PRONÓSTICOS

Cap. 3
PRONOSTICOS
 INTRODUCCIÓN

El pronóstico juega un papel central en la función de operaciones de una compañía.

Toda planeación de negocios se basa en pronósticos.

 Ventas de productos nuevos y existentes de una

compañía

 Requerimientos y disponibilidades de materias

primas

 Las habilidades cambiantes de los

trabajadores
 Las necesidades de capacidad

 Mantenimiento
 La política internacional  Etc.
 Las ventas de
Para la
líneas de
planeación
productos
de las
nuevas y
operaciones
existentes

¿Pueden pronosticarse con exactitud todos los eventos? NO

La demanda tiene muchas posibilidades de ser aleatoria bajo muchas circunstancias

Si se contempla las tendencias, los ciclos y la

Algunas porciones del proceso de demanda pueden variación estacional tendremos una ventaja
ser impredecibles, es posible predecir otras partes para prevenir el resultado Ej) del lanzamiento
de la moneda
HORIZONTE DE TIEMPO EN LOS PRONÓSTICOS
Estos son cruciales para la
planeación día con día, son
de utilidad para la
administración de Los patrones de ventas para las
inventarios; para planes de disponibilidades y requerimientos
producción que puedan de trabajadores y familias de
derivarse de una sistema productos.
de planeación de
requerimiento de
materiales y para la
planeación de
requerimiento de recursos,
turnos:preferencias y Largo
disponibilidades de los

Meses/
años
trabajadores

Son parte de la estrategia global de la empresa, ej. Capacidad (despido de personal)

PHB
Características de los pronósticos

Normalmente están equivocadas: Esta es la más significativa e ignorada. Los

pronósticos, una vez determinados, se consideran información conocida. Los
requerimientos de recursos y los calendarios de producción pueden necesitar
modificaciones si la demanda de pronostico prueba ser inexacta.
El sistema de planeación debe ser lo suficientemente sólido para ser capaz de
reaccionar ante errores de pronostico no anticipados

Un buen pronostico es más que un simple número: Un buen

pronostico incluye cierta medida de error, esto puede ser
mediante un rango, o una medición de error como sería la
variación de la distribución del error de pronóstico.
Los pronósticos agregados son más exactos: La variación del
promedio de una colección de variables aleatorias
independientes distribuidas de manera idéntica es menor que
la variación de cada una de las variables. El error de las ventas
pronosticadas para una línea completa de productos,
generalmente es menor que el error cometido en el pronostico
de las ventas para un artículo individual.

Entre más lejano sea el horizonte de pronostico,

menos exacta será la predicción: Esta
característica es muy intuitiva

Los pronósticos no deben usarse para excluir información

conocida: Puede haber información disponible concerniente
a la demanda futura que no se mostro en la historia pasada
de la serie.(ej. Promociones)
MÉTODOS DE PRONÓSTICO

Métodos subjetivos de pronósticos Métodos objetivos de pronóstico

Estimados de ventas para el próximo año

Los gerentes de ventas deben agregar
cálculos individuales para llegar a
pronósticos generales en torno a cada
región geográfica, o grupo de productos
Agregados de la fuerza de
ventas:

Cuotas
 Pueden mostrar tendencias futuras y cambiar los patrones
de preferencias. Muestreo, Cuestionarios

Encuestas al cliente

La opinión del experto puede ser la única fuente de información.

Combinar las opiniones de los expertos para obtener un pronostico.
Para nuevos productos: Finanzas, producción, marketing.

a) Realizar entrevistas de pronostico directamente a los

ejecutivos y desarrollar un pronostico a partir de los
resultados que se obtengan de estas.
Juicio de opinión ejecutiva
b) Solicitar a los ejecutivos que se reúnan como grupo y lleguen a un
consenso.
 Solicitar opiniones a expertos. Por medio de una encuesta.

Método Delphi

Ventaja: Es un medio para evaluar la opinión individual sin las preocupaciones normales de las interacciones de
las apersonas
Desventaja: Es altamente sensible al cuidado de la formulación del cuestionario.
Es importante que no existan “ligas”, es decir, que asignen iguales ponderaciones para distintas
alternativas.

Tabla de expertos vs. alternativas

Rj= a la sumatoria por filas Se realiza el ordenamiento por fila

Cc= (1 – Vn / Vt) * 100

Cc: coeficiente de concordancia expresado en porcentaje.

Donde:
Vn: cantidad de expertos en contra del criterio predominante. Vt:
cantidad total de expertos.

Empíricamente, si resulta Cc = 60% se considera aceptable la concordancia. Las Cc que

obtuvieron valores Cc< 60% se eliminan por baja concordancia o poco consenso entre los
Expertos.
De acuerdo a la precisión que se busca se puede trabajar con un Cc de 85%
Ejemplo

Se buscaron 9 expertos para un determinado tema, que deberán evaluar 8 características

1 indicaría la más importante, 2 la que sigue en importancia, hasta n (número total de alternativas) que será la de
importancia menor.

