Documentos de Académico
Documentos de Profesional
Documentos de Cultura
APLICACIÓN MODELOS
DE PRONOSTICOS
EJERCICIO PRACTICO
jmartinez
John Jairo Martinez Torres
Armando galeano
Juan Vanegas
I3AE
APLICACIÓN MODELOS DE PRONOSTICOS
PRESENTADO POR :
EJERCICIO PRACTICO EMPLEANDO MODELOS DE PRONOSTICOS, PROMEDIO SIMPLE, PROMEDIO MOVIL SIMPLE,
PROMEDIO PONDERADO , SUAVIZACIÓN EXPONENCIAL SIMPLE, REGRESION LINEAL Y METODOS DE
DESESTACIONALIZACION
PRESENTADO A :
En el mundo Actual las empresas se mueven en una atmosfera de incertidumbre en cuanto a las
variaciones de la demanda y el mercado. Es necesario establecer una serie de estrategias para suplir esta
demanda y tener cada vez mayor participación en el mercado, el uso correcto de pronósticos nos
ayudara a cumplir con este ambicioso objetivo.
A lo largo de este trabajo realizaremos un ejercicio práctico en donde una empresa Y, nos presenta la
demanda de los últimos doce periodos de un Producto X y debemos establecer Cuál será la cantidad a
pronosticar para el periodo Trece. Cuando nos enfrentamos a la necesidad de tomar decisiones en un
ambiente incierto, ¿Qué tipo de pronóstico debemos emplear? ¿Cuál es el método correcto para
establecer el modelo correcto?
DEMANDA DEMANDA
MES MES
(Unidades) (Unidades)
Enero 4.200 Julio 5.300
Febrero 4.300 Agosto 4.900
Marzo 4.000 Septiembre 5.400
Abril 4.400 Octubre 5.700
Mayo 5.000 Noviembre 6.300
Junio 4.700 Diciembre 6.000
a) Con un análisis de mínimos cuadrados, ¿cuál estimaría que fuera la demanda de cada mes
del año entrante? Con una hoja de cálculo, siga el formato general de la ilustración 15.11.
Compare sus resultados con los obtenidos usando la función pronostico de la hoja de
cálculo.
Inicialmente tabulamos y graficamos los datos y establecemos la recta de regresión lineal
por medio de la ecuación Y = a + bXb
Errores
Trim. Demanda Trim.2 Demandas2 Trim*Demanda Y = 441,6 + 359,6X Sesgo2
estimados
01 4.200 1 17.640.000 4.200 3.958,9 58.129,2
02 4.300 4 18.490.000 8.600 4.151,2 22.141,4
03 4.000 9 16.000.000 12.000 4.343,5 117.992,3 445,3
04 4.400 16 19.360.000 17.600 4.535,8 18.441,6 329,2
05 5.000 25 25.000.000 25.000 4.728,1 73.929,6 311,3
06 4.700 36 22.090.000 28.200 4.920,4 48.576,2 291,2
07 5.300 49 28.090.000 37.100 5.112,7 35.081,3 273,6
08 4.900 64 24.010.000 39.200 5.305,0 164.025,0 299,5
09 5.400 81 29.160.000 48.600 5.497,3 9.467,3 279,7
10 5.700 100 32.490.000 57.000 5.689,6 108,2 261,7
11 6.300 121 39.690.000 69.300 5.881,9 174.807,6 283,4
12 6.000 144 36.000.000 72.000 6.074,2 5.505,6 269,9
b=
xy - n( y)( x ) = 418.800 - 12(5.016,66)(6,5) 27.500 = 192,308
x - n( x )
2 2
650 12(42.25) 143
a = y - b x = (5.016,66) - (192,308)(6,5) = 3766,607
5,000
4,000
3,000
2,000
1,000
PRONOSTICOS
Funcion
Periodos (X) Y = 441,6 + 359,6X
Pronostico Excel
13 6266,7 6.266,5
14 6459 6.458,8
15 6651,3 6.651,1
16 6843,6 6.843,4
17 7035,9 7.035,7
18 7228,2 7.228,0
19 7420,5 7.420,3
20 7612,8 7.612,6
21 7805,1 7.804,9
22 7997,4 7.997,2
23 8189,7 8.189,5
24 8382,1 8.381,8
Demanda Audifonos año 2009 y Pronostico
2010
9,000
8,000
y = 192.31x + 3766.7
7,000
6,000
5,000
4,000
3,000
2,000
1,000
0
jun 09
oct 09
jun 10
oct 10
abr 09
abr 10
ene 09
nov 09
ene 10
jul 10
sep 10
nov 10
mar 09
may 09
jul 09
may 10
ago 09
sep 09
mar 10
dic 09
ago 10
feb 09
feb 10
dic 10
Podemos notar que la diferencia entre resolver este modelo de forma manual y con la función
pronóstico de Excel no es más que unos cuantos decimales.
b) Para tener alguna seguridad de cubrir la demanda, Nina decide usar tres errores estándar
por seguridad. ¿Cuántas unidades adicionales debe retener para alcanzar este nivel de
confianza?
