03 Proyección de La Demanda PDF

1
Objetivos de aprendizaje
•  Identificar o definir:
–  Pronóstico
–  Tipos de pronóstico
–  Horizontes temporales
–  Enfoques del pronóstico
•  Describir o explicar:
–  Medias móviles
–  Alisado exponencial
–  Proyecciones de tendencia
–  Análisis de regresión y correlación
–  Medidas de precisión del pronóstico
2
ü  El punto de inicio de prácticamente todos los
sistemas de planificación se da a partir de la
demanda real o esperada de los clientes.
ü  En casi todos los casos el tiempo necesario para

generar y entregar el producto o servicio excederá la
expectativa del cliente.
ü  Para evitar que esto suceda, la producción tendrá

que dar principio antes de que se conozca la
demanda real del consumidor.
ü  La producción deberá iniciar a partir de la demanda

esperada, es decir, de un pronóstico de la
demanda.
3
¿Qué es el pronóstico?
Ø  Arte y ciencia de
predecir
acontecimientos ¡Venderá 200
futuros. millones de
pesos!
Ø  Base de todas las

decisiones
empresariales:
§  Producción.
§  Inventario.
§  Personal.
§  Instalaciones.
4
Tipos de horizontes temporales del pronóstico
•  Pronóstico a corto plazo:
–  Cobertura de hasta un año, generalmente inferior a
los tres meses.
–  Programación de trabajos, asignación de tareas.
•  Pronóstico a medio plazo:

–  Entre tres meses y tres años.
–  Planificación de las ventas, de la producción y del
presupuesto.
•  Pronósticos a largo plazo:

–  Periodos superiores a tres años.
–  Planificación de nuevos productos, localización de
las instalaciones.
5
Pronósticos a corto plazo frente a
pronósticos a largo plazo
•  Los pronósticos a medio y largo plazo tratan
de asuntos más extensos, y apoyan las
decisiones de gestión que conciernen a la
planificación y los productos, las plantas y los
procesos.
•  Los pronósticos a corto plazo normalmente

emplean metodologías diferentes a las
utilizadas en los pronósticos a largo plazo.
•  Los pronósticos a corto plazo tienden a ser

más exactos que los realizados a largo plazo.
6
La influencia del ciclo de vida del
producto
•  Las etapas de introducción y crecimiento

necesitan pronósticos más largos que los de
madurez y declive.
•  Las pronósticos son útiles para proyectar

–  los diferentes niveles de personal
–  los diferentes niveles de inventarios
–  los diferentes niveles de capacidad de
producción
mientras el producto pasa de la primera a la
última etapa.
7
Estrategia durante el ciclo de vida de un
producto
Introducción Crecimiento Madurez Declive
Mejor periodo para aumentar Buen momento para cambiar Mal momento para cambiar la Es vital controlar el
la cuota de mercado el precio o la imagen de imagen, el precio o la calidad costo
Es vital planear la I + D calidad Los costos competitivos son
Fortalecer el segmento de ahora muy importantes
Estrategias de la
mercado Defender la posición en el

compañía
mercado Fax
Disquetes
Restaurantes para de 3 1/2”
CD-ROM comer en el coche
Ventas
Impresoras a Internet Furgoneta
s
color
HDTV
La planificación y desarrollo del EL pronóstico es muy Estandarización Poca diferenciación del

producto son vitales importante Cambios de producto menos producto
rápidos; más cambios
Estrategias de la
Cambios frecuentes en Fiabilidad del producto y Minimización de costos

proceso minuciosos
planificación del producto y
Capacidad óptima Sobrecapacidad en la
proceso Posibilidades y mejoras del
DO
producto competitivas industria

Lotes de producción pequeños Estabilidad creciente del
Aumento de la capacidad proceso de producción Eliminación de productos
Altos costos de producción que no proporcionan un
Cambio de tendencia para Grandes lotes de producción
Número de modelos limitado centrarse en el producto margen aceptable
Mejora del producto y
Atención a la calidad Atención a la distribución reducción de costos Reducción de capacidad
8
Tipos de pronósticos
•  Pronósticos económicos:
–  Dirigidos al ciclo empresarial, por ejemplo, las
tasas de inflación, la masa monetaria, etc.
•  Pronósticos tecnológicos:
–  Predicen el progreso tecnológico.
–  Predicen el nacimiento de nuevas ventas.
•  Pronósticos de demanda:
–  Predicen las ventas ya existentes.
9
Siete etapas en el sistema de pronóstico
•  Determinar la utilización del pronóstico.

•  Seleccionar los artículos en los que se va
a realizar el pronóstico.
•  Determinar el horizonte temporal del
pronóstico.
•  S e l e c c i o n a r e l ( l o s ) m o d e l o ( s ) d e
pronóstico.
•  Recogida de datos.
•  Realizar el pronóstico.
•  Validar e implementar los resultados.
10
Demanda de un producto representada en
un periodo de 4 años con tendencia de
crecimiento y estacionalidad
Demanda del producto o servicio
Picos estacionales Componente de tendencia
Línea de
demanda
actual
Demanda
media en
Variación cuatro años
aleatoria
Primer Segundo Tercer Cuarto

año año año año
11
Demanda real frente a los métodos de
media móvil y media móvil ponderada
35
Media móvil ponderada
Demanda de ventas
30 Ventas reales
25
20
15
10 Media móvil
5
0
Ene.Feb. Mar. Abr. May. Jun. Jul. Ago.Sep. Oct. Nov. Dic.
Mes
12
Realidades sobre el pronóstico
•  Raras veces los pronósticos son perfectos.
•  La mayoría de las técnicas de pronóstico

asumen que existe cierta estabilidad
sostenida al sistema.
•  Tanto las predicciones de familias de

productos como las predicciones en conjunto
son más precisas que los pronósticos de
productos individuales.
13
Enfoques del pronóstico
Métodos cualitativos Métodos cuantitativos

