -: Desviación positiva de la observación “t”, donde t  1,2 , , n
a ,b , c , d , f , g : Parámetros de la función de regresión.
Parámetros:
P1 , P2 : Períodos del ciclicidad

t : Índice que identifica el número de la observación, donde t  1,2 , , n
Yt : Valor real de la variable dependiente en la observación “t”, donde t  1,2 , , n
Función de pronóstico:
 2t   2t 
Yˆt  a  bt  (c  dt ) sen    ( f  gt ) cos   (3.121)
 p1   p2 
Donde:
Ŷt: Valor estimado en la observación “t”, donde t  1,2 , , n

(a +bt): Componente de tendencia
[(c+dt)sen(2πt/p1)]:Componente de ciclicidad
[(f+gt)cos(2πt/p2)]:Componente de estacionalidad.
Por lo tanto, el modelo de programación matemática se resume de acuerdo a la expresión

(3.122)
n
min F   Dt  3.122 
t 1
Sujeto a :
 2. .t   2. .t   2. .t   2. .t 
Dt  Yt  a  bt  csen   dt .sen   f cos   g .t cos  para cada t  1,2 ,.., n
 p1   p1   p2   p2 
a , b , c , d , f , g , Dt  R para cada t  1,2 , , n
- 62 -
Para poder resolver el problema dado que la función objetivo es no lineal entonces se
sustituyen las variables de decisión “Dt” por la suma de dos variables positivas S t+ y St- para
cada t=1,2,..,n de tal manera, que de cada par de variables, una sola variable asuma valor
( donde una represente una desviación por encima y la otra una desviación por debajo del
valor estimado con respecto al valor real ) basado en la relación St+ . St-= 0 para cada
t=1,2,..,n de tal manera, que el modelo transformado se muestra según la expresión (3.123)
F    S t  S t 
n
min  3.123
t 1
Sujeto a :
 2. .t   2. .t   2. .t   2. .t 
S t  S t  a  bt  csen   dt .sen   f cos   g .t cos   Yt para cada t  1,2 ,.., n
 p1   p1   p2   p2 
a , b , c , d , f , g no restringidas
S t , S t  0 para cada t  1,2 , , n
- 63 -
3.1.5.4 Evaluación de la construcción de la función por las técnicas

mínimos cuadrados y programación lineal
Para comparar las técnicas de estimación del modelo de pronóstico propuesto, se diseño un
proceso experimental de diez replicas de simulación con ruido aleatorio en hoja electrónica en
donde se obtuvieron los resultados que se muestran en la tabla (3.23)
Ejemplo 3.10
Tabla 3.23
1 2 3 4
t Yt Yt Yt Yt Yt 5 Yt 6 Yt 7 Yt 8 Yt 9 Yt 10
1 114.02 124.26 113.78 120.67 105.71 116.33 115.57 118.27 114.37 130.12
2 124.31 137.74 131.42 134.83 115.42 127.83 125.27 130.52 117.95 118.55
3 122.28 115.77 106.80 125.40 119.77 128.96 129.01 120.97 126.93 129.81
4 123.25 104.61 128.67 121.49 131.82 112.69 124.54 139.32 114.65 133.14
5 119.07 113.70 109.71 122.89 118.35 118.58 126.25 105.87 103.40 108.16
6 109.42 122.72 129.31 112.11 110.17 119.30 101.57 100.58 125.76 112.47
7 116.85 118.90 115.96 108.05 109.00 85.84 97.87 111.40 117.88 107.61
8 130.89 113.13 122.09 113.25 127.08 107.65 122.69 136.52 121.34 93.59
9 99.04 120.20 114.50 134.37 112.69 130.45 118.02 119.55 115.38 144.10
10 141.86 128.68 129.88 131.07 133.29 130.42 113.75 122.53 128.70 115.96
11 133.89 134.12 135.75 156.45 140.76 141.24 131.97 146.35 138.27 121.15
12 153.49 131.04 150.99 163.08 133.11 150.38 148.73 115.81 122.03 156.86
13 145.65 133.76 141.59 138.95 163.46 146.91 133.40 139.76 144.45 130.76
14 147.51 139.68 140.04 148.60 137.50 159.98 144.84 134.97 141.34 141.14
15 142.00 139.24 140.50 126.60 123.64 149.03 151.05 119.25 135.14 136.21
16 149.33 104.57 127.15 121.12 135.51 111.75 121.16 133.34 107.53 131.17
17 120.12 108.92 127.81 112.44 115.14 118.01 124.09 117.92 102.63 120.43
18 110.13 122.93 96.67 110.35 115.98 129.15 134.23 127.56 108.26 108.45
19 97.57 136.37 112.56 120.67 104.23 116.86 110.81 101.77 124.98 116.04
20 98.91 126.56 97.28 129.68 111.30 118.10 124.41 134.02 106.49 121.64
21 115.72 118.26 89.61 117.01 124.97 148.15 121.06 112.92 142.83 123.47
22 124.82 147.73 143.52 150.91 134.09 144.61 127.79 125.95 150.19 133.70
23 165.69 151.32 153.71 148.82 153.16 142.50 155.37 154.84 154.17 162.40
24 178.74 131.18 177.57 160.04 184.09 183.40 155.76 170.85 157.51 165.35
Posteriormente se calcularon los parámetros por el método de los mínimos cuadrados como se
muestra en la tabla (3.24)
De tal manera que el sistema de ecuaciones a resolver es:
24.00.a +300.00. b +0.00. c +-44.78. d +0.00. f +12.00. g =h1