E1 E2 E3 E4 E5 E6 E7 E8 E9 RJ CC
C1 2 3 2 3 2 3 3 3 3 24 67
C2 1 2 1 2 1 2 1 1 1 12 67
C3 3 4 3 4 3 3 4 3 4 31 56
C4 4 5 4 5 4 5 5 5 6 43 56
C5 5 6 5 6 5 6 5 5 5 48 67
C6 6 7 6 7 6 7 6 7 7 59 56
C7 8 8 7 8 7 8 8 8 8 70 78
C8 7 1 8 1 8 1 1 8 7 42 44

C2 - C1 - C3 - C4 - C5 – C6 – C7
 Otros métodos subjetivos o cualitativos

Diseño de Tormenta Ciclo de vida del Estudio de

escenarios de ideas producto mercado
Métodos objetivos de pronóstico
Los métodos cuantitativos se utilizan cuando:
– Se dispone de información pasada sobre la variable que se pronosticará
– La información puede cuantificarse
– Es razonable suponer que el patrón del pasado seguirá ocurriendo en el futuro. En estos casos puede
elaborarse un pronóstico con un método de series de tiempo o un método causal.

Son los que resultan de un análisis de datos.

Modelos causales Series de tiempo

Son los que usan datos provenientes de fuentes Es aquel que usa valores
distintas a las series que se están pronosticando: pasados en cuanto al
pueden existir otras variables con valores que fenómeno que deseamos
están vinculadas de alguna forma a lo que esta predecir
pronosticándose.
 Modelos causales

Sea Y el fenómeno que deseamos pronosticar y X1, X2, …,Xn son las variables que creemos
que están relacionadas con Y.
El modelo causal es aquel que en el pronostico para Y es cierta función de estas variables:

Y= f(X1, X2, …,Xn)

Y= α0 +α1 X1 + α2 X2 + … +αn Xn

Se utiliza el método de mínimos cuadrados para determinar los valores de las constantes.

Los modelos causales de este tipo son muy utilizados para predecir fenómenos económicos como el
Producto Nacional Bruto (PNB) y el Producto Interno Bruto (PIB).

Estos modelos se utilizan en las áreas de finanzas y economía de la compañía para pronosticar valores de las
variables macroeconómicas.
 Métodos de series de tiempo

Es un conjunto de fenómenos físicos o económicos

observados en puntos discretos de tiempo,
normalmente espaciados equitativamente.

El objetivo de los métodos de serie de tiempo

es descubrir un patrón en los datos históricos
y luego extrapolarlo hacia el futuro; el
pronóstico se basa sólo en valores pasados de
la variable que tratamos de pronosticar o en
errores pasados.

En el análisis de series de tiempo se intenta aislar los patrones que

surgen con mayor frecuencia:
Tendencia: Se refiere a la proclividad de una serie de tiempo a exhibir un patrón estable de crecimiento o
declive.
Se refiere al movimiento a largo plazo de las ventas en un tiempo. Esta puede variar a lo largo de un ciclo de
vida del producto.
Se refiere al movimiento del valor medio de las ventas
en el tiempo, mostrando una tendencia creciente o
decreciente
Estacionalidad: Un patrón estacional es aquel que se repite en intervalos fijos.
Generalmente se piensa que el patrón que se repite cada año aun que también son comunes los patrones
estacionales mensuales, semanales y diarios.

Demanda estacional
 Aleatoriedad: Una serie aleatoria pura es aquella en la que no existe un patrón
reconocible para los datos. Los datos pueden generarse de una forma que, aun siendo
puramente aleatoria, muchas veces aparenta y tener una estructura

Regularidad:

Demanda regular: Presenta patrones en el tiempo que pueden descomponerse en

componentes de tendencia, estacionales y aleatorios, siempre que las variaciones aleatorias
sean pequeñas en proporción con las variaciones restantes de la serie de tiempo.

Demanda irregular: Cuando la demanda es intermitente, producto de bajo volumen global y de

un alto grado de incertidumbre al determinar cuando y qué nivel de demanda se va a producir.
Este componente representa la variabilidad aleatoria en las series de tiempo y es resultado de factores
a corto plazo, imprevistos y no recurrentes que afectan a la serie de tiempo. Como este componente
representa la variabilidad aleatoria en las series de tiempo, es impredecible; no podemos intentar
predecir su impacto en las series de tiempo.

Mide la variabilidad de una serie cuando los demás componentes se han eliminado o no existen.

