Administración y

Planificación de la
Producción Industrial:

La Previsión
 Contenido

 ¿Qué es la previsión?
 Horizontes temporales de la previsión
 La influencia del ciclo de vida del producto

 Tipos de previsiones
 La importancia estratégica de la previsión
 Recursos humanos
 Capacidad
 Gestión de la cadena de suministros

 Siete etapas en el sistema de previsión

 Contenido
Enfoques de la previsión
 Visión global de los métodos cualitativos
 Visión global de los métodos cuantitativos
Previsión de series temporales
 Descomposición de una serie temporal
 Enfoque simple
 Medias móviles
 Alisado exponencial
 Alisado exponencial con ajuste de tendencia
 Proyecciones de la tendencia
 Variaciones estacionales en los datos
 Variaciones cíclicas en los datos
 Contenido
Métodos de previsión causal: análisis de
regresión y correlación
 Utilización del análisis de regresión para realizar
previsiones
 Error estándar de la estimación
 Coeficientes de correlación para las rectas de
regresión
 Análisis de regresión múltiple
Seguimiento y control de las previsiones
 Alisado adaptable
 Previsión enfocada
Previsión en el sector servicios
 Objetivos de aprendizaje

Identificar o definir:
 Previsión
 Tipos de previsión
 Horizontes temporales
 Enfoques de la previsión
 Objetivos de aprendizaje
Describir o explicar:
 Medias móviles
 Alisado exponencial
 Proyecciones de tendencia
 Análisis de regresión y correlación
 Medidas de precisión de la previsión
 ¿Qué es la previsión?
 Arte y ciencia de
predecir
¡Venderá 200
acontecimientos millones de
futuros. dólares!

 Base de todas las

decisiones
empresariales:
 Producción.
 Inventario.
 Personal.
 Instalaciones.
 Tipos de horizontes temporales
de la previsión
Previsión a corto plazo:
 Cobertura de hasta un año, generalmente inferior a los
tres meses.
 Programación de trabajos, asignación de tareas.

Previsión a medio plazo:

 Entre tres meses y tres años.
 Planificación de las ventas, de la producción y del
presupuesto.
Previsiones a largo plazo:
 Periodos superiores a tres años.
 Planificación de nuevos productos, localización de las
instalaciones.
Previsiones a corto plazo frente a
previsiones a largo plazo
Las previsiones 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.
Las previsiones a corto plazo normalmente
emplean metodologías diferentes a las
utilizadas en las previsiones a largo plazo.
Las previsiones a corto plazo tienden a ser
más exactas que las realizadas a largo plazo.
La influencia del ciclo de vida del
producto
Las etapas de introducción y crecimiento
necesitan previsiones más largas que las de
madurez y declive.
Las previsiones son útiles para proyectar
mientras el producto pasa de la primera a la
última etapa:
 los diferentes niveles de personal
 los diferentes niveles de inventarios
 los diferentes niveles de capacidad de producción
 Estrategia durante el ciclo de vida
de un producto
Introducción
Mejor periodo para
aumentar la cuota de
mercado
Estrategias de la compañía
Es vital planear la I + D
Ventas
Impresoras a
color
HDTV
La planificación y desarrollo
del producto son vitales
Cambios frecuentes en
Estrategias de la OM
planificación del producto y
proceso
Lotes de producción
pequeños
Altos costes de producción
Número de modelos limitado
Atención a la calidad
Crecimiento
Buen momento para
cambiar el precio o la
imagen de calidad
Fortalecer el segmento
de mercado
Restaurantes para mercado
comer en el coche
CD-ROM
Internet
La previsión es muy
importante
Fiabilidad del producto y
proceso
Posibilidades y mejoras del
producto competitivas
Aumento de la capacidad
Cambio de tendencia para
centrarse en el producto
Atención a la distribución
Madurez Declive
Mal momento para cambiar la Es vital controlar el
imagen, el precio o la calidad coste
Los costes competitivos son
ahora muy importantes
Defender la posición en el
Fax
Disquetes
de 3 1/2”
Furgonetas
Estandarización Poca diferenciación del
producto
Cambios de producto menos
rápidos; más cambios
Minimización de costes
minuciosos
Sobrecapacidad en la
Capacidad óptima
industria
Estabilidad creciente del
proceso de producción Eliminación de productos
que no proporcionan un
Grandes lotes de producción
margen aceptable
Mejora del producto y
Reducción de capacidad
reducción de costes
 Tipos de previsiones
Previsiónes económicas:
 Dirigidas al ciclo empresarial, por ejemplo, las
tasas de inflación, la masa monetaria, etc.
Previsiónes tecnológicas:
 Predicen el progreso tecnológico.
 Predicen el nacimiento de nuevas ventas.