300.00. a +4,900.00. b +-44.78. c +-1,074.83. d +12.00. f +467.14. g= h2
0.00. a +-44.78. b +12.00. c +144.00. d +0.00. f +-10.39. g= h3
-44.78. a +-1,074.83. b +144.00. c +2,282.00. d +-10.39. f +-249.42. g=h4
0.00. a +12.00. b +0.00. c +-10.39. d +12.00. f +156.00. g= h5
12.00. a +467.14. b +-10.39. c +-249.42. d +156.00. f +2,618.00. g= h6
- 64 -
Se resolvió el sistema de ecuaciones para cada replica, (se utilizó Derive) dando como
resultado las siguientes estimaciones para los parámetros (Tabla 3.25):
Resultados de los parámetros por el método de los mínimos cuadrados. Tabla 3.25
replica N1 n2 n3 n4 n5 n6 n7 n8 n9 n10
a 119.351 118.428 121.474 124.273 115.701 113.089 112.9 117.60 115.788 114.816
b 0.87743 0.567375 0.54199 0.477764 0.985398 1.40147 1.16883 0.7323250 0.71922900 0.976529
c -5.33799 2.34576 -8.21432 -0.387326 -2.37859 5.93702 8.31001 1.08080 2.61259000 8.747050
d 1.42057 -0.290812 1.40479 0.101317 0.742593 0.1001702 0.170062 0.254290 -0.2715820 -0.08128880
f -3.32553 9.79887 -5.82873 10.5036 -6.52789 9.54 3.94494 1.037870 -2.7028500 4.349980
g 1.70737 -0.009988 1.81855 0.623034 1.75218 0.670934 0.547775 0.840924 1.2771 0.8414290
promedio desviación Limite inferior limite superior Valor real del

parámetro
A 117.342 3.64694807 114.594632 120.089368 118
B 0.844834 0.29530674 0.62236959 1.06729841 0.75
C 1.2715004 5.57695129 -2.9298029 5.4728037 1
D 0.35501094 0.62905491 -0.118877 0.82889897 0.3
F 2.079026 6.53746142 -2.8458616 7.0039136 2
G 1.00693078 0.60899705 0.548153 1.46570855 1
Así se puede apreciar que los parámetros estimados conforman un intervalo de confianza de
95 % de confianza que contiene el valor real de los parámetros, la función con el promedio de
los parámetros estimados por regresión se puede apreciar en la expresión (3.124)
 2. .t   2.
ˆ ( t )
Y  117 .342  0.844834.t  ( 1.2715004  0.35501094.t ) sen    ( 2.079026  1.00693078.t ) cos 
 12   12
(3.124)
De otra parte se estimaron los valores de los parámetros por programación lineal, (se utilizó el
método simplex del paquete (QSBWIN) la formulación se muestra en el tabla (3.26) y los
resultados en la tabla (3.27)
- 65 -
Los valores de los parámetros estimados por el método de la mínima distancia calculado con el
modelo de programación lineal se muestran en la tabla (3.28)
Estimación de los parámetros por Programación Lineal. Tabla 3.28

Replica N1 n2 n3 N4 n5 n6 n7 n8 n9 n10
a 118,6172 113,6283 126,4833 118,4954 110,6135 117,9934 118,9908 112,8698 116,5468 108,5258
b 0,8879 1,1966 0,1549 0,7065 0,9882 1,2899 0,7517 1,0481 0,5826 1,3474
c -3,1402 4,5068 -5,4544 8,018 5,4304 2,7831 3,2459 5,2778 3,2812 19,5048
d 1,1753 -0,0341 1,1204 -0,6453 0,1536 0,5938 0,4986 -0,1064 -0,6061 -0,7528
f -7,1138 8,0614 -14,8438 5,9758 -7,3517 6,0161 0,4108 1,1182 -5,8443 -2,6477
g 1,9134 0,2537 2,5039 0,7754 1,5394 0,8144 0,8955 0,9191 1,3676 1,1306
Replica Promedio desviación Limite inferior limite superior Valor real del
parámetro
A 116,27643 5,11784329 112,420988 120,131872 118
B 0,89538 0,36288322 0,62200798 1,16875202 0,75
C 4,34534 6,68514551 -0,6908029 9,38148295 1
D 0,1397 0,70152371 -0,3887811 0,66818119 0,3
F -1,6219 7,28896842 -7,1129228 3,86912288 2
G 1,2113 0,64566913 0,72489592 1,69770408 1
Es así como la función de pronóstico estimada por programación lineal es la expresión (3.125)
ˆ(t )   2. .t   2. .t 

Y 116 .2 7643  0.89 538  ( 4.34534  0.139 7t ) sen 
 12


 ( 1.621 9  1.211 3 t ) cos 
 12


(3.125)
Para comparar las dos técnicas se utilizó los siguientes criterios:
CRITERIO DESCRIPCIÓN
1 Suma de las desviaciones cuadráticas
2 Suma de las desviaciones absolutas
3 Máximo error absoluto
4 Coeficiente de correlación
Inicialmente se ilustra el proceso mostrando el modelo gráfico, en donde observan la curva

simulada y las curvas estimadas por los dos métodos de estimación, como se observa en la
figura 3.26, para tal efecto se utilizaron las funciones estimadas para ampliar el número de
observaciones a 48, con el fin de verificar la utilidad de dichas funciones para la obtención de
pronósticos.
Parece que al observar la gráfica que la curva de estimación por programación lineal ajusta
mejor que la estimada por el método de mínimos cuadrados, pero la diferencia entre los dos
métodos no es muy significativa.
- 66 -
Para el experimento de simulación se calcularon los criterios de comparación expuestos

anteriormente para cada una de las replicas como se muestra en la tabla 3.29. El resumen de
los resultados para el experimento de simulación se muestra en la tabla 3.30.
 CONCLUSIONES
Se puede concluir que la programación lineal es utilizable como una técnica de estimación de
parámetros para modelos de pronóstico con componente cíclico desarrollados por regresión
usando el criterio de la minimización de la suma absoluta del error. La técnica es de fácil y
rápida implementación, dadas las herramientas computacionales con que se cuenta en la
actualidad.
La diferencia en el ajuste de los modelos obtenidos por ambas técnicas no es significativa, ya
que el grado de representación del modelo cíclico basado en series de Fourier es muy similar,
para los criterios correspondientes a la suma de desviaciones absolutas, la suma de error
cuadrático, la máxima desviación absoluta y el coeficiente de correlación por esto, para
determinar la superioridad de una técnica sobre la otra se requiere de un proceso experimental
y de un análisis muy completo.
Para el modelo simulado al realizar una proyección más grande se observa que la función de
regresión obtenida por programación lineal parece que ajustara mejor a la luz de los resultados.
Se puede lograr otras formulaciones, si se toman otros criterios de decisión como por ejemplo
buscar la mínima desviación absoluta.
Tabla 3.24. Cálculos preliminares