FUERZAS QUE AFECTAN Y

EXPLICAN ALEATORIEDAD
Ciclos: La variación cíclica es similar a la estacionalidad, excepto porque la duración y magnitud del ciclo
pueden variar.
Los ciclos se relacionan con variaciones económicas a largo plazo que pueden presentarse además de las
fluctuaciones estacionales

Está formado por las repeticiones que presentan cada cierto tiempo los patrones de la demanda
MÉTODOS DE SUAVIZACIÓN
El objetivo de cada uno de estos métodos es “suavizar” las fluctuaciones aleatorias causadas por el
componente irregular de las series de tiempo, por lo que se conocen como métodos de suavización.
Este tipo de métodos es apropiado para una serie de tiempo estable, es decir, una que no exhibe
efectos significativos de tendencia, cíclicos o estacionales.

Promedios móviles

El término móvil indica que, mientras se dispone de una nueva observación para la serie de tiempo,
reemplaza a la observación más antigua de la ecuación anterior y se calcula un promedio nuevo.

Yt : observación en el período t
Ft: pronóstico para el período t
 Promedios móviles
(simples de orden 3)

• Se promedian solo las últimas observaciones

• El orden se determina a priori
• Un orden grande elimina los picos (suaviza)
• Un orden pequeño permite seguir muy de cerca
los cambios de corto plazo

Los promedios móviles simples no son las mejor manera de pronosticar cuando existe una tendencia en
las series
Promedios móviles Promedios móviles
(simples de orden 2) (simples de orden 4)
Ejemplo
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una base local militar durante los
pasados dos años son, 200, 250, 175, 186, 225, 285, 305, 190. Los promedios trimestrales y semestrales se
usan para pronosticar el número de fallas de motores. Determine los pronósticos de un paso adelante para
los periodos 4 a 8 utilizando los promedios móviles de 3 periodos, y los pronósticos de un paso adelante
para los periodos 7 y 8 utilizando promedios móviles para 6 periodos
Fallas de
F 4 = (1/3) (200 + 250 + 175) =208 Trimestre motor PM(3) Error PM(6) Error
1 200
Para el periodo 5 2 250
3 175
4 186 208 22
F5 = (1/3) (250 + 175 + 186) =204 C
5 225 204 -21
6 285 195 -90
Para el periodo 7 7 305 232 -73 220 -85
8 190 272 82 238 48
F7 = (1/6) (200+250+175+186+225+285) =220

et= Yt - Ft : residuo (error de pronóstico) en el período t

EJEMPLO

et= Yt - Ft : residuo (error de pronóstico) en el período t

MEDIDAS DE ERROR
et= Yt - Ft : residuo (error de pronóstico) en el período t
et= Ft- Yt
Error medio (EM) Error medio absoluto (MAD) Error medio cuadrático MSE

O DAM O ECM
Identifica el sesgo Distancia promedio Penaliza errores grandes

Error medio absoluto Porcentual

(MAPE)

X 100
O EPAM

Proporción del error

Una empresa de memorias de acceso aleatorio estático (SRAM), cuanta con plantas de producción en
Santiago de Chile y Arica. Los gerentes de esas plantas tienen que pronosticar los rendimientos de
producción (medidos en porcentaje) para sus plantas con una semana de antelación. Basada en 6
pronósticos semanales, la dirección de la compañía desea determinar qué gerente tiene más éxito para
predecir los rendimientos de su planta. Los resultados de sus predicciones son:

P1 y P2 = Pronósticos del gerente 1 y 2 respectivamente

O1 y O2 = rendimiento observado al final de la planta 1 y 2 respectivamente

Semana P1 O1 P2 O2
1 92 88 96 91
2 87 88 89 89
3 95 97 92 90
4 90 83 93 90
5 88 91 90 86
6 93 93 85 89
Semana P1 O1 [E1] [E1]2 [E1/O1] [E1/O1]/n P2 O2 [E2] [E2]2 [E1/O2] [E2/O2]/n
1 92 88 4 16 0,0455 0,0076 96 91 5 25 0,0549 0,0092
2 87 88 1 1 0,0114 0,0019 89 89 0 0 0,0000 0,0000
3 95 97 2 4 0,0206 0,0034 92 90 2 4 0,0222 0,0037
4 90 83 7 49 0,0843 0,0141 93 90 3 9 0,0333 0,0056
5 88 91 3 9 0,0330 0,0055 90 86 4 16 0,0465 0,0078
6 93 93 0 0 0,0000 0,0000 85 89 4 16 0,0449 0,0075
17 79 0,1947 0,0325 18 70 0,2020 0,0337

DAM 1 = 17/6 = 2,83

DAM 2 = 18/6 = 3,00

ECM 1 = 79/6 = 13,17

ECM 2 = 70/6 = 11,67 Una propiedad deseable para los
pronósticos es que sean insesgados
EPAM1 = 0,0325
EPAM2 = 0,0337
Suavización exponencial

La suavización exponencial utiliza un promedio ponderado de valores de series de tiempo pasadas como
pronóstico.

La formula muestra que el pronóstico para el periodo t+1 es un promedio ponderado del valor real en
el periodo t y el pronóstico para el periodo t.

Nuevo pronóstico = α (observación actual de la demanda) + (1 – α) (último pronóstico)

Es un caso especial del método de promedios móviles ponderados en el cual seleccionamos sólo un peso,
el peso para la observación más reciente.

Los pesos para los demás valores se calculan de forma automática y se vuelven cada vez más
pequeños a medida que las observaciones se alejan en el pasado.

Podemos demostrar que el pronóstico de la suavización exponencial para cualquier periodo también es
un promedio ponderado de todos los valores reales previos.
Valor de α (constante de suavizamiento)

Si la variabilidad aleatoria de la serie de tiempo es considerable, es preferible un valor pequeño para la

constante de suavización. La razón de esta elección es que, dado que gran parte del error de
pronóstico se debe a la variabilidad aleatoria, no queremos reaccionar de forma exagerada y ajustar los
pronósticos demasiado rápido.

Para una serie de tiempo con relativamente poca variabilidad, los valores más grandes de la constante
de suavización tienen la ventaja de ajustar rápidamente los pronósticos cuando ocurren errores de
pronóstico y por ende permiten que el pronóstico reaccione más rápido a las condiciones cambiantes.

• Elegimos el valor de α que minimiza el error de pronostico.

Ejemplo
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una base local militar durante los
pasados dos años son, 200, 250, 175, 186, 225, 285, 305, 190. Los promedios trimestrales y semestrales se
usan para pronosticar el número de fallas de motores. Determine los pronósticos de un paso adelante para
los periodos 4 a 8 utilizando los promedios móviles de 3 periodos, y los pronósticos de un paso adelante
para los periodos 7 y 8 utilizando promedios móviles para 6 periodos

Para iniciar el método se asumirá que el pronóstico para el periodo 1 fue 200. Supongamos que α = 0,1.

Fallas de
F2 = α D1 + (1- α) F1 Trimestre motor Pronóstico
1 200 200
= (0,1) (200) + (0.9)*(200) 2 250 200
= 200 3 175 205
4 186 202
F3 = α D2 + (1- α) F2 5 225 200
6 285 203
= (0,1) (250) + (0.9)*(200)
7 305 211
= 205 8 190 220
El suavizamiento exponencial pone un peso especial en las observaciones pasadas, así que el valor inicial
de demanda tendrá un efecto absurdamente grande en los primeros pronósticos. Este problema puede
superarse si se permite que el proceso evoluciones durante un número razonable de periodos (digamos
10 o más) y utilizando el promedio aritmético de la demanda durante esos periodos como el pronostico
inicial

Periodo Fallas PM3 [Error] Sec (0,1) [Error]

4 186 208 22 202 16
5 225 204 21 200 25
6 285 195 90 203 82
7 305 232 73 211 94
8 190 272 82 220 30
DAM= 57,6 DAM= 49,2
ECM=4215,6 ECM=3458,4
Ejemplo
MÉTODOS BASADOS EN LA TENDENCIA

En este punto se muestra cómo pronosticar los valores de una serie de tiempo que exhibe una tendencia
lineal a largo plazo.

El tipo de series de tiempo para las cuales el método de proyección de tendencias es aplicable, muestra
un incremento o disminución constante en el tiempo.

Debido a que este tipo de serie de tiempo no es estable, los métodos de suavización descritos en la
sección anterior no son aplicables.
 Análisis de regresión
Para una tendencia lineal, el volumen de ventas estimado expresado como una función del tiempo.

Tt = valor de tendencia para las ventas el periodo t

Otra forma de escritura es:

Lo óptimo es encontrar los valores 𝑛 𝑛
de a y b que proporcione mejor 𝑛(𝑛 + 1)
𝑌෠ = 𝑎 + 𝑏𝑋 𝑆𝑥𝑦 = 𝑛 ෍ 𝑖 𝐷𝑖 − ෍ 𝐷𝑖
ajuste de los datos 2
𝑖=1 𝑖=1
𝑆𝑥𝑦 𝑏(𝑛 + 1)
𝑏= ഥ−
𝑎=𝐷
𝑆𝑥𝑥 2 𝑛2 (𝑛 + 1)(2𝑛 + 1) 𝑛2 𝑛 + 1 2
𝑆𝑥𝑥 = −
6 4
ഥ 𝑜 𝑌es
Donde :𝐷 ത el promedio aritmerico de la demanda observadas durante los periodos 1,2, … . n
 Ejemplo
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una base local militar durante los
pasados dos años son, 200, 250, 175, 186, 225, 285, 305, 190.
Utilizar los primeros 5 periodos como base para estimar los parámetros de regresión (lo significa que se
podrá pronosticar la demanda para cualquier periodo posterior a este)
𝑛 𝑛
𝑛(𝑛 + 1)
𝑆𝑥𝑦 = 𝑛 ෍ 𝑖 𝐷𝑖 − ෍ 𝐷𝑖
2
𝑖=1 𝑖=1