Ø  Se emplean cuando Ø  Se emplean cuando
la situación no es la situación es
clara y hay pocos “estable” y existen
datos: datos “históricos”:
o  Productos nuevos. o  Productos existentes.
o  Nueva tecnología. o  Tecnología actual.
Ø  Requieren intuición Ø  Requieren ténicas
y experiencia: matemáticas:
§  Por ejemplo, el §  Por ejemplo, el
pronóstico de las pronóstico de las ventas
ventas a través de de televisiones en color.
Internet.
14
Visión global de los métodos cualitativos
•  Jurado de opinión ejecutiva:

–  Se agrupan las opiniones de un grupo de expertos
de alto nivel o de directivos, a menudo en
combinación con modelos estadísiticos.
•  Proposición de personal comercial:
–  Las estimación de las ventas esperadas por los
vendedores se revisan para ver si se pueden llevar
a cabo y luego se obtiene un pronóstico global.
•  Método Delphi:
–  Proceso de grupo que permite a los expertos
realizar los pronósticos.
•  Estudio de mercado del consumidor:
–  Requiere información de los clientes.
15
Jurado de opinión ejecutiva
Ø  Requiere un pequeño grupo de directivos:

§  El grupo establece una estimación conjunta
de la demanda.
Ø  Combina la experiencia directiva con
modelos estadísticos.
Ø  Es bastante rápido.
Ø  Desventaja del
“pensamiento en
grupo”.
16 © 1995 Corel Corp.

Proposición de personal comercial
Ø  Cada vendedor estima las

ventas que hará.
Ø  Se combinan con los
pronósticos a niveles de Ventas
comuna y con los
nacionales.
Ø  El representante de ventas
conoce las necesidades de
los consumidores.
Ø  Tiende a ser bastante
optimista.
© 1995 Corel Corp.
17
Método Delphi
•  Proceso de grupo
iterativo. Los que toman
•  3 tipos de participantes: decisiones
Personal de (¿Ventas?)
–  Los que toman
plantilla (Habrá 50 ventas)
decisiones.
(¿Qué ventas
–  El personal de habrá?
plantilla. cuestionarios)
–  Los que responden.
•  Reduce el Los que responden
“pensamiento en (Habrá 45, 50, 55 ventas)
grupo”.
18
Estudio de mercado
v  Preguntar a los
consumidores sobre ¿Cuántas horas utilizará
Internet la próxima semana?
sus futuros planes de
compra.
v  Lo que dicen los
consumidores y lo
que luego hacen
suele diferir.
v  A veces es difícil © 1995 Corel
contestar a las Corp.
preguntas del
estudio.
19
Visión global de los métodos cuantitativos
² Enfoque simple
Modelos de series
² Medias móviles temporales
² Alisado exponencial
² Proyección de tendencia
Modelos
² Regresión lineal asociativos
20
Métodos de pronóstico cuantitativos
(no simples)
Pronóstico
cuantitativo
Modelos de series Modelos

temporales asociativos
Media Alisado Proyección Regresión

móvil exponencial de tendencia lineal
21
¿Qué son las series temporales?
Ø  Es una secuencia de datos uniformemente

espaciada:
§  Se obtiene observando las variables en
periodos de tiempo regulares.
Ø  Se trata de una pronóstico basado en los datos
pasados:
§  Supone que los factores que han influido en
el pasado lo sigan haciendo en el futuro.
Ø  Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1
22
Descomposición de una serie temporal
Tendencia Ciclos
Estacionalidad Variaciones
aleatorias
23
Tendencia
v  Es el movimiento gradual de ascenso o

descenso de los datos a lo largo del tiempo.
v  Los cambios en la población, ingresos, etc.
influyen en la tendencia.
v  Varios años de duración.
Respuesta
24 Mes, trimestre, año © 1984-1994 T/Maker Co.

Estacionalidad
  Muestra de datos de ascenso o descenso

que se repite.
  Se puede ver afectada por la climatología, las
costumbres, etc.
  Se produce dentro de un periodo anual.
Verano
Respuesta
© 1984-1994 T/Maker Co.
Mes, trimestre
25
Ciclos
ü  Movimientos de ascenso o descenso que se

repiten.
ü  Se pueden ver afectados por interacciones
de factores que influyen en la economía.
ü  Suelen durar de 2 a 10 años.
Ciclo
Respuesta
Β
Mes, trimestre, año
26
Variaciones aleatorias
ª Son “saltos” en los datos causados por el azar y

situaciones inusuales.
ª Son debidas a variaciones aleatorias o a situaciones
imprevistas: © 1984-1994 T/Maker Co.
•  Huelga.
•  Maremoto.
ª Son de corta duración

y no se repiten.
27
Modelos de series temporales
Ø Cualquier valor que aparezca en una serie

temporal es la multiplicación (o suma) de
los componentes de la serie temporal.
Ø Modelo multiplicativo:
ü Yi = Ti x Si x Ci x Ri (si los datos son
mensuales o trimestrales).
T: tendencia; S: estacionalidad; C: ciclos; R: variaciones aleatorias
Ø Modelo aditivo:
ü Yi = Ti + Si + Ci + Ri (si los datos son
mensuales o trimestrales).
28
Enfoque simple
♦  Suponer que la demanda en el

próximo periodo será igual a la
demanda del periodo más reciente:
♦  Por ejemplo, si en mayo hubo
48 ventas, en junio habrá 48
ventas.
♦  Es el modelo con la mejor relación

eficacia-costo y eficiencia.
© 1995 Corel Corp.
29
Medias móviles
Ø Las medias móviles son una serie de operaciones aritméticas.

Ø Se utilizan si no hay tendencia o si ésta es escasa.
Ø Se suelen utilizar para el alisado:
•  Proporciona una impresión general de los datos a lo
largo del tiempo.
Ø Ecuación:
MM = ∑ demanda de n periodos previos

n
At−n + At−n+1 +!+ At−1
MM =
30 n
Ejemplo de media móvil
Usted es el director de una tienda de un museo

que vende réplicas. Quiere predecir las ventas
(000) del año 2000 mediante una media móvil de
3 años.
1995 4
1996 6
1997 5
1998 3
1999 7
© 1995 Corel Corp.