Cálculos para estimar los parámetros de la simulación del modelo de pronóstico por el método
- 67 -
de los mínimos cuadrados para una de las replicas

y(t)
2
t t t .y(t) y(t).sen(2..t/p1) y(t).t.sen(2..t/p1) y(t).cos(2..t/p2) y(t).t.cos(2..t/p2) sen(2..t/p1) t.sen(2..t/p1) cos(2..t/p2) t2.sen(2..t/p1)
1.0 1.00 122. 122.4 61.21 61.21 106.01 106.01 0.50 0.50 0.87 0.50
2.0 4.00 123. 246.3 106.67 213.35 61.59 123.18 0.87 1.73 0.50 3.46
3.0 9.00 129. 388.3 129.44 388.33 0.00 0.00 1.00 3.00 0.00 9.00
4.0 16.0 103. 413.5 89.53 358.11 -51.69 -206.76 0.87 3.46 -0.50 13.86
5.0 25.0 114.8 574.1 57.41 287.05 -99.44 -497.18 0.50 2.50 -0.87 12.50
6.0 36.0 113.1 678.9 0.00 0.00 -113.16 -678.98 0.00 0.00 -1.00 0.00
7.0 49.0 128. 897.2 -64.09 -448.64 -111.01 -777.07 -0.50 -3.50 -0.87 -24.50
8.0 64.0 103. 829.5 -89.80 -718.42 -51.85 -414.78 -0.87 -6.93 -0.50 -55.43
9.0 81.0 116.4 1,048. -116.46 -1,048.12 0.00 0.00 -1.00 -9.00 0.00 -81.00
10. 100. 123. 1,237. -107.20 -1,072.03 61.89 618.94 -0.87 -8.66 0.50 -86.60
11.0 121. 122. 1,344. -61.13 -672.48 105.89 1,164.78 -0.50 -5.50 0.87 -60.50
12. 144. 134. 1,608. 0.00 0.00 134.06 1,608.77 0.00 0.00 1.00 0.00
13. 169. 139. 1,815. 69.82 907.69 120.94 1,572.17 0.50 6.50 0.87 84.50
14. 196. 155. 2,177. 134.71 1,885.93 77.77 1,088.84 0.87 12.12 0.50 169.74
15. 225. 132. 1,982. 132.16 1,982.39 0.00 0.00 1.00 15.00 0.00 225.00
16. 256. 129. 2,079. 112.57 1,801.11 -64.99 -1,039.87 0.87 13.86 -0.50 221.70
17. 289. 109. 1,868. 54.95 934.22 -95.18 -1,618.12 0.50 8.50 -0.87 144.50
18. 324. 108. 1,956. 0.00 0.00 -108.71 -1,956.86 0.00 0.00 -1.00 0.00
19. 361. 94.6 1,798. -47.34 -899.43 -81.99 -1,557.86 -0.50 -9.50 -0.87 -180.50
20. 400. 97.4 1,949. -84.42 -1,688.42 -48.74 -974.81 -0.87 -17.32 -0.50 -346.41
21. 441. 124. 2,623. -124.94 -2,623.82 0.00 0.00 -1.00 -21.00 0.00 -441.00
22. 484. 131. 2,902. -114.26 -2,513.73 65.97 1,451.30 -0.87 -19.05 0.50 -419.16
23. 529. 132. 3,045. -66.20 -1,522.71 114.67 2,637.42 -0.50 -11.50 0.87 -264.50
24. 576. 165. 3,979. 0.00 0.00 165.80 3,979.31 0.00 0.00 1.00 0.00
300 4,90 2,95 37,57 72.62 -4,388.43 187.83 4,628.44 0.00 -44.78 0.00 -1,074.83
S1 S6 H1 H2 H3 H4 H5 H6 S2 S3 S4 S7
SEN(2.T/P1) TSEN(2.T/P1). T2 SEN(2.T/P1)

SEN2(2..T/P1) T.SEN2(2..T/P1) T2.SEN2(2..T/P1) T.COS(2..T/P2) T2.COS(2..T/P2) COS2(2..T/P2) TCOS2(2..T/P2) T2 COS2 COS(2.T/P2) COS(2.T/P2) COS(2.T/P2)
(2..T/P2)
0.25 0.25 0.25 0.87 0.87 0.75 0.75 0.75 0.43 0.43 0.43
0.75 1.50 3.00 1.00 2.00 0.25 0.50 1.00 0.43 0.87 1.73
1.00 3.00 9.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.75 3.00 12.00 -2.00 -8.00 0.25 1.00 4.00 -0.43 -1.73 -6.93
0.25 1.25 6.25 -4.33 -21.65 0.75 3.75 18.75 -0.43 -2.17 -10.83
0.00 0.00 0.00 -6.00 -36.00 1.00 6.00 36.00 0.00 0.00 0.00
0.25 1.75 12.25 -6.06 -42.44 0.75 5.25 36.75 0.43 3.03 21.22
0.75 6.00 48.00 -4.00 -32.00 0.25 2.00 16.00 0.43 3.46 27.71
1.00 9.00 81.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.75 7.50 75.00 5.00 50.00 0.25 2.50 25.00 -0.43 -4.33 -43.30
0.25 2.75 30.25 9.53 104.79 0.75 8.25 90.75 -0.43 -4.76 -52.39
0.00 0.00 0.00 12.00 144.00 1.00 12.00 144.00 0.00 0.00 0.00
0.25 3.25 42.25 11.26 146.36 0.75 9.75 126.75 0.43 5.63 73.18
0.75 10.50 147.00 7.00 98.00 0.25 3.50 49.00 0.43 6.06 84.87
1.00 15.00 225.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.75 12.00 192.00 -8.00 -128.00 0.25 4.00 64.00 -0.43 -6.93 -110.85
0.25 4.25 72.25 -14.72 -250.28 0.75 12.75 216.75 -0.43 -7.36 -125.14
0.00 0.00 0.00 -18.00 -324.00 1.00 18.00 324.00 0.00 0.00 0.00
0.25 4.75 90.25 -16.45 -312.64 0.75 14.25 270.75 0.43 8.23 156.32
0.75 15.00 300.00 -10.00 -200.00 0.25 5.00 100.00 0.43 8.66 173.21
1.00 21.00 441.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.75 16.50 363.00 11.00 242.00 0.25 5.50 121.00 -0.43 -9.53 -209.58
0.25 5.75 132.25 19.92 458.13 0.75 17.25 396.75 -0.43 -9.96 -229.06
0.00 0.00 0.00 24.00 576.00 1.00 24.00 576.00 0.00 0.00 0.00
12.00 144.00 2,282.00 12.00 467.14 12.00 156.00 2,618.00 0.00 -10.39 -249.42
S9 S10 S13 S5 S8 S15 S16 S17 S11 S12 S14
Tabla 3.29. Cálculos de error de los métodos de regresión
- 68 -
Se calculan las desviaciones para los dos criterios y se determina el máximo error para una de las replicas
Y(t) Mínimos Mínima ERROR ERROR MC ERROR2 PL ERROR2 MC MAXIMO