𝑆𝑥𝑦=5[200+(250*2)+(175*3)+(186*4)+(225*5)] –[(5*6)/2]*[200+250+175+186+225]

𝑆𝑥𝑦= -70

𝑆𝑥𝑥 =(25*6*11)/6 – (25*36/4) 𝑆𝑥𝑥 = 50

𝑆 −70 𝑏 𝑛+1 7
𝑏 = 𝑆𝑥𝑦 = = -7/5= 1,4 ഥ−
𝑎=𝐷 = 207,2 − − ∗ 3 = 211,4
50
𝑥𝑥
2 5
෢𝑡 = 211,4 – 1,4 t
𝐷
Uno de los inconvenientes más serios de utilizar la regresión para el pronóstico es que resulta muy engorroso
actualizar los pronósticos conforme se va contando con nuevos datos
La serie de tiempo para el número de bicicletas vendidas

Parece tener un incremento general o una tendencia ascendente.

 Tt=20.4 + 1.1t
La pendiente de 1.1 en la ecuación de tendencia indica que durante los 10 años pasados la empresa ha
experimentado un crecimiento medio en las ventas de alrededor de 1100 unidades por año.

La proyección de tendencia del año siguiente,

T11=20.4 + 1.1* 11=32.5

Método Holt
Es un tipo de suavizamiento exponencial doble diseñado para dar seguimiento a series de tiempo con
tendencia lineal.
Este requiere la especificación de dos constantes de suavizamiento, α y β y utiliza 2 ecuaciones de
suavizamiento:
Una para el valor de la serie (la intercepción) y una para la tendencia (la pendiente)

𝑆𝑡 =∝ 𝐷𝑡 +(1 −∝)(𝑆𝑡−1 + 𝐺𝑡−1 )

𝐺𝑡 = 𝛽 𝑆𝑡 − 𝑆𝑡−1 + (1 − 𝛽)𝐺𝑡−1

𝑆𝑡 = El valor de intercepción n el tiempo t y

𝐺𝑡 =El valor de la pendiente en el tiempo t
Cuando la observación de la demanda más común Dt esta disponible, se promedia con el pronóstico
previo de la demanda actual, que es la intercepción previa St-1 más 1 vez la pendiente previa Gt-1

La segunda ecuación: Nuestro nuevo estimado de intercepción, St, provoca que modifiquemos
nuestro estimado de la pendiente St – St-1. Este valor se promedia entonces con es estimado anterior
de la pendiente Gt-1. Las constantes de suavizamiento pueden ser las mismas, pero para la mayoría
de las aplicaciones se da mayor estabilidad la estimado de la pendiente (lo que implica que β≤α)
 El pronóstico de Ϯ pasos adelante, hecho en el periodo t, que se denota como Ft,t+Ϯ

Ft,t+Ϯ = St + Ϯ Gt
Ejemplo
Los datos trimestrales para las fallas de ciertos motores de aeronaves en una base local militar durante los
pasados dos años son, 200, 250, 175, 186, 225, 285, 305, 190.

Suponemos que α y β son iguales a 0,1

Se necesita estimados tanto de la intercepción como de la pendiente en el tiempo cero. Se supondrá S0 =

200 y Go =10

S1 = 0,1 *200 + (0,9*(200+10)) = 209 S3 = 0,1 *175 + (0,9*(222+10,2)) = 226,5

G1 = 0,1 (209-200) +(0,9*10) = 9,9

G3 = 0,1 (226,5-222) +(0,9*10,2) = 10,2
S2 = 0,1 *250 + (0,9*(209+9,9)) = 222

G2 = 0,1 (222-209) +(0,9*9,9) = 10,2

 Periodo Fallas Pronóstico [error]
4 186 236,10 50,10
5 225 240,30 15,30
6 285 247,70 37,30
7 305 260,80 44,20
8 190 275,00 85,00

DAM = 46,4
Este es mejor porque esta diseñado para dar seguimiento a la tendencia de datos, no así
el suavizameinto exponencial simple y los promedios móviles.

Tanto el método Holt como la regresión están diseñados para manejar series que muestran la
tendencia
 MÉTODOS PARA SERIES ESTACIONALES

Una serie estacional es aquella que tiene un patrón que se repite cada N periodos, para algún valor de N
(que es cuando menos 3).

Duración de la estación (N): es el número de periodos antes de que el patrón comience a repetirse.