31
Solución de la media móvil
Año Respuesta Media Media móvil

Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND
32
Año Respuesta SUMA Media móvil

(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND
33
Año Respuesta Media Media móvil

(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
34
Gráfico de la media móvil
Gráfico Media Móvil

8
7
Ventas reales
5
Ventas
Pronóstico
4
0
1995 1996 1997 1998 1999 2000
35
Para la demanda de los doce periodos presentados en la siguiente
tabla determinar el pronóstico de promedio móvil de tres periodos
Pronós8co de promedio
Periodo Demanda móvil de tres periodos
1 24
2 26 Promedio móvil de tres periodos
3 22 35
4 25 24,0 30
Unidades
5 19 24,3 25
20 Demanda
6 31 22,0
15
7 26 25,0
10
8 18 25,3 Promedio
5
9 29 25,0 móvil de tres
0
periodos
10 24 24,3 1 2 3 4 5 6 7 8 9 10 11 12 13
11 30 23,7 Periodo
12 23 27,7
13 25,7
La línea de pronóstico es más suave que la línea de la demanda. Mientras

más periodos se utilicen para el cálculo, el resultado será más suave.
El pronóstico siempre quedará rezagado en relación con toda demanda real.
36
Para la demanda de los once periodos presentados en la siguiente
tabla determinar el pronóstico de promedio móvil de tres periodos
Pronós8co de promedio
Periodo Demanda móvil de tres periodos
1 13 Promedio móvil de una tendencia
2 15
60
3 18
50
4 22 15,3
Unidades
40
5 27 18,3
6 31 22,3 30
Demanda
7 36 26,7 20
Pronóstico
8 41 31,3 10
9 45 36,0 0
1 2 3 4 5 6 7 8 9 10 11 12
10 52 40,7
11 57 46,0 Periodo
12 51,3
El pronóstico está rezagado de manera constante respecto de la tendencia

de la información.
El modelo de promedios móviles simples no es adecuado para pronosticar
la demanda cuando está sigue una tendencia o patrón cíclico regular.
37
Método de la media móvil ponderada
Ø Se utiliza cuando se presenta una tendencia:

•  Los datos anteriores suelen carecer de importancia.
Ø Las ponderaciones se basan en la intuición:
•  Suelen estar entre 0 y 1, y a la suma de 1,0.
Ø Ecuación:
Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n)
ponderada =
Σ ponderaciones
n
Ft = W1 At−1 + W2 At−2 +!+ Wn At−n donde ∑W = 1i

i=1
Cada uno de los pesos (W) es menor a uno, pero su suma total debe ser
38 equivalente a 1.
Demanda actual, media móvil y media
móvil ponderada
35
Media móvil ponderada
30
Ventas reales
Demanda de ventas
25
20
15
10
5 Media móvil
c
o.
l.
r.
v.
b.
n.
y.
t.
r.
e.
p.
Di
Ju
Ma
Oc
Ab
No
Ma
Ag
En
Fe
Ju
Se Mes
39
Ejemplo: Tomando los mismos puntos de datos que en el primer
ejemplo (los puntos de datos de promedios móviles de tres periodos),
aplicando un promedio móvil ponderado, con pesos de 0,5, 0,3 y 0,2
(con el peso 0,5 aplicado a la información de la demanda más reciente)
Pronós8co de promedio móvil

Periodo Demanda ponderado de tres periodos
1 24
2 26 Promedio ponderado de tres periodos
3 22
35
4 25 23,6
30
5 19 24,3
25
6 31 21,4
Unidades
20 Demanda
7 26 26,2 15
8 18 26,1 10 Promedio
ponderado de
9 29 23,0 5 tres periodos
10 24 25,1 0
1 2 3 4 5 6 7 8 9 10 11 12 13
11 30 24,3
Periodos
12 23 28,0
13 25,3
El pronóstico se encuentra suavizado, y también está rezagado respecto

de los cambios reales de la demanda.
40
Demanda real frente a métodos media móvil y media
móvil ponderada
35
30
25
Unidades
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13
Periodos
Demanda Promedio móvil de tres periodos Promedio ponderado de tres periodos
41
Inconvenientes de los métodos de media
móvil
Ø  Al aumentar n veces, las
previsiones son menos
sensibles a los cambios.
Ø  No es posible predecir bien la

tendencia.
Ø  Se necesitan muchos datos

históricos. © 1984-1994 T/Maker Co.
42
Alisado exponencial
Ø Es una técnica de pronóstico de media móvil

ponderada:
ü Las ponderaciones disminuyen
exponencialmente.
ü Se ponderan más los datos más recientes.
Ø Se necesita una constante de alisado (α):
§  Toma valores entre 0 y 1.
§  Se escoge de forma subjetiva.
Ø Necesita una cantidad reducida de datos
históricos.
43
Ecuaciones del alisado exponencial
Ø Ft = Ft-1 + α(At-1 - Ft-1)

Ø  Ft = Valor del pronóstico
Ø  Ft-1 = Pronóstico previo
Ø  At = Demanda real
Ø  At-1 = Demanda real de periodo previo
Ø  α = Constante de alisado (0 ≤ α ≤ 1)
Ø Ft = αAt - 1 + α(1-α)At - 2 + α(1- α)2·At - 3

+ α(1- α)3At - 4 + ... + α(1- α)t-1·A0
Ø  Se utiliza para calcular el pronóstico.
44
Ejemplo de alisado exponencial
Usted está organizando una reunión. Desea predecir

el número de personas que asistirán en el año 2000
mediante el alisado exponencial (α = 0,10). El
pronóstico para 1995 fue de 175.
1995 180
1996 168
1997 159
1998 175
1999 190
45
Solución del alisado exponencial
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 +
1997 159
1998 175
1999 190
2000 ND
46
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND
47
Ft = Ft-1 + α· (At-1 - Ft-1)
Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 -
1997 159
1998 175
1999 190
2000 ND
48
Ft = Ft-1 + α· (At-1 - Ft-1)
Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00)
1997 159
1998 175
1999 190
2000 ND
49
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159
1998 175
1999 190
2000 ND
50
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175
1999 190
2000 ND
51
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75)= 173,18
1999 190
2000 ND
52
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND
53
Ft = Ft-1 + α· (At-1 - Ft-1)