Cuadrados Distancia PL ERROR
1 122.415407 119.681466 121.351446 1.0639607 2.73394088 1.1320125 7.47443272 2.73394088
2 123.175774 120.994956 123.175832 5.7457E-5 2.18081876 3.3013E-09 4.75597046 2.18081876
3 129.443157 121.055756 123.0674 6.3757572 8.38740078 40.65028 70.3484919 8.38740078
4 103.378128 119.431527 120.775556 17.397428 16.0533998 302.67052 257.711644 17.3974286
5 114.819223 116.458542 116.990345 2.1711221 1.63931929 4.71377142 2.68736773 2.17112216
6 113.16287 113.215581 113.1631 0.0002295 0.05271081 5.2672E-08 0.00277843 0.05271081
7 128.183208 111.196754 111.02634 17.156867 16.9864534 294.358097 288.539599 17.1568673
8 103.695593 111.781127 111.965996 8.27040236 8.08553425 68.3995553 65.3758641 8.27040236
9 116.457923 115.676119 116.458 7.7324E-05 0.78180368 5.979E-09 0.611217 0.78180368
10 123.787801 122.533924 123.771671 0.01613003 1.25387773 0.00026018 1.57220936 1.25387773
11 122.269776 130.895741 132.064669 9.79489303 8.62596515 95.9399295 74.4072747 9.79489303
12 134.064084 138.518663 138.8711 4.80701622 4.4545791 23.1074049 19.8432749 4.80701622
13 139.645293 143.014779 141.853474 2.20818113 3.36948602 4.8760639 11.3534361 3.36948602
14 155.549139 142.621039 139.592577 15.9565616 12.9280991 254.611858 167.135746 15.9565616
15 132.159204 136.858753 132.1598 0.00059583 4.69954883 3.5502E-07 22.0857592 4.69954883
16 129.983742 126.85587 121.267101 8.71664103 3.12787208 75.9798309 9.78358378 8.71664103
17 109.908454 115.193718 109.909117 0.00066268 5.28526343 4.3915E-07 27.9340096 5.28526343
18 108.714538 105.279332 101.5663 7.14823755 3.43520514 51.0973001 11.8006344 7.14823755
19 94.6767366 100.394425 99.1811124 4.50437584 5.71768892 20.2894017 32.6919666 5.71768892
20 97.4812581 102.686028 104.206051 6.72479251 5.20476981 45.2228343 27.0896288 6.72479251
21 124.943577 112.404107 116.0224 8.92117725 12.5394707 79.5874035 157.238325 12.5394707
22 131.936791 127.640565 131.936926 0.00013578 4.29622553 1.8436E-08 18.4575538 4.29622553
23 132.409941 144.691549 147.802697 15.3927556 12.2816083 236.936926 150.837902 15.3927556
24 165.804603 158.985896 159.1247 6.67990269 6.81870677 44.6210999 46.4947621 6.81870677
Suma de desviación absoluta 143.307961 150.939748
Suma de error cuadrático 1644.19455 1476.23343
Máximo error absoluto 17.3974286 16.9864534
Coeficiente de correlación 0.97860315 0.963126441
- 69 -
TABLA 3.27 Resultados del problema simulado por programación lineal
Informe de salida QSB para una de las replicas
Tabla
Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable
3.27
Variable Value Profit c(j) Contribution Cost Status Min. c(j) Max. c(j)
1 S1+ 1,064 1 1,064 0 basic -0,2617 1,3799

2 S2+ 0 1 0 1,3265 at bound -0,3265 M
3 S3+ 6,3759 1 6,3759 0 basic 0,6333 1,8498
4 S4+ 0 1 0 2 at bound -1 M
5 S5+ 0 1 0 2 at bound -1 M
6 S6+ 0 1 0 0,1892 at bound 0,8108 M
7 S7+ 17,1571 1 17,1571 0 basic 0,741 3,4782
8 S8+ 0 1 0 2 at bound -1 M
9 S9+ 0 1 0 0,8978 at bound 0,1022 M
10 S10+ 0,0162 1 0,0162 0 basic 0,1266 1,4814
11 S11+ 0 1 0 2 at bound -1 M
12 S12+ 0 1 0 2 at bound -1 M
13 S13+ 0 1 0 2 at bound -1 M
14 S14+ 15,957 1 15,957 0 basic -0,3476 1,0888
15 S15+ 0 1 0 1,8944 at bound -0,8944 M
16 S16+ 8,7173 1 8,7173 0 basic -1 1,1842
17 S17+ 0 1 0 1,5023 at bound -0,5023 M
18 S18+ 7,1488 1 7,1488 0 basic 0,8136 1,3655
19 S19+ 0 1 0 2 at bound -1 M
20 S20+ 0 1 0 2 at bound -1 M
21 S21+ 8,9213 1 8,9213 0 basic 0,8444 1,7138
22 S22+ 0 1 0 0,1899 at bound 0,8101 M
23 S23+ 0 1 0 2 at bound -1 M
24 S24+ 6,6803 1 6,6803 0 basic 0,7611 1,0617
25 S1- 0 1 0 2 at bound -1 M
26 S2- 0 1 0 0,6735 at bound 0,3265 M
27 S3- 0 1 0 2 at bound -1 M
28 S4- 17,3972 1 17,3972 0 basic -0,2374 1,209
29 S5- 2,1709 1 2,1709 0 basic -0,5948 1,1762
30 S6- 0 1 0 1,8108 at bound -0,8108 M
31 S7- 0 1 0 2 at bound -1 M
32 S8- 8,2703 1 8,2703 0 basic -0,4063 1,5243
33 S9- 0 1 0 1,1022 at bound -0,1022 M
34 S10- 0 1 0 2 at bound -1 M
35 S11- 9,7948 1 9,7948 0 basic 0,8037 2,0138
36 S12- 4,8068 1 4,8068 0 basic 0,8795 1,9469
37 S13- 2,2079 1 2,2079 0 basic 0,9064 1,9145
38 S14- 0 1 0 2 at bound -1 M
39 S15- 0 1 0 0,1056 at bound 0,8944 M
40 S16- 0 1 0 2 at bound -1 M
41 S17- 0 1 0 0,4977 at bound 0,5023 M
42 S18- 0 1 0 2 at bound -1 M
43 S19- 4,5039 1 4,5039 0 basic 0,6584 1,111
44 S20- 6,7245 1 6,7245 0 basic 0,5937 1,1045
45 S21- 0 1 0 2 at bound -1 M
46 S22- 0 1 0 1,8101 at bound -0,8101 M
47 S23- 15,3926 1 15,3926 0 basic 0,879 1,1942
48 S24- 0 1 0 2 at bound -1 M
49 a 118,7895 0 0 0 basic 0 0,5298
50 b 0,3607 0 0 0 basic 0 5,9822
51 c 2,0048 0 0 0 basic 0 0,3047
52 d 0,397 0 0 0 basic 0 16,0668
53 f -0,172 0 0 0 at bound 0 M
54 g 1,3271 0 0 0 basic 0 2,9623
- 70 -
TABLA 3.26 Formulación del problema lineal simulado