Existen muchas formas de representar la estacionalidad: la más común es suponer que existe un
conjunto de multiplicadores Ct, para 1 ≤ T ≤ N con la propiedad de que ∑ Ct= N

El multiplicador Ct = Representa la cantidad promedio de

la demanda en el periodo t de la estación está por encima
o por debajo del promedio global
Por ejemplo C3 = 1,25 y C3 = 0,60 , entonces en promedio, la
demanda en el tercer periodo de la estación esta 25% por N
encima de la demanda promedio y la demanda en el quinto
periodo de la estación es 40% menor de la demanda
promedio
Factores estacionales para series estacionarias

Serie de tiempo con variación estacional y sin tendencia

LOS MÉTODOS REQUIEREN UN MÍNIMO DE 2 ESTACIONES DE DATOS.

Procedimiento

1) Calcule la media de la muestra de todos los datos

2) Divida cada observación por la media de la muestra (esto da factores estacionales para cada
periodo de datos observados

3) Promedie los factores para los factores semejantes dentro de cada estación.
Promedie todos los factores correspondientes al primer periodo de una estación, todos los
factores correspondientes al segundo periodo de una estación, y así sucesivamente.
Los promedios resultantes son los N factores estacionales. Siempre sumaran exactamente N
Ejemplo:
El departamento de transporte La HAM de una ciudad de La Paz, necesita determinar los factores de uso, por
día de la semana, para el puente Las Américas que conecta 2 zonas de la ciudad. En el estudio actual se
contemplan los días hábiles. Se estima que el número de automóviles que utilizaron el puente cada día hábil
durante las pasadas 4 semanas fue (en miles de automóviles)

Semana 1 Semana 2 Semana 3 Semana 4

Lunes 16,20 17,30 14,60 16,10
Martes 12,20 11,50 13,10 11,80
Miércoles 14,20 15,00 13,00 12,90
Jueves 17,30 17,60 16,90 16,60
Viernes 22,50 23,50 21,90 24,30
1° paso Promedio 16,425

2° paso Se divide cada observación entre la media de la media

Semana 1 Semana 2 Semana 3 Semana 4

Lunes 0,986 1,053 0,889 0,980
Martes 0,743 0,700 0,798 0,718
Miércoles 0,865 0,913 0,791 0,785
Jueves 1,053 1,072 1,029 1,011
Viernes 1,370 1,431 1,333 1,479
3° paso Se promedia los factores correspondientes al mismo periodo de la estación

Lunes 0,977 Pronóstico

Martes 0,740 Lunes 16,05
Miércoles 0,839 PRONÓSTICO Martes 12,15
Jueves 1,041 Miércoles 13,78
Viernes 1,403 Jueves 17,10
5,000 Viernes 23,05
INTERPRETACIÓN DE LOS RESULTADOS
 Descomposición estacional usando promedios móviles

Este método requiere el cálculo de los promedios móviles de N periodos, donde N es la duración de
la estación.
Ejemplo
El historial de la demanda de cierto artículo en los últimos ocho trimestres es de 10, 20, 26, 17, 12, 23, 30 y
22
Demanda Periodo Demanda PM(4)
35
1 10
30
2 20
25
3 26
20
4 17 18,25
15

10
5 12 18,75
5
6 23 19,50
0 7 30 20,50
1 2 3 4 5 6 7 8
8 22 21,75
1° Por la imagen se ve que los datos representan 2 estaciones, en las que cada una tiene 4 periodos, por
lo que se calcula el promedio móvil para 4 periodos.

2° Los promedios móviles deben “centrarse” (calcular el centro de estos números) (1+2+3+4)/4 = 2,5;
(2+3+4+5)/4=3,5 …….
Para N impar, los valores centrados coincidirían con los periodos en vez de estar entre periodos
3° Se debe volver hacer que los valores coincidan con los periodos: Para lo cual se promedian los valores
adyacentes.
Para la obtención de los valores 1 y 2 se promedian los valores de los periodos 3 y 4 y para la obtención de
los valores 7 y 8, se promedian los valores 5 y 6. De esta menar se obtiene el promedio móvil centrado.
4° se forma la razón de la demanda para ese periodo sobre el PM centrado
5° formar el promedio de los factores estacionales correspondientes a los mismos periodos de cada
estación. Como se tienen 2 estaciones de datos, se promedia primer valor de la primera estación con el
primero de la siguiente estación)
6° Se debe verificar que la suma de los factores estacionales sea igual a N
7° Dividir cada observación por el factor estacional apropiado para poder obtener la demanda
desestacionalizada
8° Se debe reestacionalizar la demanda mediante la multiplicación del factor estacional apropiado,
pudiéndose utilizar el método Holt o regresión lineal
Periodo Demanda PM(4) Centrado PM Centrado Promedio de Factor
Razón factores 0,558
1 10 18,813
(18,500+19,125)/2 0,532 0,566