Pronóstico, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND 173,36 + 0,10(190 - 173,36) = 175,02
54
Gráfico del alisado exponencial
Gráfico alisado exponencial

195
190
185
180
175
Ventas
170
165
160
155
150
145
140
1995 1996 1997 1998 1999 2000
Año
Real Pronótico
55
Para la siguiente demanda del producto “XX”, determine la demanda para
el periodo 13, considerando el alisado exponencial con α = 0,2, 0,5 y 0,8.
Considere el pronóstico para el periodo 3, la media del periodo 1 y 2.
Suavizado exponencial α = 0,2
Suavizado exponencial
Periodo Demanda α = 0,2
1 24
Suavisado exponencial
2 26 25 35
30
Unidades
3 22
25
4 25 24,4 20
5 19 24,5 15
10
6 31 23,4
5
7 26 24,9 0
8 18 25,1 1 2 3 4 5 6 7 8 9 10 11 12 13
9 29 23,7 Periodo
10 24 24,8
11 30 24,6 Demanda Suavizado exponencial α = 0,2
12 23 25,7
13 25,2
56
Suavizado
Periodo Demanda exponencial α = 0,5
1 24 Suavisado exponencial
2 26 25 35
3 22 30
Unidades
4 25 23,5 25
5 19 24,3 20
6 31 21,6 15
7 26 26,3 10
8 18 26,2 5
9 29 22,1 0
1 2 3 4 5 6 7 8 9 10 11 12 13
10 24 25,5
11 30 24,8 Periodo
12 23 27,4 Demanda Suavizado exponencial α = 0,5
13 25,2
57
Suavizado
Periodo Demanda exponencial α = 0,8
1 24 Suavisado exponencial
2 26 25
35
3 22
30
Unidades
4 25 22,6 25
5 19 24,5 20
6 31 20,1 15
7 26 28,8 10
8 18 26,6 5
9 29 19,7 0
10 24 27,1 1 2 3 4 5 6 7 8 9 10 11 12 13
11 30 24,6 Periodo
12 23 28,9
Demanda Suavizado exponencial α = 0,8
13 24,2
58
Suavizado exponencial
35
30
25
Unidades
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13
Periodo
Demanda Suavizado exponencial α = 0,2
Suavizado exponencial α = 0,5 Suavizado exponencial α = 0,8
59
Efectos del pronóstico de la constante de
alisado α
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
α= Periodo anterior Hace 2 periodos Hace 3 periodos

α α(1 - α) α(1 - α)2
α= 0,10 10%
α= 0,90
60
alisado α
Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...
Ponderaciones

α α(1 - α) α(1 - α)2
α= 0,10 10% 9%
α= 0,90
61
alisado α
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
Ponderaciones
α α(1 - α) α(1 - α)2
α= 0,10 10% 9% 8,1%
α= 0,90
62
alisado α
Ft = α At - 1 + α(1- α)At - 2 + α(1- α)2At - 3 + ...
Ponderaciones

α α(1 - α) α(1 - α)2
α= 0,10 10% 9% 8,1%
α= 0,90 90%
63
alisado α
Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...
Ponderaciones

α α(1 - α) α(1 - α)2
α= 0,10 10% 9% 8,1%
α= 0,90 90% 9%
64
alisado α
Ft = α At - 1 + α(1- α) At - 2 + α(1- α)2At - 3 + ...
Ponderaciones
α= Periodo anterior Hace 2 periodos Hace

Hace33periodos
periodos
α α(1 - α) α(1 - α) 2
α(1 - α)2
α= 0,10 10% 9% 8,1%
α= 0,90 90% 9% 0,9%
65
Si se selecciona α
Trate de minimizar la desviación absoluta media (DAM)
Si: Error de pronóstico = demanda - pronóstico
Entonces:
∑ errores de pronóstico
DAM =
n
66
Alisado exponencial con ajuste de tendencia
pronóstico incluyendo la tendencia (PITt)

= pronóstico alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)
PITt = Ft + Tt
67
Ft = α (demanda real del último periodo)

+ (1- α)(pronóstico del último periodo + tendencia estimada del
último periodo)
o
Ft = α(At-1) + (1- α)(Ft-1 + Tt-1)
Tt = β(pronóstico del periodo actual - pronóstico del último

periodo) + (1- β)(tendencia estimada del último periodo)
o
Tt = β(Ft - Ft-1) + (1- β)Tt-1
68
ª Ft = pronóstico alisada exponencialmente

de la serie de datos en el periodo t.
ª Tt = tendencia alisada exponencialmente en
el periodo t.
ª At = demanda real en el periodo t.
ª α = constante de alisado para la media.
ª β = constante de alisado para la tendencia.
69
Ejemplo de alisado exponencial con
ajuste de tendencia
Un gran fabricante utiliza el alisado exponencial para realizar un pronóstico de

demanda de una pieza de un equipo de control de contaminación. Parece que
está presente una tendencia al alza.
Demanda real
Mes (t) At
Ene 12
Feb 17
Mar 20
Abr 19
May 24
Jun 21
Jul 31
Ago 28
Sep 36
Oct
A las constantes de alisado se les asignan valores de α = 0,2 y β = 0,4. Se

supone que el pronóstico inicial para el mes 1 fue de 11 unidades, y la
tendencia en este periodo fue de 2 unidades.
70
Demanda PronósOco Tendencia PronósOco
Mes (t)
real At alisado Ft alisada, Tt PITt
Ene 12 11 2
Feb 17 12,80 1,92 14,72
Mar 20 15,18 2,10 17,28
Abr 19 17,82 2,32 20,14
May 24 19,91 2,23 22,14
Jun 21 22,51 2,38 24,89
Jul 31 24,11 2,07 26,18
Ago 28 27,14 2,45 29,59
Sep 36 29,28 2,32 31,60
Oct 32,48 2,68 35,16
Pronóstico con Tendencia

