Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Si los datos históricos se restringen a valores pasados de la variable que tratamos de pronosticar, el procedimiento
de elaboración de pronósticos se llama método de serie de tiempo. 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 este capítulo se explican tres
métodos de series de tiempo: suavización (promedios móviles, promedios móviles ponderados y suavización
exponencial), proyección de tendencias y proyección de tendencias ajustada por infl uencia estacional.
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 este capítulo se explican tres
métodos de series de tiempo: suavización (promedios móviles, promedios móviles ponderados y suavización
exponencial), proyección de tendencias y proyección de tendencias ajustada por infl uencia estacional.
Los métodos de elaboración de pronósticos causal se basan en el supuesto de que la variable que tratamos de
pronosticar exhibe una relación de causa y efecto con una o más variables. En este capítulo se estudia el uso del
análisis de regresión como un método de elaboración de pronósticos causal. Por ejemplo, los gastos de publicidad
influyen en el volumen de ventas de muchos productos, de manera que el análisis de regresión puede utilizarse
para desarrollar una ecuación que muestre cómo se relacionan estas dos variables. Luego, una vez establecido el
presupuesto de publicidad para el periodo siguiente, podríamos sustituir este valor en la ecuación con el fin de
hacer una predicción o pronóstico del volumen de ventas para ese periodo.
-
1995 2000 2005 2010 2015 2020
2,000
1,000
2014 4,299
2015 4,900 -
2016 5,439 1995 2000 2005 2010 2015 2020
2017 5,004
2018 5,054
Tendencia No lineal
Año venta
2000 1,550 venta
2001 1,788
2002 2,103 12,000
2003 2,520
2004 3,079 10,000
2005 3,725
2006 4,465
2007 5,300 8,000
2008 6,115
2009 6,663
6,000
2010 7,225
2011 7,723
2012 8,178 4,000
2013 8,577
2014 8,953
2015 9,301 2,000
2016 9,570
2017 9,801 -
2018 9,990 1995 2000 2005 2010 2015 2020 2025
2019 9,896
Sin tendencia
Año venta
2000 1,550 venta
2001 1,395
2002 1,144 1,600
1,500
1,400
venta
1,600
2003 1,373
2004 1,318 1,500
2005 1,160
2006 1,171
1,400
2007 1,312
2008 1,246
2009 1,047 1,300
2010 1,193
2011 1,122 1,200
2012 1,301
2013 1,379
2014 1,448 1,100
2015 1,550
2016 1,364 1,000
2017 1,555 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
2018 1,368
Componente cíclico
las series de tiempo con frecuencia muestran secuencias de puntos que se alternan por encima y por debajo de la línea
de tendencia.
Año venta
1990 1,000
1991 1,050
venta
1992 1,134 3,500
1993 1,247
1994 1,310 3,000
1995 1,349 f(x) = 73.0231628979477 x − 144513.768940836
1996 1,322 2,500
1997 1,256
1998 1,218 2,000
1999 1,206
2000 1,194
1,500
1,000
2,000
1,500
2001 1,254
2002 1,342
1,000
2003 1,449
2004 1,594
500
2005 1,833 1990 1995 2000 2005 2010 2015
2006 1,851
2007 1,944
2008 2,080
2009 2,246
2010 2,448
2011 2,522
2012 2,648
2013 2,807
2014 2,722
2015 2,532
2016 2,608
2017 2,738
2018 3,012
Estas son las ventas de una tienda de trajes de baño, ropa de verano, bloqueadores y gafas
componente estacional
Fechas Ventas
01/01/2014 264
Ventas
01/02/2014 236
01/03/2014 293 500
01/04/2014 302
01/05/2014 318 450
01/06/2014 342
01/07/2014 365 400
01/08/2014 365
350
01/09/2014 319
300
250
400
350
01/10/2014 325
300
01/11/2014 297
01/12/2014 307 250
01/01/2015 279
01/02/2015 252 200
01/03/2015 311
01/04/2015 314 150
01/05/2015 338
01/06/2015 361 100
01/07/2015 377
01/08/2015 377 50
01/09/2015 336
01/10/2015 349 -
06/05/2013 22/11/2013 10/06/2014 27/12/2014 15/07/2015 31/01/2016 18/08/2016 06/03/2017 22/09/2017 10/04/2018
01/11/2015 316
01/12/2015 317
01/01/2016 288
01/02/2016 261
01/03/2016 313
01/04/2016 320
01/05/2016 355
01/06/2016 377
01/07/2016 394
01/08/2016 392
01/09/2016 356
01/10/2016 360
01/11/2016 333
01/12/2016 344
01/01/2017 321
01/02/2017 300
01/03/2017 347
01/04/2017 356
01/05/2017 382
01/06/2017 411
01/07/2017 428
01/08/2017 436
01/09/2017 382
01/10/2017 384
01/11/2017 348
01/12/2017 344
Métodos de suavización
promedios móviles
Pronóstico del
Ventas (miles
Semana
de galones)
promedio
movil
Media móvil
1 17 #N/A 25
2 21 #N/A
3 19 19.0 20
4 23 21.0
15
5 18 20.0 Real
Valor
6 16 19.0 10 Column D
7 20 18.0
8 18 18.0 5
9 22 20.0
10 20 20.0 0
11 15 19.0 1 2 3 4 5 6 7 8 9 10 11 12
12 22 19.0 Punto de datos
13 19.0
15
Real
Valor
10 Column D
5
Suavización exponencial
25
20
5 18 21.872 15 Real
6 16 19.1616
Valor
10 Column D
7 20 16.94848
8 18 19.084544 5
9 22 18.3253632
0
10 20 20.89760896
1 2 3 4 5 6 7 8 9 10 11 12
11 15 20.269282688
12 22 16.5807848064 Punto de datos
13 20.3742354419
La suavización exponencial utiliza un promedio ponderado de valores de series de tiempo pasadas como pronóstico
Ventas (miles
Semana
de galones)
1 17
2 21
3 19
4 23
5 18
6 16
7 20
8 18
9 22
10 20
11 15
12 22
es un
ciones
ida en
el
e
ntan
os para
tiempo.
rcionar
o
valores
tiempo.
