Diapositivas 2

Semana 2-
PRONÓSTICOS
094 D –INGENIERÍA QUÍMICA

Dr. César Augusto Loayza Morales
2020-I
Semana 2 - PRONÓSTICOS
OBJETIVOS:
 Comprender la necesidad de los pronósticos según la estrategia
de producción.
 Desarrollar las diferentes técnicas de pronósticos.
 Analizar la inexactitud de los pronósticos.

DEFINICIÓN: Según Krajewsky y Ritzman, el pronóstico consiste en la

estimación y el análisis de la demanda futura para un producto en
particular, componente o servicio, utilizando inputs como ratios históricos
de venta, estimaciones de marketing e información provisional, a través
de diferentes técnicas de previsión, con el propósito de planificar.
Fuente: http://www.excelfreeblog.com/wp-content/uploads/2015/12/Imagen-832x350.png
TIPOSDEPRONÓSTICOS:
MÉTODOS MÉTODOS
CUALITATIVOS CUANTITATIVOS
• Opinión • Métodos
ejecutiva C ausales
• Investigación • Series de
de Mercado Tiempo
• Método Delphi • Causal
• Analogía • Simulación
histórica
MEDICIÓN DELERROREN ELPRONÓSTICO:

FÓRMULAS DE MEDICIÓN DELERROR:
MAD
MSE
MÉTODO CAUSAL: LÍNEA DEREGRESIÓN:
t Yt
1 42
2 52
3 54
4 65
5 51
6 64
MÉTODO DELÚLTIMOVALOR:
t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
MÉTODOS DE PROMEDIO: PROMEDIOS SIMPLES:
 Se obtiene la media de todos los valores pertinentes, la cual se

emplea para pronosticar el periodo siguiente
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
MÉTODOS DE PROMEDIO: PROMEDIOS SIMPLES:

MÉTODOS DE PROMEDIO: PROMEDIOS MÓVILES:
 No considera la media de todos los datos. Solo los más

recientes.
 Se puede calcular un promedio móvil de “n” periodos.
 El promedio móvil es la media aritmética de los “n” periodos más

recientes.
Promedio
Móvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
7 70 60 58.5
8 72 61.67 62.5

MÉTODOS DE SUAVIZAMIENTO EXPONENCIAL:
 Da una ponderación mayor a las observaciones más recientes.
 Las ponderaciones se asignan mediante la

constante alpha, 0 < alpha < 1
 El modelo se expresa como:

MÉTODOS DE SUAVIZAMIENTOEXPONENCIAL:
Alpha = Alpha =
t Yt
0.1 0.5
1 42
2 52 42 42
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
6 64 46.67 54.38
7 70 48.40 59.19
8 72 50.56 64.60
MÉTODOS DE SUAVIZACIÓN EXPONENCIAL:

MÉTODO DE SUAVIZACIÓN EXPONENCIAL AJUSTADA A LA

TENDENCIA O SUAVIZACIÓN EXPONENCIAL DOBLE:
 Se introduce un nuevo factor: TENDENCIA
 El modelo es más complejo, pero permite hacer un mejor pronóstico

en el caso de demanda con tendencia
 Las ponderaciones se asignan mediante la constante

alpha, 0 < alpha < 1 y betha, 0 < betha < 1

 El modelo se expresa como:
At = Ft-1 + (α)(Dt-1 - Ft-1)

Tt = Tt-1+ (β)(At - Ft-1)
Ft = At + Tt
Donde:
Dt-1: Demanda real en el periodo t-1
At: Promedio exponencial suavizado de la serie en el periodo t
Tt: Promedio exponencial suavizado de la tendencia en el periodo t
α : Parámetro de suavización para el promedio
β: Parámetro de suavización para la tendencia
Ft: Pronóstico para el periodo t

Alpha =0.4
t Yt
Betha =0.7
1 42
2 52 42
3 54 49
4 65 55
5 51 66
6 64 63
7 70 66
8 72 72