40
35
Demanda del producto
30
25
20
15
10
5
0
Ene Feb Mar Abr May Jun Jul Ago Sep Oct
Tiempo (mes)
Demanda real At Pronóstico PITt
71
Comparación de pronósticos
Pronóstico con Tendencia
40
35
Demanda del producto
30
25
20
15
10
0
Ene Feb Mar Abr May Jun Jul Ago Sep Oct
Tiempo (mes)
Demanda real At Pronóstico PITt Alisado exponencial
72
Proyecciones de Tendencias
Ø  Está técnica ajusta una línea de tendencia a una serie de datos

históricos, y proyecta la línea hacia el futuro para realizar
pronósticos a medio o largo plazo.
Ø  Se desarrollan ecuaciones matemáticas de tendencia (ej.

Exponencial y cuadratica), o bien solamente tendencias líneales
(línea recta).
Ø  Para desarrollar una recta de tendencia líneal, se puede aplicar el

Método de los Mínimos Cuadrados.
Ø  El resultado de este enfoque es una línea recta que minimiza la

suma de los cuadrados de las distancias verticales o desviaciones
de la recta a cada una de las observaciones reales.
73
Valores de la variable dependiente
Método de mínimos cuadrados
Observación Desviación
real (valor y)
Desviación Desviación
(valores y)
Desviación
Desviación Punto en
la línea
Desviación de
Desviación tendencia
(error) ⌢
y = a + bx
Periodo de tiempo
74
Análisis de regresión lineal
•  Se usa para prever la línea de tendencia

lineal.
•  Supone una relación entre la variable de
respuesta, y, y el periodo de tiempo, x, que
es una función lineal:
y!i = a + bx i
•  Se calcula mediante el método de los
mínimos cuadrados:
–  Minimiza la suma de errores cuadrados.
75
Ecuaciones de mínimos cuadrados
Ecuación: ŷi = a + bxi

n
∑ x i y i − nx y
Pendiente: b = i =1n
∑ x i2 − nx 2
i =1
Corte con el eje Y: a = y − bx
ŷ = Valor calculado de la variable a predecir (variable dependiente)

a = Corte en el eje y
b = Pendiente de la recta de regresión
x = Variable dependiente
76
Tabla de cálculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣX i ΣYi ΣXi ΣY i Σ X iY i
77
Modelo del análisis de regresión lineal
Y!i = a + bX i
b>0
a
b<0
a
Modelo de pronóstico del análisis de
regresión lineal
La demanda de energía eléctrica a lo largo del periodo
2008 – 2014 se muestra en la siguiente tabla, en
megavatios. Realizar un pronóstico de la demanda del año
2015, ajustando los datos a una tendencia de línea recta.
Año Demanda de energía
eléctrica
2008 74
2009 79
2010 80
2011 90
2012 105
2013 142
2014 122
2015
79
Con serie de datos a lo largo del tiempo, se transforma los valores de x
(tiempo), designando a 2008 como año 1, a 2009 como año 2, y así
sucesivamente
Periodo)de) Demanda)de)
Año tiempo)(x) energía)eléctrica)(y) x2 xy
2008 1 74 1 74
2009 2 79 4 158
2010 3 80 9 240
2011 4 90 16 360
2012 5 105 25 525
2013 6 142 36 852
2014 7 122 49 854
Σx)=) 28 Σy)=) 692 Σx )=)140
2
Σxy)=) 3.063
∑ x 28 ∑ y 692
x= = =4 y = = = 98,86
n 7 n 7
∑ xy − nxy 3.063− (7)(4)(98,86) 295
b= 2 2
= 2
= = 10, 54
∑ x − nx 140 − (7)(4 ) 28
a = y − bx = 98,86 −10, 54(4) = 56, 70

80
La ecuación de los mínimos cuadrados es:
ŷ = 56, 70 +10,54x
La demanda proyectada para 2015, considerando este año como x=8 es:
Demanda en 2015 = 56,70 + 10,54(8)

= 141,02 ó 142 megavatios
La demanda proyectada para 2016, considerando este año como x=9 es:
Demanda en 2016 = 56,70 + 10,54(9)

= 151,56 ó 152 megavatios
Tendencia demanada de energía
160
140
Demanda de energía
120
100
80
60
40
20
0
2008 2009 2010 2011 2012 2013 2014 2015 2016
Año
Demanda Energía Tendencia de Energía
Modelo estacional multiplicativo
Ø  Encontrar la demanda histórica media para cada “estación”

sumando la demanda de esa estación cada año y dividiéndola
entre el número de años de datos disponibles.
Ø  Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
Ø  Calcular un índice estacional dividiendo la demanda histórica real
de esa estación (calculado en la etapa 1) entre la demanda media
a lo largo de todas las estaciones.
Ø  Estimar la demanda anual de todo el año próximo.
Ø  Dividir esta estimación de la demanda anual total entre el número
de estaciones y entonces multiplicarla por el índice estacional de
esa estación. Esto proporciona el pronóstico estacional .
83
Las ventas mensuales de un producto “YY” en un distribuidor durante el
periodo 2000 – 2002, se dan en la tabla siguiente. Determine los índices
de estacionalidad, si se espera que la demanda anual del producto para
el año 2003 sea de 1200 unidades.
Demanda Demanda
Demanda de ventas media media Índice
Mes 2000 2001 2002 2000 - 2002 mensual estacional
Enero 80 85 105 90 94 0,957
Febrero 70 85 85 80 94 0,851
Marzo 80 93 82 85 94 0,904
Abril 90 95 115 100 94 1,064
Mayo 113 125 131 123 94 1,309
Junio 110 115 120 115 94 1,223
Julio 100 102 113 105 94 1,117
Agosto 88 102 110 100 94 1,064
Septiembre 85 90 95 90 94 0,957
Octubre 77 78 85 80 94 0,851
Noviembre 75 82 83 80 94 0,851
Diciembre 82 78 80 80 94 0,851
1.128
Demanda media total =
1.128
Demanda media mensual = = 94
12meses
demanda media mensual 2000 - 2002

