Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema: Pronósticos
Practica dirigida: Pronósticos
analisis:
El pronostico de billeteras para el periodo 16 asciende a 23 billeteras al emplear
el pronostico movil simple, y contrastando con el modelo promedio movil
ponderado que asciende a 22 billeteras. Estas proyeccion muestran una tendecia
2 ascendente y flexible , influendo en la demanda de billeteras hacia pronostico
de demanda ………………………………………………………………………………………………………………….
1. Caso de una empresa industrial cuyas ventas de artículos de cerá mica, se muestran en la
tabla , y cuya base histó rica corresponde a 24 meses. Se pide aplicar el pronó stico mó vil
n=4
doble para los 4 meses siguientes:
n Ventas PMS PMD Ajuste a Ajuste b
1 1140
2 1212
3 1274
4 1297
5 1317 1231
6 1370 1275
7 1348 1315
8 1436 1333 1288 1377.69 29.79
9 1433 1368 1323 1412.94 30.13
10 1461 1397 1353 1440.50 29.17
11 1509 1420 1379 1459.75 26.83
12 1510 1460 1411 1508.56 32.54
13 1546 1478 1439 1517.94 26.46
14 1541 1507 1466 1547.00 27.00
15 1494 1527 1493 1560.25 22.50
16 1545 1523 1509 1537.00 9.50
17 1552 1532 1522 1541.19 6.46
18 1568 1533 1528 1537.56 3.04
19 1605 1540 1532 1547.75 5.33
20 1621 1568 1543 1592.06 16.38
21 1647 1587 1557 1616.31 19.88
22 1728 1610 1576 1644.50 22.83
23 1730 1650 1604 1696.88 31.08
24 1766 1682 1632 1730.88 32.92
25
26
27
28
analisis
3
1. Consideremos las ventas trimestrales de una fá brica de calzado “sport fine” en miles de
Ventas soles , correspondiente
2018 a los periodos
2019 2018,2019, 2020.
2020
1 er trimestre 170 125 165
2do trimestre 150 155 170
3er trimestre 135 165 180
4to. trimestre 140 180 160
Obtener las series de tendencia por el método de las medias móviles empleando
cuatro observaciones. Analizar e interpretar los resultados
n=4
Tiempo Ventas Media no cenTendencia T*C= V/T
I-2018 170
II-2018 150 148.75
III-2018 135 137.5 143 0.94323
IV-2018 140 138.75 138 1.01357
I-2019 125 146.25 143 0.87719
II-2019 155 156.25 151 1.02479
III-2019 165 166.25 161 1.02326
IV-2019 180 170 168 1.07063
I-2020 165 173.75 172 0.96000
II-2020 170 168.75 171 0.99270
III-2020 180
IV-2020 160
hipotesis aditiva
periodos media Promed (T+C)Indice estacional Porcentaje
III-2018+III 1 0.98324 0.99501200932 99.50%
IV-2018+IV 2 1.042103315 1.05457618521 105.46%
I 2019 +I 20 3 0.91860 0.92959111549 92.96%
II -2019+II- 4 1.008747059 1.02082068998 102.08%
3.95269
Media
3.95269 0.98817262334 (factor)
𝐼𝐸= 4
𝑋 ̅/
𝑋 ̅_
Analisis:
𝑔
De acuerdo a la naturaleza de las ventas de calzado, se puede notar que el indice estacional
muestra una tendencia favorable, que se puiede observar en lo siguientes
En lo que respecta al I3 ( indice 3) significa que en los terceros trimestres la estacionalidad
ha afectado significativamente a las ventas de calzado, siendo esa baja en un 7%, a
(100-92.96), diferencia del indice I2( indice 2) , que muestra que la estacionalidad es alcista
produciendo ventas en un 5.46%..........................................................................................
……………………………………………………………………………………………………………………………………..
5
47708.33
t=y
No. Periodo Trimestre Demanda Indice
1 2017 I 26000 0.894
2 2017 II 35500 1.059
3 2017 III 35000 0.985
4 2017 IV 34000 1.062
5 2018 I 44000 0.894
6 2018 II 51000 1.059
7 2018 III 46000 0.985
8 2018 IV 49000 1.062
9 2019 I 58000 0.894
10 2019 II 65000 1.059
11 2019 III 60000 0.985
12 2019 IV 69000 1.062
78 572500
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
̅ 〗 )/(∑▒𝑥^2 − 𝑛
(𝑥 2) ̅ )
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
̅ 〗 )/(∑▒𝑥^2 − 𝑛
12*4209184.65-572500*78
(𝑥 2) ̅ ) 12*650- (78)^2
b 5855215.77
1716
Y= a+bx Ŷ=25529.5+3412.13T
Demanda
Periodo 2017 2018 2019 Y media
I 26000 44000 58000 42667
II 35500 51000 65000 50500
III 35000 46000 60000 47000
IV 34000 49000 69000 50667
Indice Estacio
0.89
1.06
0.99
1.06
rcial, dedicada en el mercado a la venta de
l es la que se muestra en el cuadro: Determinar
PMS
Wi PMS:Di/n
30
25
20
15
10
asciende a 23 billeteras al emplear
o promedio movil 5
n muestran una tendecia 0
teras hacia pronostico 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
……………………………………………….