MÉTODO ESTACIONAL MULTIPLICATIVO:
1) Para cada año de la muestra se calcula la demanda promedio

estacional. Para ello dividiremos la demanda total del año entre el
número de estaciones del mismo.
2) A continuación, debemos dividir la demanda real de cada estación
entre su respectiva demanda promedio, hallada anteriormente. Con
esto obtendremos “índices estacionales” por estación y año.
3) Luego, debemos determinar el índice estacional promedio por
estación. Para ello, se deberá dividir la suma de índices estacionales
correspondientes a una estación dada entre el número de años.
4) Pronosticar la demanda anual del siguiente periodo. Para ello se

pueden utilizar cualquiera de los métodos estudiados hasta ahora
(étodo empírico, promedios móviles, suavización exponencial,
suavización exponencial ajustada a la tendencia o regresión lineal).
5) Calcular la demanda promedio por estación del año nuevo. Para ello
se divide la demanda anual hallada en el punto 4 entre el número de
estaciones del mismo.
6) Calcular el pronóstico por estación para el año en cuestión. Para ello
se multiplica el índice estacional por la demanda promedio de cada
estación
Ejemplo:
Una empresa cuenta con la información mostrada en la siguiente tabla.

Calcular el pronóstico de la demanda para el año 5.
Trimestre Año1 Año2 Año3 Año4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Demanda Promedio
Trimestre Índice Promedio
Pronosticada
1 0.2 650
2 1.3 650
3 2 650
4 0.5 650
Trimestre Año1 Año2 Año3 Año4 Año5

1 45 70 100 100 132
2 335 370 585 725 845
3 520 590 830 1160 1300
4 100 170 285 215 323

MÉTODO ESTACIONAL ADITIVO:

SUAVIZACIÓN EXPONENCIAL DE HOLT
t Yt SmLevel SmTrend Pronóstico
1 322.000
2 317.000
3 319.000
4 323.000
5 327.000
6 328.000
7 325.000
8 326.000
9 330.000
10 334.000
11 337.000
12 341.000 327.417 -0.396
13 322.000 322.000 -1.110 327.021
14 318.000 318.000 -1.521 320.890
15 320.000 320.000 -1.020 316.479
16 326.000 326.000 -0.022 318.980
17 332.000 332.000 0.834 325.978
18 334.000 334.000 1.000 332.834
19 335.000 335.000 1.000 335.000
20 336.000 336.000 1.000 336.000

SUAVIZACIÓN EXPONENCIAL DE HOLT

SUAVIZACIÓN EXPONENCIAL DE WINTER
t Yt SmLevel SmTrend SmSeason Pronóstico
1 322.000 0.983
2 317.000 0.968
3 319.000 0.974
4 323.000 0.987
5 327.000 0.999
6 328.000 1.002
7 325.000 0.993
8 326.000 0.996
9 330.000 1.008
10 334.000 1.020
11 337.000 1.029
12 341.000 327.417 0.396 1.041
13 322.000 327.417 0.146 0.983 322.389
14 318.000 328.450 0.706 0.968 317.141
15 320.000 328.443 0.256 0.974 320.694
16 326.000 330.458 1.366 0.987 324.265
17 332.000 332.423 1.744 0.999 331.401
18 334.000 333.406 1.264 1.002 334.762
19 335.000 337.491 3.044 0.993 332.200
20 336.000 337.460 1.104 0.996 339.061

SUAVIZACIÓN EXPONENCIAL DE WINTER
MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

ESTACIONALES Y DE TENDENCIA
 Chase, junto con otros autores, plantearon un método de cálculo de

pronóstico que considera las influencias estacionales y de
tendencia. Este método es muy útil debido a que la gran mayoría
de casos tienen estas características. A continuación, se detalla un
ejemplo adaptado del texto del autor mencionado.

Trimestre Ventas
Ejemplo:
1 30
2 42
Se cuenta con el registro de ventas de
3 55
mesas en unidades de la siguiente
4 100
tabla. Se solicita realizar el pronóstico
5 35
para los siguientes 4 trimestres
6 46
7 59
8 120
(Como se puede apreciar, el
9 43
comportamiento de las ventas nos
10 57
muestra una tendencia de crecimiento)
11 71
12 142

Solución:
1) Se realizará la desestacionalización de las ventas calculando un

promedio móvil para 4 periodos. Luego de dichos resultados,
se realizará un promedio móvil simple para 2 periodos. Cabe
resaltar que la posición de los resultados en la tabla debe
representarse como parte de la metodología.
2) Luego se calculan los índices estacionales por periodo

(trimestres en este caso) dividiendo las ventas reales entre los
resultados del promedio móvil simple para 2 periodos.