Estadísticas de la regresión
ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los
F Valor crítico de F
libertad cuadrados cuadrados
Regresión 1 5.288.461,538 5.288.461,538 72,623 0,000006741
Residuos 10 728.205,128 72.820,513
Total 11 6.016.666,667
Podemos notar que en el complemento de Excel el error estándar del estimado es 269,853 y
el Coeficiente de Determinación es 0,867, como Nina Industries eligió usar tres errores
estándar tenemos:
Nina debe contar con 556 unidades adicionales a lo pronosticado para alcanzar el nivel de
confianza esperado.
2. Los datos de Ventas de 2 años son los siguientes. Los datos están acumulados con dos meses de
ventas en cada “periodo”
a) Trace la grafica.
Teniendo en cuenta que la ecuación es: Y = 122 + 1,136X El modelo de regresión simple
quedaría de la siguiente manera:
03 150 125,3
04 170 126,4
05 120 127,5
06 100 128,6
07 115 129,7
08 112 130,8
2009
09 159 131,9
10 182 133,0
11 126 134,1
12 106 135,2
78 1.553
c) Además del modelo de regresión, determine los factores multiplicadores del índice
estacional. Se supone que un ciclo completo es de 1 año.
78 1.553
d) Con los resultados de los incisos b) y c), prepare un pronóstico para el año entrante.
2006 2007
CANTIDAD CANTIDAD
TRIMESTRE TRIMESTRE
(Unidades) (Unidades)
I 12 I 16
II 18 II 24
III 26 III 28
IV 16 IV 18
25
y = 1.0238x + 15.143
20
15
10
0
ene-feb 08 mar-abr 08 may-jun 08 jul-ago 08 sep-oct 08 nov dic 08 ene-feb 09 mar-abr 09
Teniendo en cuenta que la ecuación es: Y = 1,023 + 15,14X El modelo de regresión simple
quedaría de la siguiente manera:
Proporción Factor
Año Periodo Trimestre ventas Y = 15,1 + 1,024X
real/Tendencia estacional
1 I 12 16,1 0,745
I 0,771
2006
2 II 18 17,1 1,053
3 III 26 18,1 1,436
II 1,095
4 IV 16 19,1 0,838
5 I 16 20,1 0,796
III 1,352
2007
6 II 24 21,1 1,137
7 III 28 22,1 1,267
IV 0,808
8 IV 18 23,1 0,779
Promedio de
Factor Ventas
Año Periodo Trimestre ventas Trim de Cada Y=16,52 + 0,718X
Estacional Desestacionalizadas
Año
Con las ventas Desestacionalizadas y el valor de cada periodo se aplca regresión lineal y se
obtiene el valor de A y B de la ecuación de la recta promedio
Coeficientes
Intercepción 16,5202414
Variable X 1 0,71772413
10 II 25,1 1,095 27
11 III 26,1 1,35 35
12 IV 27,1 0,808 22
10 II 23,7 1,063 25
11 III 24,4 1,37 33
12 IV 25,1 0,861 22
35
30
25
20
15
10
0
4. La tabla siguiente contiene la demanda de los últimos 10 meses.
DEMANDA DEMANDA
MES MES
REAL REAL
1 31 6 36
2 34 7 38
3 33 8 40
4 35 9 40
5 37 10 41
a) Calcule el pronóstico con suavización exponencial simple de estos datos con una α de 0.30 y
un pronóstico inicial (F1) de 31.
DMA SESGO
SUAVIZAMIENTO
DEMANDA SEÑAL DE
PERIODO EXPONENCIAL
REAL RELATIVO ACUMULADO RELATIVO ACUMULADO RASTREO
SIMPLE
01 31
02 34 31,0 3,0 3,0 3,0 3,0 1,00
03 33 31,9 1,1 2,1 1,1 2,1 2,00
04 35 32,2 2,8 2,3 2,8 2,3 3,00
05 37 33,1 3,9 2,7 3,9 2,7 4,00
06 36 34,2 1,8 2,5 1,8 2,5 5,00
07 38 34,8 3,2 2,6 3,2 2,6 6,00
08 40 35,7 4,3 2,9 4,3 2,9 7,00
09 40 37,0 3,0 2,9 3,0 2,9 8,00
10 41 37,9 3,1 2,9 3,1 2,9 9,00
b) Calcule el pronóstico con suavización exponencial con tendencia para estos datos, con una α
de 0.30, δ de 0.30, un pronóstico de tendencias inicial (T1) de 1 y un pronóstico uniforme
exponencial inicial de 30.
01 31 30
02 34 30,30 1,09 31,39 2,6 2,6 2,6 2,6 1,0000
03 33 32,17 1,32 33,50 0,5 1,6 -0,5 1,1 1,3592
04 35 33,35 1,28 34,63 0,4 1,2 0,4 0,8 2,1414
05 37 34,74 1,31 36,05 0,9 1,1 0,9 0,9 3,1000
06 36 36,34 1,40 37,74 1,7 1,2 -1,7 0,3 1,3744
07 38 37,22 1,24 38,46 0,5 1,1 -0,5 0,2 1,1203
08 40 38,32 1,20 39,52 0,5 1,0 0,5 0,2 1,6907
09 40 39,67 1,24 40,91 0,9 1,0 -0,9 0,1 0,8041
10 41 40,64 1,16 41,80 0,8 1,0 -0,8 0,0 0,0059
Indudablemente el modelo con suavización exponencial Doble nos llevaría a un pronóstico más acertado.
5. A continuación se anotan las ganancias por acción de dos compañías, por trimestre, del primer
trimestre de 2004 al segundo de 2007. Pronostique las ganancias por acción para el resto de
2007 y para 2008. Use suavización exponencial para pronosticar el tercer periodo de 2007 y el
método de descomposición de series de tiempos para pronosticar los últimos dos trimestres de
2007 y los cuatro trimestres de 2008 (es mucho más fácil resolver el problema en una hoja de
cálculo computarizada, para ver lo que sucede).
AÑO TRIMESTRE Compañía A Compañía B
I 1,67 0,17
II 2,35 0,24
2004
III 1,11 0,26
IV 1,15 0,34
I 1,56 0,25
II 2,04 0,37
2005
III 1,14 0,36
IV 0,38 0,44
I 0,29 0,33
II -0,18 (Perdida) 0,40
2006
III -0,97 (Perdida) 0,41
IV 0,20 0,47
I -1,54 (Perdida) 0,30
2007
II 0,38 0,47
COMPAÑÍA A (α = 0,1)
SUAVIZAMIENTO DMA SESGO
SEÑAL DE
PERIODO AÑO TRIM. GANANCIAS EXPONENCIAL
REL. ACUM. REL. ACUM. RASTREO
SIMPLE
01 I 1,67
02 II 2,35 1,67 0,7 0,7 0,7 0,7 1,00
2004
03 III 1,11 1,74 0,6 0,7 -0,6 0,0 0,08
04 IV 1,15 1,68 0,5 0,6 -0,5 -0,2 -0,77
05 I 1,56 1,62 0,1 0,5 -0,1 -0,1 -1,13
06 II 2,04 1,62 0,4 0,5 0,4 0,0 -0,24
2005
07 III 1,14 1,66 0,5 0,5 -0,5 -0,1 -1,33
08 IV 0,38 1,61 1,2 0,6 -1,2 -0,3 -3,20
09 I 0,29 1,48 1,2 0,7 -1,2 -0,4 -4,64
10 II -0,18 1,36 1,5 0,8 -1,5 -0,5 -6,08
2006
11 III -0,97 1,21 2,2 0,9 -2,2 -0,7 -7,54
12 IV 0,2 0,99 0,8 0,9 -0,8 -0,7 -8,52
13 I -1,54 0,91 2,5 1,0 -2,5 -0,8 -9,83
14 2007 II 0,38 0,67 0,3 1,0 -0,3 -0,8 -10,71
15 III 0,64
COMPAÑÍA A (α = 0,3)
SUAVIZAMIENTO DMA SESGO
SEÑAL DE
PERIODO AÑO TRIM. GANANCIAS EXPONENCIAL
REL. ACUM. REL. ACUM. RASTREO
SIMPLE
01 I 1,67
02 II 2,35 1,67 0,7 0,7 0,7 0,7 1,00
2004
03 III 1,11 1,87 0,8 0,7 -0,8 0,0 -0,12
04 IV 1,15 1,64 0,5 0,6 -0,5 -0,2 -0,90
05 I 1,56 1,50 0,1 0,5 0,1 -0,1 -1,03
06 II 2,04 1,52 0,5 0,5 0,5 0,0 0,02
2005
07 III 1,14 1,67 0,5 0,5 -0,5 -0,1 -1,03
08 IV 0,38 1,51 1,1 0,6 -1,1 -0,2 -2,77
09 I 0,29 1,17 0,9 0,6 -0,9 -0,3 -4,00
10 II -0,18 0,91 1,1 0,7 -1,1 -0,4 -5,30
2006
11 III -0,97 0,58 1,6 0,8 -1,6 -0,5 -6,71
12 IV 0,2 0,12 0,1 0,7 0,1 -0,5 -7,19
13 I -1,54 0,14 1,7 0,8 -1,7 -0,6 -8,58
14 2007 II 0,38 -0,36 0,7 0,8 0,7 -0,5 -7,67
15 III -0,14
COMPAÑÍA B (α = 0,1)
DMA SESGO
SUAVIZAMIENTO
SEÑAL DE
PERIODO AÑO TRIM. GANANCIAS EXPONENCIAL
REL. ACUM. REL. ACUM. RASTREO
SIMPLE
01 I 0,17
02 II 0,24 0,17 0,1 0,1 0,1 0,1 1,00
2004
03 III 0,26 0,18 0,1 0,1 0,1 0,1 2,00
04 IV 0,34 0,19 0,2 0,1 0,2 0,1 3,00
05 I 0,25 0,20 0,0 0,1 0,0 0,1 4,00
06 II 0,37 0,21 0,2 0,1 0,2 0,1 5,00
2005
07 III 0,36 0,22 0,1 0,1 0,1 0,1 6,00
08 IV 0,44 0,24 0,2 0,1 0,2 0,1 7,00
09 I 0,33 0,26 0,1 0,1 0,1 0,1 8,00
10 II 0,4 0,26 0,1 0,1 0,1 0,1 9,00
2006
11 III 0,41 0,28 0,1 0,1 0,1 0,1 10,00
12 IV 0,47 0,29 0,2 0,1 0,2 0,1 11,00
13 I 0,3 0,31 0,0 0,1 0,0 0,1 11,85
14 2007 II 0,47 0,31 0,2 0,1 0,2 0,1 12,86
15 III 0,32
COMPAÑÍA B (α = 0,3)
DMA SESGO
SUAVIZAMIENTO
SEÑAL DE
PERIODO AÑO TRIM. GANANCIAS EXPONENCIAL
REL. ACUM. REL. ACUM. RASTREO
SIMPLE
01 I 0,17
02 II 0,24 0,17 0,1 0,1 0,1 0,1 1,00
2004
03 III 0,26 0,19 0,1 0,1 0,1 0,1 2,00
04 IV 0,34 0,21 0,1 0,1 0,1 0,1 3,00
05 I 0,25 0,25 0,0 0,1 0,0 0,1 3,99
06 II 0,37 0,25 0,1 0,1 0,1 0,1 5,00
2005
07 III 0,36 0,29 0,1 0,1 0,1 0,1 6,00
08 IV 0,44 0,31 0,1 0,1 0,1 0,1 7,00
09 I 0,33 0,35 0,0 0,1 0,0 0,1 7,53
10 II 0,4 0,34 0,1 0,1 0,1 0,1 8,52
2006
11 III 0,41 0,36 0,1 0,1 0,1 0,1 9,50
12 IV 0,47 0,37 0,1 0,1 0,1 0,1 10,51
13 I 0,3 0,40 0,1 0,1 -0,1 0,1 8,82
14 2007 II 0,47 0,37 0,1 0,1 0,1 0,1 9,89
15 III 0,40
b) Con el método MAD para probar el desempeño del modelo de pronóstico, más datos reales
de 2004 al segundo trimestre de 2007, ¿qué tan bien funciono el modelo?
En ambas empresas podemos observar amplia dispersión en sus datos lo que es consecuente
con las señales de rastreo con valores tan distante de los limites de control. Se podría
modificar “α” ó usar otro modelo para llegar a unos pronósticos más acertados.
c) Con la descomposición del método de pronóstico por series de tiempo, pronostique las
ganancias por acción para los dos últimos trimestre de 2007 y para los cuatro trimestres de
2008. ¿Hay algún factor estacional en las ganancias?
Proporción Factor
Año Periodo Trim. Ganancias y = 2,288+ -0,214X
real/Tendencia estacional
III
5,781
16 IV -1,133 0,247 -0,28
17 I -1,347 1,504 -2,03
2008
III
1,022
16 IV 0,486 1,189 0,58
17 I 0,503 0,785 0,39
2008
En la compañía B podemos notar un aumento gradual en sus factores estacionales, mientras que
en la compañía A encontramos factores muy dispersos, entre ellos un dato supremamente
atípico 5,781
d) Use sus pronósticos y comente sobre cada compañía.
A lo largo de este ejercicio práctico hemos logrado fortalecer los conceptos y aplicaciones de los modelos
de pronósticos, Promedio Simple, Promedio Móvil Simple, Promedio Móvil Ponderado y Suavizamiento
Exponencial Simple, Suavizamiento Exponencial Doble, regresión Lineal, Método de Desestacionalizacion
con tendencia Ajustada manualmente y Metodo de Desestacionalizacion con tendencia Ajustada por
Regresión lineal, siendo capaces de escoger el modelo que más se adapte a la necesidad, de acuerdo al
principio de argumentación y contando con las herramientas para ello.
BIBLIOGRAFIA