Pron=a+b*p
.2/4-1 Articulos de ceramica
0.666667 2000
1407 1800
1443 1600
1470 1407.48 1400
1487 1200
1000
1541
800
1544
600
1574 400
1583 200
1547 0
1548 1 3 5 7 9 1 1 13 1 5 17 19 2 1 23
1541
1553
1608
1636
1667
1728 tiempos de pronosticos
1764 1
1797 2
1830 3
1863 4
residuos
170
150
Media movil no central
135
140
St= T+C+E+I
Indice estacional
1.1
1.05
puede notar que el indice estacional
1 Indice estacion
ar en lo siguientes
ceros trimestres la estacionalidad 0.95
iendo esa baja en un 7%, a
stra que la estacionalidad es alcista 0.9
......................................................
0.85
……………………………………………..
19, mediante el modelo de variación
iente tabla.
Indice Estacional
0.894 -0.11
1.06 Los índices estacionales, que representan el efecto estacional de la serie de tiempo para cad
0.06
0.99 -0.01
1.06
trimestres, lo que se desea lograr al calcular estos índices estacionales es retirar los efectos e
0.06
la serie de tiempo.
40000
30000
20000
10000
〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
𝑎= 𝑦 ̅ − 𝑏𝑥 ̅ 0
▒𝑥^2 − 𝑛 1 2 3 4 5 6 7 8 9 10 11 12
30000
20000
10000
〖𝑥 𝑦 −𝑛 𝑥 ̅𝑦
𝑎= 𝑦 ̅ − 𝑏𝑥 ̅ 0
▒𝑥^2 − 𝑛 1 2 3 4 5 6 7 8 9 10 11 12
12*4209184.65-572500*78 Analisis de los resultados
12*650- (78)^2 De acuerdo a la informacion de las demanadas de los eperiodos 201
muestran una tendencia estacional , al que de be ser ajustado o redu
de su desestacionalizacion de la demanda. Para la cual se empleo el
3412.13 observandose una fluctuacion marcada entre la demanda historica e
de su estacionalidad. …….. Como se muestra en los indices calculado
cuatro trimestres que presentan duna variacion de creciente y decre
por ejemploe se observa un efecto estacional negativo de 11% y del
de efecto positivo estacional ………………………………………..
73299.31136391
90000
Indice Estacional Yestima Pronostico 2020 80000
0.89 69887.18 62501.72 70000
1.06 73299.31 77588.44 60000
0.99 76711.44 75572.49 50000
Yestima
1.06 80123.57 85091.93 40000 Pronostico 202
30000
Yestima Pronostico 2020 20000
62501.72 10000
69887.18
0
69887.18 73976.65
1 2 3 4
69887.18 68849.55
69887.18 74220.80
76000
74000
72000
70000
68000
66000 Yestima
Pronostico 2
64000
62000
60000
58000
56000
1 2 3 4
de billeteras
demanda
PMS
PMPonderaddo
10 11 12 13 14 15
de ceramica
Ventas
Pron=a+b*p
17 19 2 1 23
serie de tiempo
estacional
onal
Indice estacional
a serie de tiempo para cada uno de los
ales es retirar los efectos estacionales de
nimos cuadraticos )
ce estacional
iagrama de dispersion o de
sparcimiento
Demanda
Desetacionalizar
6 7 8 9 10 11 12
6 7 8 9 10 11 12
Yestima
Pronostico 2020
Yestima
Pronostico 2020
4
Microsoft Excel 14.0 Informe de respuestas
Hoja de cálculo: [resolucion practica 2 pronostico.xlsx]Hoja2
Informe creado: 15/09/2021 12:01:11 p.m.
Resultado: Solver encontró una solución. Se cumplen todas las restricciones y condiciones óptimas.
Motor de Solver
Motor: GRG Nonlinear
Tiempo de la solución: 0.062 segundos.