Año X venta X2 X.Y Y2
2000 1 1,550 1 1,550 2402500
2001 2 1,721 4 3,441 2960120.25
2002 3 1,910 9 5,729 3647164.16
2003 4 2,234 16 8,938 4992603.02
2004 5 2,167 25 10,837 4697540.18
2005 6 2,492 36 14,955 6212496.89 venta
2006 7 2,567 49 17,971 6590837.95 6000
2007 8 2,747 64 21,976 7545850.37
2008 9 3,159 81 28,431 9979387.11
2009 10 3,317 100 33,170 11002274.3
5000
f(x) = 217.49093956
2010 11 3,848 121 42,325 14804660.3 4000 R² = 0.96759880965
2011 12 4,309 144 51,713 18570965.9
3000
2012 13 4,094 169 53,221 16760296.7
2013 14 4,094 196 57,315 16760296.7
2000
2014 15 4,299 225 64,479 18478227.1
2015 16 4,900 256 78,407 24014303.9 1000
2016 17 5,439 289 92,471 29588023.9
2017 18 5,004 324 90,078 25043303.4 0
0 2 4 6 8 10
2018 19 5,054 361 96,033 25546673.8
190 64,907 2470 773,040 249597526
2019 20
venta
2 4 6 8 10 12 14 16 18 20
Pronóstico en Excel
La siguiente tabla muestra en numero de pasajeros que transitan por el aeropuerto
internacional, se le pide que pronostique los siguientes dos años para prever las necesidades
operativas para la atención de estos.
6,000,000
5,000,000
4,000,000
3,000,000
2,000,000
1,000,000
-
01/01/2009 01/11/2
Airport Passenge
Límite de confian
3,781,168 3,781,168
3,773,870 3,964,237
3,453,469 3,664,375
3,503,239 3,739,909
3,270,361 3,517,873
3,016,809 3,285,022
3,562,773 3,847,901
3,584,976 3,894,277
3,880,924 4,215,944
4,085,481 4,407,593
4,175,943 4,543,856
4,270,856 4,633,801
3,782,693 4,155,735
3,836,247 4,229,355
3,528,056 3,916,780
3,561,495 3,990,441
3,335,196 3,782,162
3,076,116 3,516,114
3,652,946 4,066,292
3,676,922 4,139,962
3,960,687 4,428,683
4,181,438 4,650,102
4,281,202 4,784,114
4,361,779 4,862,055
3,874,635 4,367,032
6,000,000
5,000,000
4,000,000
3,000,000
2,000,000
1,000,000
-
01/01/2009 01/11/2009 01/09/2010 01/07/2011 01/05/2012 01/03/2013 01/01/2014 01/11/2014 01/09/2015
Ventas
Previsión(Ventas)
500
450
400
350
300
250
200
150
100
50
-
01/01/2014 01/10/2014 01/07/2015 01/04/2016 01/01/2017 01/10/2017 01/07/2018
344
324
311
369
381
398
424
448
448
402
412
382
395
2017 01/07/2018
1. DATA
2. Grafico de demanda
t dt
dt
1 161
170
2 165
3 158
4 158 165
5 164
6 152
7 153 160
8 155
9 163 155
10 159
11 163
12 160 150
13 160
14 158
145
15 155 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
16 154
17 162
18 164
19 159
20 159
21 ?
22 ?
23 ?
24 ?
25 ?
PRÓNOSTICO
co de demanda dt
Linear (dt)
F(t+1)=Prom
d(t) N Una vez analizada la
serie de datos, se
procede a utilizar y
evaluar los posibles
métodos para dicha
serie. En este caso
(Proceso
Constante), es ideal
realizar el pronostico
mediante los
métodos de
Promedio Móvil y/o
Alizado
Exponencial
0 11 12 13 14 15 16 17 18 19 20 21 22
Simple.
3. Promedio movil (N=2)
84.64
40.96
4
43.56
2.56
43.56
1.96
0
9
25
27.04
21.16
38.44
0.16
0.04
CALCULO DE LA DEMANDA HISTORICA
Año Total
2010 10
2011 20
2012 30
2013 45
2014 70
2015 90
2016 125
2017 150
2018 180
2019 220
2020 270
2021 263.55
CALCULO DE LA DEMANDA PROYECTADA CUANDO ES ESTACIONAL
PASO 3: Calculo del Indice Estacional, donde el IE los cuatro trimestres debe ser igual a 4.
IE1 = 1.391
IE 2 = 0.276
DADO QUE EL INDICE DE LOS PROMEDIOS ALCANZA A 3.9715 EL INDICE DEBE AJUSTARSE A 4.000
Situación:se desea calcular la demanda de pasta de celulosa (materia prima para la fabricación
de papel) en un pais durante el periodo de los año 2020 2030
2)- Se sabe que el porcentaje de utilizacion de la materia prima por tipo de papel es del siguiente orden: