Métodos De

Demanda.
Promedio Móvil. (Media Móvil.)
En la tabla a continuación se muestra el
procedimiento de pronóstico de demanda con
Media Móvil Simple con n=3. Por ejemplo,
el pronóstico de abril se obtiene promediando
los valores reales de enero, febrero y Marzo:
F(abril)= (200+230+260) /3=230. El
pronóstico de mayo se obtiene promediando
los valores reales de febrero, marzo y Abril:
F(mayo)= (230+260+180) /3=223. Notar que
los pronósticos no consideran decimales
(decisión arbitraria).
Para tener una primera aproximación a lo
acertado del pronóstico se recomienda
graficar los datos reales de demanda y los
obtenidos con el pronóstico. De
esta forma se obtiene un
acercamiento sobre la magnitud de
los errores del pronóstico y la
naturaleza de éste, es decir, si se
genera un sobre o sub estimación
de la demanda real. Este análisis se
puede complementar con el Cálculo
del MAD y la Señal de Rastreo
para el pronóstico generado.
Conclusión
Se puede observar que en 6 de los 9
pronósticos realizados se genera
una subestimación de la demanda
real lo cual nos da indicios que este método de pronóstico no es lo más adecuado en este
caso. Dicho esto, puede ser recomendable explorar con un método que considere el efecto
de la tendencia de la serie, como, por ejemplo, una Regresión Lineal Simple.
Suavizamiento Exponencial.
Luz Verde es una empresa de seguros que ha decidido expandir su mercado a la ciudad
capital de un país. Por ser la ciudad que congrega más habitantes, han decidido comenzar
ofreciendo servicio de seguro para coches.
Como ejercicio inicial, la empresa desea pronosticar cuántos seguros de vehículo serán
contratados por las personas de la ciudad capital, para lo cual usarán como dato inicial los
seguros de vehículos contratados en otra ciudad con menos habitantes pero con mayor
posicionamiento en el mercado. El pronóstico de demanda del período 1 es 2869 seguros de
carro adquiridos por personas, pero la demanda para ese periodo fue de 3200. La compañía
según su criterio asigna α=0,35.
La demanda del próximo periodo es: Ft= 2869+0.35(3200-2869)=2984.85.
Este mismo ejercicio lo realizó a través del año, obteniendo la siguiente tabla comparativa
entre lo realmente obtenido (demanda – segunda columna) y lo pronosticado en ese
momento (tercer columna).
Gráficamente, esa tabla sería algo como esto:
Tendencia Lineal.
La tabla adjunta muestra las demandas de
producción de una empresa.
Las dos últimas columnas del cuadro que
están sombreadas se obtuvieron mediante
la fórmula, la del lado izquierdo fue
multiplicando el numero de la columna X
por el de la columna Y; por ejemplo, en el
año 1976 se multiplico 1x147 y así
sucesivamente, mientras que la columna
del lado derecho se obtuvo elevando el
valor de la columna de X al cuadrado; por
ejemplo en el año 1977 (2)² es igual a 4.
El total se calcula sumando todos los
valores de X y todos los de Y.
El promedio se obtiene sumando todos
los valores de X y de Y y dividiéndolo por el número que haya de los mismos, en este caso
son 12.

Luego de tener la ecuación lineal se puede determinar la tendencia lineal de la demanda

para 5 periodos más.
 Luego se presenta el
comportamiento de la demanda gráficamente:
Regresión Lineal.
Las ventas de la empresa IngE durante los últimos 10 trimestres
son las siguientes:
¿Cómo pronosticar la demanda de los trimestres 13, 14 y 15 a
través de un análisis de regresión lineal?
Lo primero es estimar los parámetros. Lo podemos lograr con
el método de mínimos cuadrados, que nos permite encontrar la
recta que mejor se ajusta a un conjunto de datos dados. En
nuestro caso, este conjunto está dado por las ventas trimestrales
(variable dependiente). La variable independiente es el tiempo.
Vamos entonces a la siguiente fórmula para determinar a y b:

La y

“minúscula” es el valor y de cada

punto de datos.
La n es el número de punto de datos.
Conocidas las ecuaciones y el papel de las
variables, vamos a calcular el pronóstico
con regresión lineal:
En la siguiente se encuentran los cálculos
realizados para los 12 trimestres según lo
requerido por las ecuaciones:
Con los valores de la última fila de la tabla, podemos calcular a y b, con los cuales
logramos calcular los valores de la última columna (Y) que es la recta que más se ajusta a la
demanda y. Veamos entonces:

Fíjate que el valor de «b» varía de 63,64 a 63,657 siendo este último el resultado si se
toman todos los decimales de las variables que participan en su calculo. Para tener
resultados más fiables usamos el valor de «b» calculado con todos los decimales, tal como
lo aprecias cuando hallamos «a». Fíjate además que pasa lo mismo con el valor calculado
de «a» y el valor que se obtiene cuando en la operación están todos los decimales.
Con esta aclaración, puedes ver cómo se realiza el pronóstico de producción del trimestre
13. Procedemos igual para los demás trimestres.
Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75
Cuando pronosticamos, siempre queremos saber qué tan exacto es el método que estamos

utilizando, igual que una medida de error de pronóstico.

Para eso hay diferentes medidas que nos dan el grado de error en un pronóstico.
Una medida apropiada para medir el error en
regresión lineal es el error estándar de estimación
(Sy,x), que nos permite determinar la variabilidad
en torno a la recta de regresión.
Con los datos obtenidos en nuestra tabla,
reemplazamos en la formula y obtenemos:
Error estándar del estimado Sy,x: 54,79
Esto lo interpretamos como una medida de la variabilidad o dispersión de los valores
observados alrededor de nuestra línea de regresión.
Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de regresión,
no importa si es con un fin de pronóstico, es el cálculo del coeficiente de correlación.
Como lo dijimos anteriormente, el coeficiente de correlación dará una medida de
asociación entre las variables X y Y.
Dicho de otra forma, el coeficiente
correlación en la división entre la
covarianza y el producto de las
desviaciones estándar de ambas
variables.
Así pues, si queremos ver la correlación
entre la demanda y lo pronosticado en periodos anteriores (desde el periodo 1 hasta el 12),
usamos la función COEF.DE.CORREL de excel.
La función requiere dos datos de entrada:
Matriz 1: Señalamos las demandas por mes.
Matriz 2: Señalamos los pronósticos por mes.
El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy fuerte y
positiva porque está cercana a 1.
En otras palabras, nos conviene seguir usando este método de pronóstico para futuros
períodos.
REGRESION MULTIPLE
Cerezos Negros. Se desea construir un
modelo de regresión paraobtener el
volumen de madera de una “cerezo negro”
en función de la altura del tronco y del
diámetro del mismo a un metro sobre el
suelo. Se ha tomado una muestra de 31
árboles. Las unidades de longitudes son
pies y de volumen pies cúbicos.
Volumen = + Diametro + Altura + Error 0
12βββ
Standard T Parameter Estimate Error Statistic
P-Value

----------------------------------------------------------------------------- CONSTANT -57,9877

8,63823 -6,71291 0,0000 Altura 0,339251 0,130151 2,60659 0,0145 Diametro 4,70816
0,264265 17,8161 0,0000 -----------------------------------------------------------------------------
Analysis of Variance -----------------------------------------------------------------------------
Source Sum of Squares Df Mean Square F-Ratio P-Value
----------------------------------------------------------------------------- Model 7684,16 2 3842,08
254,97 0,0000 Residual 421,921 28 15,0686
----------------------------------------------------------------------------- Total (Corr.) 8106,08 30
R-squared = 94,795 percent R-squared (adjusted for d.f.) = 94,4232 percent
Se comprueba gráficamente que la distribución de los residuos es compatible con las
hipótesis de normalidad y homocedasticidad. El volumen está muy relacionado con la
altura y el diámetro del árbol (R2= 97.8%). El modelo estimado log(Vol) = -6.6 + 1.12
log(Alt) + 1.98 log(Diam.) + Error es compatible con la ecuación vol=k × Alt ×Diam2. La
varianza residual es 0.006623, es decir sR=0.081 que indica que el error relativo del
modelo en la predicción del volumen es del 8.1%.