P.M. P.M. Índices

Trimestre Ventas
(n=4) (n=2) Estacional
es
1 30
2 42 56.8
3 55 58 57.4 0.959
4 100 59 58.5 1.709
5 35 60 59.5 0.588
6 46 65 62.5 0.736
7 59 67 66 0.894
8 120 69.8 68.4 1.755
9 43 72.8 71.3 0.604
10 57 78.3 75.5 0.755
11 71

Solución:
3) A continuación se calcularán los índices estacionales promedio,

los cuales son el promedio simple de los índices calculados
anteriormente. Cabe resaltar que no debe incluirse los valores
de cero en el cálculo.
Trimestres
1 2 3 4
0.000 0.959 1.709
Valores 0.58 0.73 0.89 1.75
8 6 4 5
0.604 0.755
Promedio 0.596 0.497 0.926 1.732

Solución:
4) Para trabajar la tendencia, se empleará un modelo de regresión lineal

sobre las ventas desestacionalizadas, es decir, sobre los promedios
móviles para 2 periodos. Al hallarlo, se obtiene la ecuación: Y = 47.8 +
2.63 t, donde Y son las ventas desestacionalizadas y t es el periodo de
dicha venta.
5) Finalmente calculamos los pronósticos con el modelo de regresión, para

considerar la tendencia; y para incluir la estacionalidad, a dichos
resultados se les multiplica por los índices estacionales promedio
correspondientes para obtener los promedios finales. Los resultados se
muestran a continuación.

Solución:
Pronósti Factor
Trimestre Pronóstico
co Estacionalid
Estimado ad
13 81.99 0.596 48.86
14 84.62 0.497 42.06
15 87.25 0.926 80.82
16 89.88 1.732 155.69

ESTACIONALES Y REGRESIÓN LINEALDIRECTA
1) Para determinar la tendencia se utilizará la regresión lineal simple.
Luego de ello se divide el valor de la demanda real con el estimado en
la regresión lineal. Con esto obtendremos “índices estacionales” por
cada estación.
2) Luego se saca el promedio de cada estación similar en todos los años,
es decir, el promedio de los primeros trimestres, segundos trimestres,
etc. De esta forma obtenemos los multiplicadores estacionales.
3) Finalmente para determinar el pronóstico ajustado, se multiplica la
demanda pronosticada usando regresión lineal por los multiplicadores
estacionales

Solución:
En el ejemplo anterior, determinamos la regresión lineal de los
datos de venta:

Pronóstico Índice Multiplicad
Trimestre Ventas
de regresión estacion or
al estacional
1 30 38.013 0.789 0.641
2 42 43.223 0.972 0.787
3 55 48.432 1.136 0.925
4 100 53.642 1.864 1.655
5 35 58.852 0.595 0.641
6 46 64.062 0.718 0.787
7 59 69.272 0.852 0.925
8 120 74.481 1.611 1.655
9 43 79.691 0.540 0.641
10 57 84.901 0.671 0.787
11 71 90.111 0.788 0.925
12 142 95.321 1.490 1.655
13 100.530 0.641
14 105.740 0.787
15 110.950 0.925
16 116.160 1.655

Pronóstico Multiplicad Pronósti
Trimestre Ventas
de regresión or co
estacional ajustado
1 30 38.013 0.641 24.373
2 42 43.223 0.787 34.018
3 55 48.432 0.925 44.804
4 100 53.642 1.655 88.779
5 35 58.852 0.641 37.734
6 46 64.062 0.787 50.420
7 59 69.272 0.925 64.082
8 120 74.481 1.655 123.268
9 43 79.691 0.641 51.095
10 57 84.901 0.787 66.821
11 71 90.111 0.925 83.360
12 142 95.321 1.655 157.757
13 100.530 0.641 64.457
14 105.740 0.787 83.222
15 110.950 0.925 102.638
16 116.160 1.655 192.247

CONCLUSIONES:
 Los pronósticos son la base de todo Plan de Producción,
además de estos depende el éxito de una organización.
 No existe un método de estimación adecuado para todos los
casos. Por ello es necesario utilizar el más adecuado para cada
tipo de proceso u operación
 Los pronósticos poseen errores debido a las variables no
controlables.
BIBLIOGRAFÍAUTILIZADA:
 Chapman, Stephen N. (2006). Principios básicos de pronóstico. En