1,062
2 20 18,813
1,063 1,076

3 26 18,500 1,413
1,405 1,432
18,250
4 17 18,250 19,125 0,966
0,889 0,979
18,750
5 12 18,750 20,000 0,558
0,600 4,053
19,500
6 23 19,500 21,125 1,089 1,062
20,500
(20,000 +21,125)/2
7 30 20,500 20,563 1,459 1,413
21,750
8 22 21,750 20,563 1,070 0,967

4/4,053=
0,987

Conforme aparezcan nuevos datos, se debe volver a calcular a partir de cero

 Demanda
Demanda Factor desestacionalizada
10 0,558 17,911
20 1,062 18,836
26 1,413 18,397
17 0,966 17,590
12 0,558 21,493
23 1,062 21,661
30 1,413 21,227
22 0,967 22,762

Utilizar un método para tendencias

Método Winters

Es un tipo de suavizamiento exponencial triple, y tiene la importante ventaja de ser fácil de actualizar
conforme se dispone de nuevos datos.

𝐷𝑡 = (𝜇 + 𝐺𝑡 )𝐶𝑡 + 𝜀𝑡

Donde:
𝜇 = Señal base o intercepción en el tiempo t=0
(excluyendo la estacionalidad)
𝐺𝑡 = Componente de tendencia o pendiente
𝐶𝑡 = Componente estacional multiplicativo del
periodo t
𝜀𝑡 = término de error
 Se supone que la duración de la estación es exactamente N periodos y los factores estacionales son los
mismos cada estación y tienen la propiedad de que ∑Ct=N

Se usan 3 ecuaciones de suavizamiento en cada periodo para actualizar los cálculos de serie desestacionalizada,
los factores estacionales y la tendencia. Estas constantes pueden tener diferentes constantes de suavizamiento,
α,β y Ƴ
1.- La serie: El nivel actual de la serie desestacionalizada, St, esta dada por:
𝐷𝑡
𝑆𝑡 = 𝛼( ) + (1 +∝)(𝑆𝑡−1 + 𝐺𝑡−1 )
𝐶𝑡−𝑁

Al dividir se esta desestacionalizando

la observación de demanda más nueva
Esto se promedia entonces con el pronóstico actual para la serie desestacionalizada, como en el
método Holt.
2. La tendencia: La tendencia se actualiza en una forma similar a la del método Holt

𝐺𝑡 = 𝛽 𝑆𝑡 − 𝑆𝑡−1 + (1 − 𝛽)𝐺𝑡−1

3. Los factores estacionales:

𝑐𝑡 = 𝛾 𝐷𝑡 /𝑆𝑡 + (1 − 𝛾)𝐶𝑡−𝑁

Da como resultado el estimado actual del factor estacional.

Después de esto se promedia con el mejor estimado previo del factor estacional Ct-N.

Cada vez que se actualiza un factor estacional, es necesario normalizar los N factores más recientes para que
sumen N
Por último, el pronóstico realizado en el periodo t para cualquier periodo futuro t+Ƭ, esta dado por
𝐹𝑡,𝑡+𝜏 = 𝑆𝑡 + 𝜏𝐺𝑡 𝑐𝑡+𝜏−𝑁
Esta ecuación supone que t ≤ N. Si N < Ƭ ≤ 2N, el factor estacional adecuado será 𝑐𝑡+𝜏−3𝑁 y así
sucesivamente
 Procedimiento de inicialización

Para poder iniciar el procedimiento se debe tener: Los estimados iniciales de la serie, la pendiente y los
factores estacionales. Winters, sugiere que para la inicialización, deben estar disponibles dos estaciones de
datos.
Suponiendo que existan 2 estaciones de datos (2N), también que el periodo actual es t=0, las observaciones
pasadas se marcan como D-2N+1, D -2N+2,….D0
1. Calcule por separado la media de la muestra de las dos estaciones de datos
−𝑁
1
𝑉1 = ෍ 𝐷𝑗
𝑁
𝑗=−2𝑁+1
0
1
𝑉2 = ෍ 𝐷𝑗
𝑁
𝑗=−𝑁+1

2. Defina G0=(V2-V1)/N como es estimado de la pendiente inicial. Si hay m>2 estaciones de datos disponibles
para la inicialización, entonces calcule V1….Vm como en el paso 1 y defina G0=(Vm-V1)/([(m-1)N]. Si se localiza
V1 en el centro de la primera estación de datos [en el periodo (-3N+1)/2] y V2 en el centro de la segunda
estación de datos [en el periodo(-N+1)/2], entonces G0 es simplemente la pendiente de la línea que conecta V1
y V2.
3. Iguale S0=V2 +G=[(N-1)/2]. Con esto se estima el valor de la serie en el tiempo t=0. Observe que S0
es el valor asumido por la línea que conecta V1 y V2 en T=0

4. a) Los factores estacionales iniciales se calculan para cada periodo del cual se tienen datos disponibles
y después de promedian para obtener un conjunto de factores estacionales.