Índice estacional =
demanda media mensual
Considerando los índices de estacionalidad y esperando una demanda
anual del producto “YY” para el año 2003 de 1200 unidades, la demanda
mensual será:
Mes Demanda
Enero 1200/12 x 0,957 = 96
Febrero 1200/12 x 0,851 = 85
Marzo 1200/12 x 0,904 = 90
Abril 1200/12 x 1,064 = 106
Mayo 1200/12 x 1,309 = 131
Junio 1200/12 x 1,223 = 122
Julio 1200/12 x 1,117 = 118
Agosto 1200/12 x 1,064 = 106
Septiembre 1200/12 x 0,957 = 98
Octubre 1200/12 x 0,851 = 85
Noviembre 1200/12 x 0,851 = 85
Diciembre 1200/12 x 0,851 = 85
Correlación
•  El coeficiente de correlación se identifica

normalmente como r .
–  Los valores varían entre -1 y +1 .
–  Mide el grado de asociación.
•  Se usa principalmente para comprender.
86
Modelo de regresión lineal
•  Muestra la relación lineal entre las

variables dependientes e independientes.
–  Ejemplo: ventas y publicidad (sin tiempo)
Corte con el eje Y Pendiente
^
Yi = a + b X i
Variable dependiente Variable
independiente
87
Modelo de regresión lineal
Y Yi = a + b X i + Error
Error
Línea de
tendencia
Y^i = a + b X i
X
Valor
observado
Interpretación de los coeficientes
•  Pendiente (b):
–  El cálculo de Y varía en b cada unidad extra
en X.
•  Si b = 2, entonces las ventas (Y) aumentarán en
2 por cada unidad extra en publicidad (X).
•  Corte con el eje Y (a):

–  Valor medio de Y cuando X = 0.
•  Si a = 4, entonces las ventas medias (Y) serán
de 4 cuando la publicidad (X) sea 0.
89
Variación de los errores aleatorios
•  Variación del Y real a partir del Y

pronosticado.
•  Se mide mediante el error estándar de la
estimación:
–  Muestra los errores de la desviación estándar.
–  SY,X
•  Afecta a varios factores:
–  Significado del parámetro.
–  Precisión de la predicción.
90
Error estándar de la desviación
n
∑ (yi − ŷi )2
S y,x = i =1
n−2
n 2 n n
∑ yi −a ∑ yi − b ∑ x i yi
= i =1 i =1 i =1
n−2
91
Suposiciones de los mínimos cuadrados
•  Se supone que la relación es lineal.

Primero trace los datos, si existe la curva,
utilice el análisis curvilineal.
•  Se supone que la relación sólo se
sustenta dentro o justo fuera del campo
de datos. No trate de predecir periodos de
tiempo lejanos al campo de la base de
datos.
•  Se supone que las desviaciones que
rodean a la línea de los mínimos
92
cuadrados son aleatorias.
Fómula del coeficiente de correlación
n n n
n ∑ x i yi − ∑ x i ∑ yi
r= i =1 i =1 i =1
⎡ n 2 ⎛ n ⎞2 ⎤⎡ n 2 ⎛ n ⎞2 ⎤
⎢n ∑ x i − ⎜ ∑ x i ⎟ ⎥ ⎢n ∑ yi − ⎜ ∑ yi ⎟ ⎥
⎣ i =1 ⎝ i =1 ⎠ ⎦ ⎣ i =1 ⎝ i =1 ⎠ ⎦
93
Valores del coeficiente de correlación
Correlación Correlación
negativa Sin positiva
perfecta correlación perfecta
-1,0 -0,5 0 +0,5 +1,0
Aumento de la Aumento de la
correlación negativa correlación positiva
Coeficiente de correlación y modelo de
regresión
Y r=1 Y r = -1
^ = a +b X
Yi i
^ = a +b X
Yi i
X X
Y r = 0,89 Y r=0
^
Yi = a + b Xi
^
Yi = a + b Xi
X X
95
Guía para elegir el modelo de pronóstico
•  Usted quiere conseguir:

–  Ninguna conducta o dirección del error de
pronóstico.
^
•  Error = (Yi - Yi) = (Real - pronóstico).
•  Se observa en las representaciones de los errores
a lo largo del tiempo.
–  Un error de pronóstico más pequeño:
•  Error cuadrado medio (ECM).
•  Desviación media absoluta (DAM).
96
Diagrama de dispersión
Ventas Ventas frente a tiempo

4
3
2
1
0
92 93 94 95 96
Periodo de
tiempo
97
Conducta del error de pronóstico
Tendencia no
totalmente Conducta deseada
justificada
Error Error
0 0
Tiempo (años) Tiempo (años)
98
Ecuaciones del error de pronóstico
•  Error cuadrado medio (ECM):

n
∑ (y i - ˆy i ) 2 2
i =1 ∑ errores de pronóstico
ECM = =
n n
•  Desviación absoluta media (DAM):

n
∑ | y i - yˆ i | |errores de pronóstico |
DAM = i =1 = ∑
n n
99
Ejemplo de selección del modelo de pronóstico
Usted es el analista de marketing. Ha previsto las ventas con

un modelo lineal y alisado exponencial. ¿Qué modelo usará?
Pronóstico del
Pronóstico alisado
Ventas del modelo exponencial
Año reales lineal (0,9)
1995 1 0,6 1,0
1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
10
0
Evaluación del modelo lineal
^
Año Yi Yi Error Error2 |Error|
1992 1 0,6 0,4 0,16 0,4
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
10
1
Evaluación del modelo de alisado exponencial
^
Año Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
102
Evaluación del modelo de alisado exponencial
Modelo de alisado exponencial:
ECM = Σ Error2 / n = 0,05 / 5 = 0,01