Planificación y Control de la Producción (pp. 17 – 44). México D.F., México:
Pearson Educación.
 Chase, Richar B. & Robert Jacobs, F. (2014). Administración y Pronóstico
de la Demanda. En Administración de Operaciones. Producción y Cadena
de Suministros (13ª ed., pp. 482 – 527). . México D.F., México: Pearson
Educación.
 Krajewski, L. & Ritzman, L. & Malhotra, M. (2008). Pronósticos. En

Administración de Operaciones. Procesos y Cadenas de Valor (8ª ed., pp.
521 – 566). México D.F., México: Pearson Educación.

Diapositivas 2

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

Diapositivas 2

Cargado por

Copyright:

Formatos disponibles

Semana 2-

094 D –INGENIERÍA QUÍMICA

 Comprender la necesidad de los pronósticos según la estrategia

 Desarrollar las diferentes técnicas de pronósticos.

 Analizar la inexactitud de los pronósticos.

DEFINICIÓN: Según Krajewsky y Ritzman, el pronóstico consiste en la

MEDICIÓN DELERROREN ELPRONÓSTICO:

FÓRMULAS DE MEDICIÓN DELERROR:

MÉTODO CAUSAL: LÍNEA DEREGRESIÓN:

MÉTODOS DE PROMEDIO: PROMEDIOS SIMPLES:

 Se obtiene la media de todos los valores pertinentes, la cual se

MÉTODOS DE PROMEDIO: PROMEDIOS SIMPLES:

MÉTODOS DE PROMEDIO: PROMEDIOS MÓVILES:

 No considera la media de todos los datos. Solo los más

 Se puede calcular un promedio móvil de “n” periodos.

 El promedio móvil es la media aritmética de los “n” periodos más

MÉTODOS DE PROMEDIO: PROMEDIOS MÓVILES:

MÉTODOS DE PROMEDIO: PROMEDIOS MÓVILES:

MÉTODOS DE SUAVIZAMIENTO EXPONENCIAL:

 Da una ponderación mayor a las observaciones más recientes.

 Las ponderaciones se asignan mediante la

 El modelo se expresa como:

MÉTODOS DE SUAVIZACIÓN EXPONENCIAL:

MÉTODO DE SUAVIZACIÓN EXPONENCIAL AJUSTADA A LA

 Se introduce un nuevo factor: TENDENCIA

 El modelo es más complejo, pero permite hacer un mejor pronóstico

 Las ponderaciones se asignan mediante la constante

MÉTODO DE SUAVIZACIÓN EXPONENCIAL AJUSTADA A LA

At = Ft-1 + (α)(Dt-1 - Ft-1)

MÉTODO DE SUAVIZACIÓN EXPONENCIAL AJUSTADA A LA

MÉTODO DE SUAVIZACIÓN EXPONENCIAL AJUSTADA A LA

MÉTODO ESTACIONAL MULTIPLICATIVO:

1) Para cada año de la muestra se calcula la demanda promedio

MÉTODO ESTACIONAL MULTIPLICATIVO:

4) Pronosticar la demanda anual del siguiente periodo. Para ello se

MÉTODO ESTACIONAL MULTIPLICATIVO:

Una empresa cuenta con la información mostrada en la siguiente tabla.

Trimestre Año1 Año2 Año3 Año4

MÉTODO ESTACIONAL MULTIPLICATIVO:

Trimestre Año1 Año2 Año3 Año4 Año5

MÉTODO ESTACIONAL MULTIPLICATIVO:

MÉTODO ESTACIONAL ADITIVO:

MÉTODO ESTACIONAL ADITIVO:

MÉTODO ESTACIONAL ADITIVO:

MÉTODO ESTACIONAL ADITIVO:

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

 Chase, junto con otros autores, plantearon un método de cálculo de

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

1) Se realizará la desestacionalización de las ventas calculando un

2) Luego se calculan los índices estacionales por periodo

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

P.M. P.M. Índices

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

3) A continuación se calcularán los índices estacionales promedio,

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

4) Para trabajar la tendencia, se empleará un modelo de regresión lineal

5) Finalmente calculamos los pronósticos con el modelo de regresión, para

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS

MÉTODOS COMBINADOS: SERIESDE TIEMPO CON INFLUENCIAS