Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clases de Pronostico
Clases de Pronostico
Jurado de opinión de
Ejecutivos
Métodos Cualitativos Método Delphi
Composición de la fuerza
de ventas
Encuesta en el mercado
de consumo
Enfoque intuitivo
Promedios Móviles (*) Modelos
Métodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyección de tendencias (*)
Modelo
Regresión Lineal (*) asociativo
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
1.- Promedios Móviles.
ponderaciones
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 112/3
Mayo 19 (12+13+16)/3 = 13 2/3
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3=19 1/3
Octubre 18 (26+30+28)/3= 28
Noviembre 16 (30+28+18)/3 = 25 1/3
Diciembre 14 (28+18+16)/3 = 20 2/3
Vemos que el pronóstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos
en enero próximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronóstico
para enero = (18+16+14)/3 = 16
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
Siguiendo con el ejemplo anterior. Esta empresa decidió pronosticar las ventas de
cobertizos ponderando los últimos tres meses como sigue:
Ponderación Aplicada Periodo
3 Último mes o más reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Enero 10
Febrero 12
Marzo 13
Abril 16 (3x13)+(2x12)+(10) /6 = 12 1/6
Mayo 19 (3x16)+(2x13)+(12) /6 = 14 1/3
Junio 23 (3x19)+(2x16)+(13) /6 = 17
Julio 26 (3x23)+(2x19)+(16) /6 = 201/2
Promedio móvil
ponderado
Demanda de Ventas
25
Promedio móvil
20
Ventas reales
15
10
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Mes
2.- Suavizamiento Exponencial.
Ft = nuevo pronóstico
F t-1 = pronóstico anterior
α : es la ponderación, o constante de suavizado, elegida por quien
pronostica, que tiene un valor entre 0 y 1.(0 < α < 1 )
A t-1 = demanda real en el periodo anterior
Veamos un ejemplo
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10
Pronóstico Pronóstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas α = 0,10 α = 0,50
4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170
Con base en este análisis, una constante de suavizado de α=0,10 es preferible a α=0,50 por que su
MAD es más pequeña.
Se debe encontrar la constante de suavizado con el menor error de pronóstico.
• Error cuadrático Medio (MSE): Es una segunda forma de medir el
error global del pronóstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su fórmula es:
2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) = 256
4 175 173 (2)2 = 4
2
5 190 173 17 = 289
2
6 205 175 30 = 900
2
7 180 178 2 =4
2
8 182 178 4 = 16
Suma de los cuadrados de los errores 1.558
2
MSE = (errores de pronóstico)
= 1.558 / 8 = 194,75
n
Usando un α= 0,50 se obtendría un MSE de 201,5. Por lo tanto el α= 0,10 es una mejor
elección por que se minimiza el MSE.
n
100
MAPE = real i - pronóstico i / real i
i=1
y = a + b x
y “ y gorro” = valor calculado de la variable que debe predecirse (variable dependiente)
a = ordenada
xy - n x y
b =
x - nx
2 2
donde:
b = pendiente de la recta de regresión
= signo de suma
a= y - bx
Demanda de
Año Energía Eléctrica
1997 74
1998 79
1999 80
2000 90
2001 105
2002 142
2003 122
Para simplificar, transformamos los valores de x (tiempo) en números
más sencillos, como 1,2,3,4…
Demanda de
energía
2
Año Periodo (x) Eléctrica (y) x xy
1997 1 74 1 74
1998 2 79 4 158
1999 3 80 9 240
2000 4 90 16 360
2001 5 105 25 525
2002 6 142 36 852
2003 7 122 49 854
X = 28 y = 692 2
x = 140 xy = 3.063
X = 28 y = 692 = 98,86
X= =4 y=
n 7 n 7
xy - n x y
b = = 3.063 – (7) (4) (98,86) = 295 = 10,54
x - nx
2 2 2
140- (7) ( 4 ) 28
150
140
130
120
110 Demanda histórica
100
90
80
70
60
50
y = a + b x
1 16 $330
2 12 270
3 18 380
4 14 300
400
Ventas del bar
350
300
250
200
150
100
50
y = 1.280 X = 60 2
x = 920 xy =19.560
X = 60 y = 1.280 = 320
X= = 15 y=
n 4 n 4
xy - n x y
b = = 19.560 – (4) (15) (320) = 360 = 18
x - nx
2 2 2
920- (4) ( 15 ) 20
a = y - b x = 320 – 18(15) = 50
y = 50 + 18 x 0 Ventas = 50 + 18 (huéspedes)
Si el pronóstico es de 20 huéspedes la semana siguiente ¿de
cuánto se esperan que sean las ventas?
y = 50 + 18 x 0 Ventas = 50 + 18 (huéspedes)
Ventas = 50 + 18 (20)
= 410
400
Ventas del bar
350
300 Demanda histórica
250
200
150
100
50
S y,x =
( y – yc ) 2
n-2
donde:
y = valor de y de cada dato puntual
yc = valor calculado de la variable
dependiente, a partir de la ecuación de
regresión.
n = número de datos puntuales
Esta ecuación puede resultar más fácil de usar. Ambas fórmulas
entregarán el mismo resultado
S y,x = y 2 - a y - b xy
n-2
400
Ventas del bar
350
300 Demanda histórica
250
200
150
100
50
108.900
72.900
144.400
90.000
2
y = 416.200
S y,x = y 2 - a y - b xy
n-2
4-2
= 60 Error estándar de la
estimación
= 7,74 $ en ventas
• Coeficiente de correlación para rectas de regresión
n xy - x y
r=
2 2
2 2
n x - x n y - y
y y
X X
y y
X X
Correlación negativa perfecta
No hay Correlación r= 0
r= -1
Siguiendo con el ejemplo, calcular el coeficiente de correlación:
2 2
Ventas, y Huéspedes,x x xy y
y = 1.280 X = 60 2 2
x = 920 xy =19.560 y = 416.200
= 1.440 1.440
= = 0,993619798
2.112.000 1453,27217
Correlación positiva r= 0< r <1
• Regresión Lineal Múltiple
y = a + b 1 x 1 + b2 x 2
a = una constante