DAM = Σ |Error| / n = 0,3 / 5 = 0,06
Modelo lineal:
ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400
103
Señal de rastreo
•  Mide el grado de precisión del pronóstico

para predecir valores reales.
•  Suma actual de los errores de pronóstico

(SAEP) dividida entre la desviación media
absoluta (DAM):
–  Una buena señal de rastreo tiene valores
bajos.
•  Debe estar dentro de los límites de control

superiores e inferiores.
104
Ecuación de la señal de rastreo
SAEP
Señal de rastreo =
DAM
n
∑ (y i - yˆ i )
= i =1
DAM
= ∑ errores de pronóstico
DAM
105
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
106

1 100 90 -10
2 100 95
3 100 115 Error = Real - pronóstico
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
107

1 100 90 -10 -10

2 100 95
3 100 115 SAEP = Σ Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140
108

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
109

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado = Σ |Errores|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140
110

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

2 100 95
3 100 115 DAM = Σ |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
111

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

2 100 95
3 100 115 SR = SAEP/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140
112

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

2 100 95 -5
3 100 115
4 100 100 Error = Real - pronóstico
= 95 - 100 = -5
5 100 125
6 100 140
113
Trim. Demanda Demanda

Error SAEP Error |Error| DAM SR
1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 SAEP = Σ Errores
= (-10) + (-5) = -15
5 100 125
6 100 140
114

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

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140
115

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

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado = Σ |Errores|
= 10 + 5 = 15
5 100 125
6 100 140
116

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

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM = Σ |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140
117

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

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = SAEP/DAM
= -15/7,5 = -2
5 100 125
6 100 140
118
Representación de una señal de rastreo
Señal que supera el

límite
Señal de rastreo
Límite de control
+
superior
DAM
0
Intervalo aceptable
-
Límite de control
inferior
Tiempo
119
Señales de rastreo
160 3
140 pronóstico
2
Señal de rastreo
120
Demanda real
100 1
80 0
Demanda real
60 -1
Señal de rastreo
40
20 -2
0 -3
0 2 4 6 8
Tiempo
120
Pronóstico en el sector servicios
•  Presenta algunos retos poco comunes:

•  Especial necesidad de datos a corto plazo.
•  Las necesidades varían mucho en función de
la industria y del producto.
•  Vacaciones y calendario.
•  Eventos poco comunes.
121
Pronóstico de ventas por hora en un restaurante
de comida rápida
20
según hora del día %
Porcentaje de venta
15
10
0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
(Hora de almuerzo) (Hora de la cena)
Hora del día
122
Problema de aplicación
El plan de demanda de 10 periodos para cierto producto se

presenta como 127,113, 121, 123, 117, 109, 131, 115, 127y
118 unidades. Pronostique la demanda para el periodo 11,
utilizando cada uno de los siguientes métodos: promedio móvil
de 3 meses; promedio móvil ponderado de 3 meses con pesos
de 0,2, 0,3 y 0,5; suavización exponencial con una constante
de suavización de 0,3, y regresión lineal. Calcule el DAM para
cada método, a fin de determinar el método que sería
preferible de acuerdo con las circunstancias. También calcule
el sesgo en la información, si existe, para los cuatro métodos,
y explique su significado.
Considere que el valor de pronostico inicial de suavización
exponencial corresponde a la demanda real del periodo
anterior, que fue de 115 unidades.
123
Periodo Demanda x2 y2 xy
1 127 1 16129 127
2 113 4 12769 226
3 121 9 14641 363
4 123 16 15129 492
5 117 25 13689 585
6 109 36 11881 654
7 131 49 17161 917
8 115 64 13225 920
9 127 81 16129 1143
10 118 100 13924 1180
Suma= 55 1201 385 144677 6607
5,5 b= 0,018181818
120,1 a= 120
124
Periodo Demanda PM 3 Meses PMP 3 Meses Suav. Exp. Regresión
1 127 115 120,0
2 113 118,6 120,0
3 121 116,9 120,1
4 123 120,3 119,8 118,1 120,1
5 117 119,0 120,4 119,6 120,1
6 109 120,3 119,6 118,8 120,1
7 131 116,3 114,2 115,9 120,1
8 115 119,0 121,6 120,4 120,1
9 127 118,3 118,6 118,8 120,2
10 118 124,3 124,2 121,3 120,2
11 120,0 120,1 120,3 120,2
125
Periodo Demanda PM 3 Meses Error ABS PMP 3 Meses Error ABS Suav. Exp. Error ABS Regresión Error ABS
1 127 115 120,0
2 113 118,6 120,0
3 121 116,9 120,1
4 123 120,3 2,7 2,7 119,8 3,2 3,2 118,1 4,9 4,9 120,1 2,9 2,9
5 117 119,0 -2,0 2,0 120,4 -3,4 3,4 119,6 -2,6 2,6 120,1 -3,1 3,1
6 109 120,3 -11,3 11,3 119,6 -10,6 10,6 118,8 -9,8 9,8 120,1 -11,1 11,1
7 131 116,3 14,7 14,7 114,2 16,8 16,8 115,9 15,1 15,1 120,1 10,9 10,9
8 115 119,0 -4,0 4,0 121,6 -6,6 6,6 120,4 -5,4 5,4 120,1 -5,1 5,1
9 127 118,3 8,7 8,7 118,6 8,4 8,4 118,8 8,2 8,2 120,2 6,8 6,8
10 118 124,3 -6,3 6,3 124,2 -6,2 6,2 121,3 -3,3 3,3 120,2 -2,2 2,2
11 120,0 120,1 120,3 120,2
Suma= 2,3 49,7 1,6 55,2 7,1 49,3 -0,9 42,2
Suma/n= 0,3 7,1 0,2 7,9 1,0 7,0 -0,1 6,0
Método MAD
Promedio móvil de 3 meses 7,1
Promedio móvil ponderado de 3 meses 7,9
Suavización exponencial 7,0
Regresión lineal 6,0
126

03 Proyección de La Demanda PDF

Cargado por

Información del documento

Título original

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

03 Proyección de La Demanda PDF

Cargado por

Copyright:

Formatos disponibles

1

ü En casi todos los casos el tiempo necesario para

ü Para evitar que esto suceda, la producción tendrá

ü La producción deberá iniciar a partir de la demanda

Ø Base de todas las

• Pronóstico a medio plazo:

• Pronósticos a largo plazo:

• Los pronósticos a corto plazo normalmente

• Los pronósticos a corto plazo tienden a ser

• Las etapas de introducción y crecimiento

• Las pronósticos son útiles para proyectar

mercado Defender la posición en el

La planificación y desarrollo del EL pronóstico es muy Estandarización Poca diferenciación del

Cambios frecuentes en Fiabilidad del producto y Minimización de costos

producto competitivas industria

• Determinar la utilización del pronóstico.

Picos estacionales Componente de tendencia

Primer Segundo Tercer Cuarto

• Raras veces los pronósticos son perfectos.

• La mayoría de las técnicas de pronóstico

• Tanto las predicciones de familias de

Métodos cualitativos Métodos cuantitativos

• Jurado de opinión ejecutiva:

Ø Requiere un pequeño grupo de directivos:

16 © 1995 Corel Corp.

Ø Cada vendedor estima las

contestar a las Corp.

Modelos de series Modelos

Media Alisado Proyección Regresión

Ø Es una secuencia de datos uniformemente

v Es el movimiento gradual de ascenso o

24 Mes, trimestre, año © 1984-1994 T/Maker Co.

­ Muestra de datos de ascenso o descenso

ü Movimientos de ascenso o descenso que se

ª Son “saltos” en los datos causados por el azar y

ª Son de corta duración

Ø Cualquier valor que aparezca en una serie

♦ Suponer que la demanda en el

♦ Es el modelo con la mejor relación

© 1995 Corel Corp.

Ø Las medias móviles son una serie de operaciones aritméticas.

MM = ∑ demanda de n periodos previos

Usted es el director de una tienda de un museo

© 1995 Corel Corp.

Año Respuesta Media Media móvil

Año Respuesta SUMA Media móvil

Año Respuesta Media Media móvil

Gráfico Media Móvil

La línea de pronóstico es más suave que la línea de la demanda. Mientras

El pronóstico está rezagado de manera constante respecto de la tendencia

Ø Se utiliza cuando se presenta una tendencia:

Ft = W1 At−1 + W2 At−2 +!+ Wn At−n donde ∑W = 1i

Pronós8co de promedio móvil

El pronóstico se encuentra suavizado, y también está rezagado respecto

Demanda Promedio móvil de tres periodos Promedio ponderado de tres periodos

Ø No es posible predecir bien la

Ø Se necesitan muchos datos

Ø Es una técnica de pronóstico de media móvil

Ø Ft = Ft-1 + α(At-1 - Ft-1)

Ø Ft = αAt - 1 + α(1-α)At - 2 + α(1- α)2·At - 3

Usted está organizando una reunión. Desea predecir

Ft = Ft-1 + α· (At-1 - Ft-1)

Ft = Ft-1 + α· (At-1 - Ft-1)

ü  En casi todos los casos el tiempo necesario para

ü  Para evitar que esto suceda, la producción tendrá

ü  La producción deberá iniciar a partir de la demanda

Ø  Base de todas las

•  Pronóstico a medio plazo:

•  Pronósticos a largo plazo:

•  Los pronósticos a corto plazo normalmente

•  Los pronósticos a corto plazo tienden a ser

•  Las etapas de introducción y crecimiento

•  Las pronósticos son útiles para proyectar

•  Determinar la utilización del pronóstico.

•  Raras veces los pronósticos son perfectos.

•  La mayoría de las técnicas de pronóstico

•  Tanto las predicciones de familias de

•  Jurado de opinión ejecutiva:

Ø  Requiere un pequeño grupo de directivos:

Ø  Cada vendedor estima las

Ø  Es una secuencia de datos uniformemente

v  Es el movimiento gradual de ascenso o

  Muestra de datos de ascenso o descenso

ü  Movimientos de ascenso o descenso que se

ª Son “saltos” en los datos causados por el azar y

ª Son de corta duración

Ø Cualquier valor que aparezca en una serie

♦  Suponer que la demanda en el

♦  Es el modelo con la mejor relación

Ø Las medias móviles son una serie de operaciones aritméticas.

Ø Se utiliza cuando se presenta una tendencia:

Ø  No es posible predecir bien la

Ø  Se necesitan muchos datos

Ø Es una técnica de pronóstico de media móvil

Ø Ft = Ft-1 + α(At-1 - Ft-1)

Ø Ft = αAt - 1 + α(1-α)At - 2 + α(1- α)2·At - 3

ª Ft = pronóstico alisada exponencialmente

Ø  Está técnica ajusta una línea de tendencia a una serie de datos

Ø  Se desarrollan ecuaciones matemáticas de tendencia (ej.

Ø  Para desarrollar una recta de tendencia líneal, se puede aplicar el

Ø  El resultado de este enfoque es una línea recta que minimiza la

•  Se usa para prever la línea de tendencia

Ø  Encontrar la demanda histórica media para cada “estación”

•  El coeficiente de correlación se identifica

•  Se usa principalmente para comprender.

•  Muestra la relación lineal entre las

•  Corte con el eje Y (a):

•  Variación del Y real a partir del Y

•  Se supone que la relación es lineal.

•  Usted quiere conseguir:

•  Error cuadrado medio (ECM):

•  Desviación absoluta media (DAM):

•  Mide el grado de precisión del pronóstico

•  Suma actual de los errores de pronóstico

•  Debe estar dentro de los límites de control