Factores iniciales: se divide cada una de las observaciones iniciales entre el punto a lo largo de la línea
que conecta V1 y V2.

𝐷𝑡
𝑐𝑡 = 𝑝𝑎𝑟𝑎 − 2𝑁 + 1 ≤ 𝑡 ≤ 0
𝑁+1
𝑉𝑖 − [ − 𝑗]𝐺0
2

Donde i= 1 para la primera estación y

j= es el periodo de la estación: j=1 para t=-2N+1 y t=-N+1 J=2 para t=-2N+2 y t=-N+2
y así sucesivamente

𝐶−2𝑁+1 + 𝐶−2+1 𝐶−𝑁 + 𝐶0

b) Promedie los factores estacionales: 𝑐−𝑁+1 = , … … . . 𝑐−𝑁+1 =
2 2
c) Se normalizan los factores estacionales:
𝐶𝑗
𝑐𝑗 =
σ−𝑁+1
𝑖=0 𝑐𝑖
Ejemplo
El historial de la demanda de cierto artículo en los últimos ocho trimestres es de 10, 20, 26, 17, 12, 23, 30 y
22

V1= (10+20+26+17)/4= 18,25 V2= (12+23+30+22)/4= 21,75

G0= (21,75-18,25) = 0,875 S0= (21,75+(0,875)*(1,5) = 23,06

Los factores estacionales se calculan de la siguiente manera:

𝐷𝑡
𝑐𝑡 =
𝑁+1
𝑉𝑖 − [ − 𝑗]𝐺0
2
10 20
𝑐−7 = = 0,5904 𝑐−6 = = 1,123
5 5
18,25 − − 1 ∗ 0,875 18,25 − [ −2 ∗ 0,875 ]
2 2
 Demanda Factores Estacionales
10 C-7 0,590
20 C-6 1,123
26 C-5 1,391
17 C-4 0,869
12 C-3 0,587
23 C-2 1,079
30 C-1 1,352
22 C-0 0,954

Se deben obtener los 4 factores estacionales, para lo cual se promedia:

C-3 0,589 C-3 0,593

C-2 1,101 C-2 1,109
C-1 1,372 C-1 1,381
C-0 0,911 C-0 0,918

3,973 Normalizar
Para el pronóstico de la demanda del próximo año en el tiempo t=0

𝐹𝑡,𝑡+𝜏 = 𝑆𝑡 + 𝜏𝐺𝑡 𝑐𝑡+𝜏−𝑁

𝐹0,1 = 𝑆0 + 1𝐺0 𝑐0+1−4 𝐹0,1 = 23,06 + 0,875 ∗ 0,593 𝐹0,1 = 14,098

𝐹0,2 = 23,06 + 2 ∗ 0,875 ∗ 1,109 𝐹0,2 = 27,514

𝐹0,2 = 𝑆0 + 2𝐺0 𝑐0+2−4

Demanda
pronosticada para
t=0
14,193
27,510
35,482
24,380
Para t=1
Se observa una demanda de D1= 16, por lo que es necesario actualizar las ecuaciones α=0,2 y β= 0,1 y Ƴ=1

𝐷𝑡
𝑆𝑡 = 𝛼( ) + (1 +∝)(𝑆𝑡−1 + 𝐺𝑡−1 )
𝐶𝑡−𝑁
16 𝑆𝑡=1 = 24,544
𝑆𝑡=1 = 0,2( ) + (1 − 0,2)(23,06 + 0,875)
0,593

𝐺𝑡=1 = 𝛽 𝑆𝑡 − 𝑆𝑡−1 + (1 − 𝛽)𝐺𝑡−1

𝐺𝑡=1 = 0,1 24,544 − 23,06 + 1 − 0,1 0,875 𝐺𝑡=1 = 0,936

𝑐𝑡 = 𝛾 𝐷𝑡 /𝑆𝑡 + (1 − 𝛾)𝐶𝑡−𝑁

𝑐𝑡=1 = 0,1 16/24,544 + 1 − 0,1 0,593 𝑐𝑡=1 = 0,5989

0,59788187
1,10681511
Normaliza
1,37896224
0,9162895
𝐹𝑡,𝑡+𝜏 = 𝑆𝑡 + 𝜏𝐺𝑡 𝑐𝑡+𝜏−𝑁 𝐹1,1+1 = 𝑆1 + 1𝐺1 𝑐1+1−4 𝐹1,2 = 24,544 + 1 ∗ 0,936 *1,107

𝐹1,2 =28,20

𝐹1,3 = 24,544 + 2 ∗ 0,936 *1,379 𝐹1,3 = 36,428

Completar

Se ha observado un año completo de demanda, dado por: D1= 16, D2= 33, D3=34 y D4=26, actualizar el
estimado