Datos de entrada para el QSB para una de las replicas
MINIMIZAR=1S1++S2++1S3++1S4++1S5++1S6++1S7++1S8++1S9++1S10++1S11++1S12++1S13++1S14++1S15++1S16++1S17+
+1S18++1S19++1S20++1S21++1S22++1S23++1S24++1S1-+1S2-+1S3-+1S4-+1S5-+1S6-+1S7-+1S8-+1S9-+1S10-+1S11-
+1S12-+1S13-+1S14-+1S15-+1S16-+1S17-+1S18-+1S19-+1S20-+1S21-+1S22-+1S23-+1S24-
S.A.
1S1+-1S1-+1A+1B+0.5C+0.5D+0.8660254F+0.8660254G=122.4154
1S2+-1S2-+1A+2B+0.8660254C+1.732051D+0.5F+1G=123.1758
1S3+-1S3-+1A+3B+1C+3D+F+G=129.4432
1S4+-1S4-+1A+4B+0.8660254C+3.464102D-0.5F-2G=103.3781
1S5+-1S5-+1A+5B+0.5C+2.5D-0.8660254F-4.330127G=114.8192
1S6+-1S6-+1A+6B+C+D-1F-6G=113.1629
1S7+-1S7-+1A+7B-0.5C-3.5D-0.8660254F-6.062178G=128.1832
1S8+-1S8-+1A+8B-0.8660254C-6.928203D-0.5F-4G=103.6956
1S9+-1S9-+1A+9B-1C-9DF-1.65395E-15G=116.4579
1S10+-1S10-+1A+10B-0.8660254C-8.660254D+0.5F+5G=123.7878
1S11+-1S11-+1A+11B-0.5C-5.5D+0.8660254F+9.526279G=122.2698
1S12+-1S12-+1A+12BC-2.94036E-15D+1F+12G=134.0641
1S13+-1S13-+1A+13B+0.5C+6.5D+0.8660254F+11.25833G=139.6453
1S14+-1S14-+1A+14B+0.8660254C+12.12436D+0.5F+7G=155.5491
1S15+-1S15-+1A+15B+1C+15D+1.19447E-15F+1.7917E-14G=132.1592
1S16+-1S16-+1A+16B+0.8660254C+13.85641D-0.5F-8G=129.9837
1S17+-1S17-+1A+17B+0.5C+8.5D-0.8660254F-14.72243G=109.9085
1S18+-1S18-+1A+18B+C+6.6158E-15D-1F-18G=108.7145
1S19+-1S19-+1A+19B-0.5C-9.5D-0.8660254F-16.45448G=94.67673
1S20+-1S20-+1A+20B-0.8660254C-17.32051D-0.5F-10G=97.48125
1S21+-1S21-+1A+21B-1C-21DF-9.00484E-15G=124.9436
1S22+-1S22-+1A+22B-0.8660254C-19.05256D+0.5F+11G=131.9368
1S23+-1S23-+1A+23B-0.5C-11.5D+0.8660254F+19.91858G=132.4099
1S24+-1S24-+1A+24BC-1.17614E-14D+1F+24G=165.8046
A, B, C, D, F, G NO RESTRINGIDAS
- 71 -
Tabla 3.30. Comparación de métodos por medio de índices
La comparación se realiza utilizando los criterios mas comunes de selección de técnicas de

pronósticos para cada replica.
1 2 3 4 5
PL RL PL RL PL RL PL RL PL RL
Suma de las
desviaciones 138.7935 145.2364 176.0074 177.6490 167.9707 177.891 137.7752 152.4716 151.4319 159.0090
absolutas
Máxima
desviación 20.13540 20.76533 25.57538 16.11963 22.04982 21.95714 21.85155 15.55206 25.31936 17.22634
absoluta
Correlación 0.918453 0.922049 0.639535 0.694463 0.866657 0.887089 0.846160 0.880026 0.891817 0.904897
Suma del
cuadrado del 1595.648 1525.712 2743.661 1917.938 2409.593 1999.884 1846.500 1422.850 2227.585 1514.071
error
6 7 8 9 10
PL RL PL RL PL RL PL RL PL RL
Suma de las
desviaciones 182.4198 196.2899 156.3368 167.2016 225.5528 235.5754 153.2246 162.2511 161.3119 178.6459
absolutas
Máxima
desviación 27.9976 21.4105 18.2389 14.0964 23.3310 21.7070 18.6076 15.0137 36.1802 27.9413
absoluta
Correlación 0.8420 0.8604 0.8131 0.8415 0.6788 0.6900 0.8420 0.8625 0.7907 0.8248
Suma del
cuadrado del 2973.692 2494.494 1826.411 1569.353 3527.263 3311.525 1780.532 1564.900 2746.554 2285.712
error
- 72 -
Figura 3.26. COMPARACIÓN PRONÓSTICOS MÍNIMOS CUADRADOS Vs.

PROGRAMACIÓN LINEAL.
FIGURA 3,26, COMPARACION PRONÓSTICO MINIMOS CUADRADOS-

PROGRAMACIÓN LINEAL
250,00000
200,00000
150,00000
DEMANDA
Yt
PL
RL
100,00000
50,00000
0,00000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
TIEMPO
Comparación de pronósticos obtenidos utilizando programación lineal con el criterio de

minimización de la suma de las desviaciones absolutas o error absoluto y los obtenidos con
regresión clásica con el criterio de la minimización de la suma de los cuadrados del error
- 73 -
3.1.6 Evaluación y análisis del Error de Pronóstico
Cuando en el proceso de estimación del modelo de pronóstico se tienen varias alternativas, se

necesita de algún procedimiento para la medición de la efectividad de los modelos, es así como
el proceso de medición del error es un enfoque práctico para decidir si un modelo es
representativo o no de una situación en particular.
El error de pronóstico para un período “t” se define como la diferencia entre el valor real y el
valor estimada para ese periodo.
La suma de los errores no es valida para medir la efectividad de un modelo de pronóstico,
debido a que existen diferencias positivas y negativas y dicha suma debe tender
aproximadamente a cero (0)
 et   Y  t   Yˆ  t    0
n n
t 1 t 1
Entonces para medir el error de pronóstico existen varias alternativas que permiten analizar la
desviación del modelo con respecto a la realidad.
1. La desviación media Absoluta (Mean Absolute Deviation “MAD”)

n
 Y  t   Yˆ  t  (3.126)
MAD  t 1
n
2. El error cuadrado medio (Mean Square Error “MSE”)
 Y  t   Yˆ  t  
n
2
(3.127)
MSE  t 1
n
3. El error Porcentual medio Absoluto (Mean Absolute Porcentual “MAP”)
100  Y  t   Yˆ  t  
MAP    (3.128)
n  Y t 
 Señal de Rastreo
Una señal de rastreo (tracking signal, TS) es una herramienta de control que permite evaluar
que tanto se esta manteniendo los cambios de la demanda. La señal de rastreo se calcula
mediante la suma aritmética de las desviaciones de las proyecciones dividida entre la
desviación media absoluta, como se muestra en la expresión (3.129).
RSFE
TS  (3.129)
MAD
Donde:
- 74 -
RSFE (“Running Sum Forecast Errors”) es la suma continua de los errores de proyección,
considerando el signo del error de la observación y el signo del valor acumulado, es decir los
valores negativos disminuye el valor acumulado positivo y viceversa una desviación acumulada
negativa disminuye su magnitud con la adición de una cantidad positiva.
MAD (“Mean Absolute Deviation”) Es el promedio de todos los errores de proyección

(independientemente sean desviaciones positivas o negativas).
Para ilustrar el procedimiento y el cálculo de la señal de rastreo considérese el ejemplo 3.6
En la tabla 3.13, se mostró los cálculos para pronosticar la demanda de un producto con un
promedio móvil de tres periodos, también se mostró el error del pronóstico, la demanda real y la
pronosticada.
En la tabla 3.31 se ilustra el cálculo de la señal de rastreo del ejemplo 3.6
Tabla 3.31.
Cálculos de la Desviación media absoluta (MAD) y la señal de rastreo (TS) del Ejemplo 3.6
Pronóstico Demanda Desviación Señal

de tres real Error de Suma de las de
Desviación *
Periodo periodos Dt pronóstico RSFE Absoluta
Desviaciones MAD Rastreo
Ft Ft  Dt absolutas TS
1 19.00 16 +3.00 3.00 3.00 3.00 3.00 1.00

2 20.33 30 -9.67 -6.67 9.67 12.67 6.34 -1.05
3 24.33 25 -0.67 -7.34 0.67 13.34 4.45 -1.65
4 23.66 18 +5.66 -1.68 5.66 19.00 4.75 -0.35
5 24.33 22 +2.33 0.65 2.33 21.33 4.27 0.15
6 21.66 25 -3.34 -2.69 3.34 24.67 4.11 -0.65
7 21.66 30 -8.34 -11.03 8.34 33.01 4.72 -2.34
8 25.66 25 +0.66 -10.37 0.66 33.67 4.21 -2.46
9 26.66 20 +6.66 -3.71 6.66 40.33 4.48 -0.83
10 25.00 15 +10.00 6.29 10.00 50.33 5.03 1.25
11 20.00 12 +8.00 14.29 8.00 58.33 5.30 2.70
12 15.66 19 -3.34 10.95 3.34 61.67 5.14 2.13
13 15.33 22 -6.67 4.28 6.67 68.34 5.26 0.81
14 17.66 28 -10.34 -6.06 10.34 78.68 5.62 -1.84
15 23.00 25 -2.00 -8.06 2.00 80.68 5.38 -1.50
16 25.00 20 +5.00 -3.06 5.00 85.68 5.36 -0.57
17 24.33 16 +8.33 5.27 8.33 94.01 5.53 0.95
Se puede comprender mejor el significado de la MAD y la señal de rastreo representando los

puntos en una gráfica. Los valores de la señal de rastreo se muestran en la figura 3.27.En el
gráfico se muestra el desplazamiento de la señal de rastreo.
Los límites aceptables de la señal de rastreo dependen del tamaño de la demanda que se está
proyectando
- 75 -
TS
11.002-
1.053-
1.654-
0.3550.156
5 -0.657-
2.348-
4 2.469-
0.83101.25
3 112.70122.
13130.8114
2 -1.8415-
1.5016-
1 0.57170.95
0
 3MAD
-1
-2
-3
-4
t
1 2 3 4 5 6 7 8 10 12 14 16 18
Figura 3.27 Señal de

Rastreo del Ejemplo 3.6
 Comparación y Control de Pronóstico
El punto hasta el cual una ecuación se ajusta a una tendencia se valora por medio del error
estándar de la estimación S y . Esta medida de la dispersión de los datos reales alrededor de
la línea de los puntos pronosticados se calcula como:
 Y  t   Yˆ  t  
2
(3.130)
Sy 
v
En donde:
Y  t  : Datos históricos, t  1,2 , , n
- 76 -
Ŷ  t  : Ajuste estimado o datos pronosticados t  1,2 , , n

v : Número de grados de libertad.
Antes de emplear S y , deben evaluarse suposiciones incluidas en los cálculos, primero se
supone que el valor pronosticado Ŷ  t  es la media de todas las observaciones Y asociadas
a un determinado punto en el tiempo, t .Luego se supone que los valores Y asociados con
cada t tienen la misma distribución y varianzas iguales, como se muestra en la figura 3.28.
La estimación de la varianza verdadera    2

es S y . Mientras más observaciones se hagan
2
mejor será la apreciación. Cuando el número es alrededor de 30, se supone que se tiene una
estimación normal distribuida. Bajo esta suposición se espera que el 95% de las observaciones
caigan entre más o menos dos errores estándar de la media, Yˆ  t   2 S y .Con un número
menor a los 30 puntos por lo general se utiliza la distribución t , de Student es más apropiada
para representar los datos. Esta suposición amplía la banda que contiene el 95% de las
observaciones. Por ejemplo si se tiene una predicción de línea recta con 15 observaciones,
entonces se emplearía 13 grados de libertad en el cálculo de S y , a partir de la tabla t de
Student, se encuentra que la banda del 95% es Yˆ  t   2.1604 S unidades de amplitud.
y
El error estándar de la estimación proporciona una medida razonable de la relación de la línea

ajustada a los datos del pasado. Por si misma, no mide confiablemente qué tan bien se ajustará
a la línea del futuro. Hay que usar un buen criterio. Para hacer más fácil la aplicación del
criterio, se pueden graficar los datos existentes y los nuevos. El patrón resultante, interpretado
con respecto a los límites de control del error común, proporciona una clave para encontrar el
valor sostenido de la ecuación del pronóstico.
 32
 12 Y2
Y  t   a  bt
 02 Y1  32
Y0
 12
 02
t0 t1 t2
t
Figura 3.28
- 77 -
Ejemplo 3.11
Para ilustrar los gráficos de control de un modelo de pronóstico considérese el ejemplo que se
muestra en la tabla 3.32. Utilizando los modelos constante y lineal como se muestra a
continuación
Tabla 3.22. Datos del ejemplo 3.11

t 1 2 3 4 5 6 7 8 9 10
Y t 540 545 554 559 563 568 573 577 580 582
 Modelo constante
Inicialmente se utiliza el modelo constante para realizar los cálculos respectivos.
Y ( t )
Yˆ  t   a  t 1
 564.1
n
t Y t Ŷ  t  Y  t   Yˆ  t  Y  t   Yˆ  t   2
1 540 564.1 -24.1 580.81

2 545 564.1 -19.1 364.81
3 554 564.1 -10.1 102.01
4 559 564.1 -5.1 26.01
5 563 564.1 -1.1 1.21
6 568 564.1 3.9 15.21
7 573 564.1 8.9 79.21
8 577 564.1 12.9 166.41
9 580 564.1 15.9 252.81
10 582 564.1 17.9 320.41
Sumas 5641 5641 0 1908.9
 Y  t   Yˆ  t  
n 2
1908.9
Sy  t 1
  14.564
n1 9
 Modelo lineal
Se aplica el método de los mínimos cuadrados y se obtiene el siguiente modelo de regresión:
Yˆ  t   537.933  4.7575 t 
t Y t Ŷ  t  Y  t   Yˆ  t  Y  t   Yˆ  t   2
1 540 542.691 -2.691 7.2415

2 545 547.448 -2.448 5.9927
- 78 -
3 554 552.206 1.794 3.2184

4 559 556.963 2.037 4.1494
5 563 561.721 1.279 1.6358
6 568 566.478 1.522 2.3165
7 573 571.236 1.764 3.1117
8 577 575.993 1.007 1.0140
9 580 580.751 -0.751 0.5640
10 582 585.508 -3.508 12.3061
Suma 5641 5641 0 41.55
 Y  t   Yˆ  t  
n 2
41.55
Sy  t 1
  2.279
n 1 8
Nótese que los grados de libertad para el pronóstico del modelo constante son de 10-1=9,
mientras que para el modelo lineal inclinado los grados de libertad son de 10-2=8 grados de
libertad. La diferencia se explica por el número de parámetros que utiliza cada modelo, la
constante del término independiente no aparece en la línea horizontal.
Se observa que la línea inclinada se ajusta mejor a los datos del ejemplo que el modelo
constante, de igual manera para otro problema podría ajustar mejor otro modelo.
Se ilustran dos diagramas en las figuras 3.29 y 3.30, ambos están elaborados en función de
nivel para incluir el 95% de los datos.
El alcance descriptivo de un determinado porcentaje de los datos es una función del tipo de
distribución y su desviación estándar, se ha calculado la estimación de la desviación estándar,
S y y de ha supuesto que la distribución t de Student es la distribución apropiada debido a la
cantidad limitada de datos. Las escalas respectivas a partir de la tabla de valores de la
distribución t de Student son:
 2.2622 S y  32 , 9467 Para el pronóstico de promedio simple

 2.3060 S y  5 , 2553 Para el pronóstico de mínimos cuadrados
Los límites de control estadístico basados en los cálculos del error estándar pueden emplearse
en diferentes formatos del diagrama de control.
En la figura 3.29 las observaciones reales están marcadas tal como suceden. Si la línea
ajustada no es horizontal (inclinada o en forma de curva), los límites de control se establecen
paralelamente a la pendiente o a la curva. Otra versión es la que aparece en el figura 3.30 en
 
ella se muestra las desviaciones acumulativas Y  t   Yˆ  t  de los valores reales con respecto
a los valores predichos.
 Correlación
Un examen de correlación examina el grado de relación que existe entre las variables, la
determinación del error es el primer paso para medir la correlación entre los datos.
La correlación no está limitada únicamente al análisis de series de tiempo, puede aplicarse al

análisis de cualquier modelo de regresión en donde se relacionen variables.
- 79 -
La correlación simple expresa la relación entre dos variables, la correlación múltiple mide la
relación entre más de dos variables.
El índice de correlación es la raíz cuadrada del coeficiente de determinación así:
 Y  t   Y  t  
2
r  1 t 1
(3.131)
 Y  t   Y 
n
2
t 1
El valor bajo el radical nunca puede ser mayor que 1 ni menor que cero. Sin embargo, debido a
que el radical tiene raíces positivas y negativas el valor de r está entre -1 y 1. El signo más o
menos indica solamente la dirección de la pendiente de la línea de regresión, cuando r =1,
todos los puntos recaen sobre la línea de regresión con pendiente positiva. Cuando r esta entre
+1 y 0, la línea de regresión aún tiene pendiente positiva, pero los puntos caen sobre cualquier
lado de la línea. Mientras más se aproximen alrededor de la línea, r acerca más a 1.
Cuando se posee gran cantidad de datos, r se puede calcular según la expresión (3.132)
n n n
n tY  t    t  Y  t 
r t 1
2
t 1 t 1
2 (3.132)
n
 n   n 
n t    t 
2
nY  t     Y  t  
2
t 1  t 1   t 1 
- 80 -
Y t
600 15402545355445
  
59556365687573
595 8577958010582
Y t  2.2622 S y  597 , 04
590
585
580
575
570
564.1
560
555
550
545
  
540
Y t  2.2622 S y  531 ,15
t
1 2 3 4 5 6 7 8 9 10 11
Figura 3.29. Diagrama de control para el pronóstico de promedio simple
- 81 -
Y  t  Yˆ  t 
5. 0  2.3060 Sy
4. 0
 3 ,1.794   4 ,2.037   7 ,1.764 

3. 0
2. 0
1. 0
 5 ,1.279   6 ,1.522   8 ,1.007 
0. 0
 6 ,1.522 
-1. 0
-2. 0
-3. 0  1 ,2.691  2 ,2.448 

 10 ,3..508 
-4. 0
-5. 0  2.3060 Sy
t
1 2 3 4 5 6 7 8 9 10 11
Figura 3.30
- 82 -
REFERENCIAS
[1] Adam E.,Ebert R. Jr. Administración de la producción y las Operaciones. Prentice Hall.
Mexico. 1991
[2] Schroeder R. G., Administración de Operaciones, México : Mc GRAW-HILL, Tercera
Edición,1992
[3] Sneddon I.N., Fourier Series,The Free Press,Glencoe, III.,1961.
[4] Bowman E. H., “Production Scheduling by the Transportation Method of Linear
Programming” Operations Research, 3, no. 1, 1956.
[5 Walpole R. E., et al. “Probability and Statistics for Engineers and Scientists” . Prentice Hall,
Inc. 1998
[6] Bedworth D. D.,Bailey J. E., Integred Production Control Systems, John Wiley & sons, Inc.
1995.
[7] Buffa E., and Miller J. G., Production Inventory Systems : Planning and Control.
Homewood, IL : Richard d. Irwin, 1979.
[8] Johnson, L.A., and Montgomery D.C., Operations Research in Production Planning,
Scheduling and Inventory Control. New York : John Wiley & Sons.,1974.
[9] Silver E., Decision Sistems for Inventory Management and Production Planning. New York :
John Wiley & Sons. Second Edition, 1985
[10] Rios Insua S., et al. Programación lineal y aplicaciones. Editorial RA-MA, Madrid
España, 1998
- 83 -

Capítulo de Pronósticos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capítulo de Pronósticos

Cargado por

Copyright:

Formatos disponibles

3. PRONÓSTICOS......................................................................................................................................

Los procesos de planeación y programación de actividades de un sistema de producción

adicional, con la provisión de inventario, la reprogramación de pedidos y con estrategias para

3.1 MARCO TEÓRICO DE LOS PRONÓSTICOS

El propósito de los pronósticos y de la administración de la demanda es controlar y coordinar

Existen dos tipos de demanda, la demanda independiente, la que depende directamente de

De los diferentes métodos y técnicas de pronósticos se pueden clasificar en aquellas cuya

la estacionalidad, la tendencia, la ciclicidad y la aleatoriedad, teniendo a disponibilidad un gran

Las técnicas de análisis de la demanda dependiente se aborda con herramientas de naturaleza

Es importante mencionar que métodos y técnicas como la simulación, la inteligencia artificial

A continuación se mencionan y se explican algunos modelos, métodos y técnicas de

Métodos Exactitud Identificación

3.1.1.1 Formulas de Interpolación de Gregory – Newton

Las formulas de interpolación de Gregory – Newton son utilizadas para la interpolación e

 f   f   f (La enésima diferencia hacia atrás de f(t) en el período i)

Tabla 3.4. Demanda anual para el producto

Tabla 3.5. Cálculo de las diferencias hacia delante

Tabla 3.6. Cálculo de las diferencias hacia atrás

t  t  1 2 t  t  1 t  2 3 t  t  1 t  2 t  3 4

Por lo tanto para estimar el valor del período 5 se tiene:

f  5  150 Miles de unidades.

Si se utiliza la ecuación (3.2) se tiene:

Para estimar el valor pronosticado corresponde al periodo 1 se tiene:

f 1  150 Miles de unidades.

Lo cual es idéntica la estimación obtenida de la ecuación (3.3)

3.1.2 Análisis de Tendencia por Regresión

La ecuación de estimación de tendencia más general que se usa para un pronóstico es el

Yˆ ( t )  a Modelo Constante (3.5)

log Y  t   a  b log t Modelo Logarítmico cúbico (3.11)

Yˆ ( t )  a  bt  ct 2  dt 3 Modelo Cúbico (3.12)

3.1.2.1 Modelo constante

Luego el procedimiento de regresión consiste en encontrar los coeficientes de ajuste que

Resolviendo para a se tiene la expresión (3.16)

Considérese los datos del ejemplo anterior:

Tabla 3.4. Demanda anual para el producto

Aplicando la ecuación (3.16) se tiene:

3.1.2.2 Modelo Lineal

Si se considera un conjunto de datos que presentan o no desviaciones debido a factores

Y(t):Valor observado de la función o variable dependiente.

t :Tiempo o variable independiente.

Si se asume que  (t ) es normalmente e independiente distribuido con media ˆ (t )  0 y

Derivando con respecto a b

Sustituyendo (3.19) en (3.20) se tiene:

Y (t) t  b(n t  ( t) )  n tY (t)

Sustituyendo (3.21) en (3.19) se tiene:

Si se toma como base los datos de la tabla 3.1

Tabla 3.1. Demanda anual para el producto

Tabla 3.7.Datos para el modelo Lineal

( 845) ( 30) - ( 10 ) ( 1790) ( 5) ( 1790 ) - ( 845) ( 10)

Por lo tanto la función de pronóstico es:

Y, el valor estimado para el siguiente período será:

3.1.2.3 Modelo Cuadrático

Despejando en (3.27) el valor de a se tiene:

Reemplazando (3.30) en (3.28) se tiene:

Y reemplazando (3.30) en (3.29)

Desarrollando (3.31) y (3.32) se tiene:

Despejando c en (3.33) y (3.34)

Igualando (3.35) y (3.36)

En cada uno de los factores de la ecuación (3.38) y se despeja b se obtiene

Reemplazando (3.39) a (3.43) en (3.35) se tiene:

Posteriormente se calcula el valor de a sustituyendo los valores de by c estimados en la

Considérese la demanda de un producto a lo largo de ocho (8) períodos, cuyos datos se

Tabla 3.8. Demanda periódica para el producto

Tabla 3.9. Estimación de datos del ejemplo 3.8