Previsiones de demanda:
 Predicen las ventas ya existentes.
 Siete etapas en el sistema de
previsión
Determinar la utilización de la previsión.
Seleccionar los artículos en los que se va a
realizar la previsión.
Determinar el horizonte temporal de la
previsión.
Seleccionar el(los) modelo(s) de previsión.
Recogida de datos.
Realizar la previsión.
Validar e implementar los resultados.
 Demanda de un producto representada en
un periodo de 4 años con tendencia de
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Demanda del producto o servicio

Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
Demanda real frente a los métodos de media
móvil y media móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas

25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes
 Realidades sobre la previsión

Raras veces las previsiones son perfectas.

La mayoría de las técnicas de previsión
asumen que existe cierta estabilidad
sostenida al sistema.
Tanto las predicciones de familias de
productos como las predicciones en
conjunto son más precisas que las
previsiones de productos individuales.
 Enfoques de la previsión
Métodos cualitativos Métodos cuantitativos
 Se emplean cuando la  Se emplean cuando la
situación no es clara y situación es “estable”
hay pocos datos: y existen datos
 Productos nuevos. “históricos”:
 Nueva tecnología.  Productos existentes.
 Requieren intuición y  Tecnología actual.

experiencia:  Requieren ténicas

 Por ejemplo, la previsión matemáticas:
de las ventas a través de  Por ejemplo, la previsión
Internet. de las ventas de
televisiones en color.
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 una previsión global.
Método Delphi:
 Proceso de grupo que permite a los expertos
realizar las previsiones.
Estudio de mercado del consumidor:
 Requiere información de los clientes.
 Jurado de opinión ejecutiva
 Requiere un pequeño grupo de directivos:
 El grupo establece una estimación conjunta de
la demanda.
 Combina la experiencia directiva con modelos
estadísticos.
 Es bastante rápido.
 Desventaja del
“pensamiento en
grupo”.
© 1995 Corel Corp.
 Proposición de personal comercial

 Cada vendedor estima las

ventas que hará.
Ventas
 Se combinan con las
previsiones a niveles de
distritos y con las
nacionales.
 El representante de ventas
conoce las necesidades de
los consumidores.
 Tiende a ser bastante © 1995 Corel Corp.

optimista.
 Método Delphi
Proceso de grupo
iterativo. Los que toman
3 tipos de decisiones
(¿Ventas?)
Personal de
participantes: (Habrá 50 ventas)
plantilla
 Los que toman (¿Qué ventas
decisiones. habrá?
 El personal de plantilla. cuestionarios)
 Los que responden.

Reduce el Los que responden

(Habrá 45, 50, 55 ventas)
“pensamiento en
grupo”.
 Estudio de mercado
 Preguntar a los
consumidores ¿Cuántas horas
utilizará Internet la
sobre sus futuros
próxima semana?
planes de compra.
 Lo que dicen los
consumidores y lo
que luego hacen
suele diferir.
 A veces es difícil
contestar a las © 1995 Corel
Corp.

preguntas del
estudio.
 Visión global de los métodos
cuantitativos
Enfoque simple
Modelos de
Medias móviles
series
Alisado exponencial temporales
Proyección de tendencia

Modelos
Regresión lineal asociativos
Métodos de previsión cuantitativos
(no simples)
Previsión
cuantitativa

Modelos de series Modelos

temporales asociativos

Media Alisado Proyección Regresión

móvil exponencial de tendencia lineal
¿Qué son las series temporales?
Es una secuencia de datos uniformemente
espaciada:
 Se obtiene observando las variables en periodos
de tiempo regulares.
Se trata de una previsión basada en los datos
pasados:
 Supone que los factores que han influido en el
pasado lo sigan haciendo en el futuro.
Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1
 Descomposición de una serie
temporal

Tendencia Ciclos

Estacionalidad Variaciones
aleatorias
 Tendencia
Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
Los cambios en la población, ingresos, etc.
influyen en la tendencia.
Varios años de duración.

Respuesta

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
 Ciclos
Movimientos de ascenso o descenso que se
repiten.
Se pueden ver afectados por interacciones de
factores que influyen en la economía.
Suelen durar de 2 a 10 años.
Ciclo
Respuesta

Mes, trimestre, año

 Variaciones aleatorias

Son “saltos” en los datos causados por el

azar y situaciones inusuales.
Son debidas a variaciones aleatorias o a
situaciones imprevistas:
© 1984-1994 T/Maker Co.

 Huelga.
 Tornado.

Son de corta duración

y no se repiten.
 Modelos de series temporales

Cualquier valor que aparezca en una serie

temporal es la multiplicación (o suma) de los
componentes de la serie temporal.
Modelo multiplicativo:
Yi = Ti x Si x Ci x Ri (si los datos son mensuales o
trimestrales).

Modelo aditivo:
Yi = Ti + Si + Ci + Ri (si los datos son mensuales o
trimestrales).
 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-coste y
eficiencia. © 1995 Corel Corp.
 Medias móviles
 Las medias móviles son una serie de operaciones
aritméticas.
 Se utilizan si no hay tendencia o si ésta es
escasa.
 Se suelen utilizar para el alisado:
Proporciona una impresión general de los datos a lo largo
del tiempo.
 Ecuación:
MM =  demanda de n periodos previos
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 1998 mediante una
media móvil de 3 meses.
1993 4
1994 6
1995 5
1996 3
1997 7
© 1995 Corel Corp.
 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
 Solución de la media móvil
ponderada
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 6+5+3=14 14/3=4 2/3
2000 ND
 Solución de la media móvil
ponderada
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=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
 Gráfico de la media móvil

Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
 Método de la media móvil ponderada

Se utiliza cuando se presenta una tendencia:

Los datos anteriores suelen carecer de importancia.
Las ponderaciones se basan en la intuición:
Suelen estar entre 0 y 1, y a la suma de 1,0.
Ecuación:

Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n)

ponderada = Σ ponderaciones
 Demanda actual, media móvil y
media móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas

25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
 Inconvenientes de los métodos de
media móvil

Al aumentar n veces, las previsiones

son menos sensibles a los cambios.
No es posible predecir bien la
tendencia.
Se necesitan muchos datos
históricos.
© 1984-1994 T/Maker Co.
 Alisado exponencial

Es una técnica de previsión de media móvil

ponderada:
 Las ponderaciones disminuyen exponencialmente.
 Se ponderan más los datos más recientes.

Se necesita una constante de alisado ():

 Toma valores entre 0 y 1.
 Se escoge de forma subjetiva.

Necesita una cantidad reducida de datos

históricos.
 Ecuaciones del alisado
exponencial
 Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3
+ (1- )3At - 4 + ... + (1- )t-1·A0
Ft = Valor de la previsión
At = Valor real
 = Constante de alisado

 Ft = Ft-1 + (At-1 - Ft-1)

Se utiliza para calcular la previsión.
 Ejemplo de alisado exponencial
Usted está organizando una reunión Kwanza.
Desea predecir el número de personas que
asistirán en el año 2000 mediante el alisado
exponencial ( = 0,10). La previsión para
1995 fue de 175.
1995 180
1996 168
1997 159
1998 175
1999 190
© 1995 Corel Corp.
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 +
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, 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
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,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
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,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
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1994 168 175,00 + 0,10(180 - 175,00) = 175,50
1995 159 175,50 + 0,10(168 - 175,50) = 174,75
1996 175
1997 190
1998 ND
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
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
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
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
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
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
Gráfico del alisado exponencial

Ventas
190 Real
180
170 Previsión
160
150
140
93 94 95 96 97 98
Año
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10%
= 0,90
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9%
= 0,90
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90%
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9%
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9% 0,9%
 Si se selecciona 

Trate de minimizar la desviación absoluta media (DAM)

Si: Error de previsión = demanda - previsión

 errores de previsión
Entonces: DAM =
n
 Alisado exponencial con ajuste de
tendencia

Previsión incluyendo la tendencia (PITt)

= previsión alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)
 Alisado exponencial con ajuste de
tendencia
Ft =  (demanda real de este periodo)
+ (1- )(previsión del último periodo + tendencia estimada del
último periodo)
o
Ft = (At) + (1- )(Ft-1 + Tt-1)

Tt = (previsión de este periodo - previsión del último periodo)

+ (1- )(tendencia estimada del último periodo)
o

Tt = (Ft - Ft-1) + (1- )Tt-1

Alisado exponencial con ajuste de
tendencia

Ft = previsión alisada exponencialmente de

la serie de datos en el periodo t.
Tt = tendencia alisada exponencialmente en
el periodo t.
At = demanda real en el periodo t.
 = constante de alisado para la media.
 = constante de alisado para la tendencia.
 Comparación de previsiones

Alisado exponencial +
40 Tendencia
35 Demanda real
Demanda del producto

30
25
20
15
Alisado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
 Método de mínimos cuadrados

Observación
Valores de la variable dependiente

Desviación
real

Desviación Desviación

Desviación
Desviación
Punto en la
línea de
Desviación
tendencia
Desviación

Yˆ = a + bx
Periodo de tiempo
Demanda real y línea de tendencia
180
160
Y = 56,70+ 10,54X
140
120
Demanda

100
80
60 Demanda real
40
20
0
0 2 4 6 8 10
Periodo de tiempo
 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.
Diagrama de dispersión

Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96

Período
 Ecuaciones de mínimos
cuadrados
Ecuación: Ŷi = a + bx i

n
 x i y i − nx y
Pendiente: b = i =n
 x i − nx 
i =

Corte con el eje Y: a = y − bx

 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 ΣX i ΣY i ΣX iY i
 Ejemplo de análisis de regresión
lineal
Usted es el analista de marketing de Hasbro
Toys. Recoge los siguientes datos:
Año Ventas (unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
¿Cuál es la ecuación de la tendencia?
 Modelo de previsión del análisis
de regresión lineal
Usted está realizando el análisis de marketing de
^
Hasbro Toys. Al utilizar años codificados, halla que Y
i
= -0,1 + 0,7Xi.
Año Ventas (Unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
La previsión es de 2000 ventas.
 Modelo estacional multiplicativo
 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.
 Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
 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.
 Estimar la demanda anual de todo el año próximo.
 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 la previsión
estacional .
 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 Xi

Variable dependiente Variable independiente

Ecuaciones de regresión lineal
Ecuación: Ŷi = a + bx i

n
 x i y i − nx y
Pendiente: b = i =n
 x i − nx 
i =

Corte con el eje Y: a = y − bx

 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
ΣXi ΣYi ΣXi ΣYi Σ X iY i
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.
Variación de los errores aleatorios

Variación del Y real a partir del Y predecido.

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.
 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 cuadrados son
aleatorias.
 Error estándar de la desviación

n
 (yi − ŷ i ) El libro utiliza el
S y, x = i =
n− símbolo Yc

n  n n
 yi − a  yi − b  x i yi
= i = i = i =
n−
 Correlación

Respuestas: ‘¿qué intensidad tiene la relación

lineal entre las variables?’
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.
Fómula del coeficiente de
correlación

n n n
n  x i yi −  x i  yi
r= i = i = i =
 n   n   n   n  
n  x i −   x i   n  yi −   yi  
 i =  i =    i =  i =  
 Coeficiente de correlación y
modelo de regresión
Y r=1 Y r = -1
Y^i = a + b X i

Y^i = a + b X i
X X

Y r = 0,89 Y r=0

Y^i = a + b X i Y^i = a + b X i
X X
 Guía para elegir el modelo de
previsión
Usted quiere conseguir:
 Ninguna conducta o dirección del error de previsión.
Error = (Y - Y^) = (Real - Previsión).
i i
Se observa en las representaciones de los errores a lo largo
del tiempo.
 Un error de previsión más pequeño:
Error cuadrado medio (ECM).
Desviación absoluta media (DAM).
 Conducta del error de previsión

Tendencia no totalmente
justificada Conducta deseada
Error Error

0 0

Tiempo (años) Tiempo (años)

Ecuaciones del error de previsión
Error cuadrado medio (ECM):
n
 (y i − ˆy i ) 2 2
i =1  errores de previsión
ECM = =
n n

Desviación absoluta media (DAM):

n
 | y i − ŷ i |
i =  |errores de previsión |
DAM = =
n n
 Ejemplo de selección del modelo
de previsión
Usted es el analista de marketing de Hasbro Toys. Ha previsto las
ventas con un modelo lineal y alisado exponencial. ¿Qué modelo
usará?

Ventas Previsión del Previsión del

alisado
Año reales modelo lineal exponencial (0,9)

1995 1 0,6 1,0

1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
 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
Evaluación del modelo de alisado
exponencial
^
Year Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
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
 Señal de rastreo

Mide el grado de precisión de la previsión

para predecir valores reales.
Suma actual de los errores de previsión
(SAEP) dividida entre la desviación absoluta
media (DAM):
 Una buena señal de rastreo tiene valores bajos.
Debe estar dentro de los límites de control
superiores e inferiores.
 Ecuación de la señal de rastreo

SAEP
Señal de rastreo =
DAM

 (y i − ŷ i )
n

= i =
DAM

 errores de previsión
=
DAM
 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
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

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

1 100 90 -10 -10

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

1 100 90 -10 -10 10

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

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado =  |Errores|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

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

prevista real absoluto acumulado

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Señal de rastreo
Límite de control superior
+

0 Intervalo aceptable

-
Límite de control inferior

Tiempo
 Señales de rastreo
160 3
140 Previsión
2

Señal de rastreo
120
Demanda real

100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
 Previsión 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.
Previsión de ventas por hora en
un restaurante de comida rápida
20

15

10

0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11