Iteraciones: 0 Subproblemas: 0
Opciones de Solver
Tiempo máximo Ilimitado, Iteraciones Ilimitado, Precision 0.000001, Usar escala automática
Convergencia 0.0001, Tamaño de población 100, Valor de inicialización aleatorio 0, Adelantada de derivados, Requerir lími
Máximo de subproblemas Ilimitado, Máximo de soluciones de enteros Ilimitado, Tolerancia de enteros 1%, Asumir no nega
Celdas de variables
Celda Nombre Valor original Valor final Entero
$D$164 Alfa pronostico 0.2 0.2 Continuar
Restricciones
Celda Nombre Valor de la celda Fórmula Estado Demora
$D$164 Alfa pronostico 0.2 $D$164<=1 No vinculante 0.8
$D$164 Alfa pronostico 0.2 $D$164>=0 No vinculante 0.2
tada de derivados, Requerir límites
de enteros 1%, Asumir no negativo
Microsoft Excel 14.0 Informe de respuestas
Hoja de cálculo: [resolucion practica 2 pronostico.xlsx]Hoja2
Informe creado: 15/09/2021 12:04:07 p.m.
Resultado: Solver encontró una solución. Se cumplen todas las restricciones y condiciones óptimas.
Motor de Solver
Motor: GRG Nonlinear
Tiempo de la solución: 0.016 segundos.
Iteraciones: 0 Subproblemas: 0
Opciones de Solver
Tiempo máximo Ilimitado, Iteraciones Ilimitado, Precision 0.000001, Usar escala automática
Convergencia 0.0001, Tamaño de población 100, Valor de inicialización aleatorio 0, Adelantada de derivados, Requerir lími
Máximo de subproblemas Ilimitado, Máximo de soluciones de enteros Ilimitado, Tolerancia de enteros 1%, Asumir no nega
Celdas de variables
Celda Nombre Valor original Valor final Entero
$D$164 Alfa pronostico 0.3 0.3 Continuar
Restricciones
Celda Nombre Valor de la celda Fórmula Estado Demora
$D$164 Alfa pronostico 0.3 $D$164<=1 No vinculante 0.7
$D$164 Alfa pronostico 0.3 $D$164>=0 No vinculante 0.3
tada de derivados, Requerir límites
de enteros 1%, Asumir no negativo
4 1. La empresa de videos Temá ticos « VIDEO START», se dedica a la venta de videos de alta
calidad. Por encargo de la gerencia, el analista de mercadeo ha obtenido los pronó sticos de
ventas mensuales para los pró ximos 5 meses, empleando tres métodos diferentes para
pronosticar. Se desea saber cuá l de los tres métodos aplicados pronosticar mejor las
ventas. En el siguiente cuadro se muestra las ventas reales y las pronosticadas con cada
uno de los tres métodos:
Pronostico
Periodos en Demanda
meses Método A Método B Método C
1 9050 9100 9090 9020
2 10100
10020 10050 10150
3 12050 12005 12100 12100
4 11200 11150 11150 11120
5 12500 12400 12450 12420
metodo A
Periodos en Demanda
meses Pronostico Error MAD MSE
1 9050 9100 -50 50 2500
2 10100 10020 80 80 6400
3 12050 12005 45 45 2025
4 11200 11150 50 50 2500
5 12500 12400 100 100 10000
54900 325 23425
Promedio 10980 65 4685
6 1. Considere el caso de las Ventas mensuales de productos materiales de oficina (Tay
441.67+359.62X
X Ventas (y) xy X^2 Ŷ (L. regresion)
1 600 600 1 801.28
2 1550 3100 4 1160.90
3 1500 4500 9 1520.51
4 1500 6000 16 1880.13
5 2400 12000 25 2239.74
6 3100 18600 36 2599.36
7 2600 18200 49 2958.97
8 2900 23200 64 3318.59
9 3800 34200 81 3678.21
10 4500 45000 100 4037.82
11 4000 44000 121 4397.44
12 4900 58800 144 4757.05
78 33350 268200 650
media X 6.5
MediaY 2779.17
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥
̅𝑦 ̅ 〗 )/(∑▒𝑥^2 −
𝑛 (𝑥 2) ̅ )
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛 𝑥
268200-12*6.5*2779.17 51425
650- 12*6.5*6.5 143
̅𝑦 ̅ 〗 )/(∑▒𝑥^2 −
𝑛 (𝑥 2) ̅ )
2779.17- 359.62*6.5 441.67
𝑎= 𝑦 ̅ − 𝑏𝑥 ̅
Ŷ= a+bx 441.67+359.62X
Pronostico: 13 5116.73
Pronostico: 14 5476.28
Pronostico: 15 5835.89
analisis
441.67+359.62X
Y
X0=0 441.67
xi = 8 3318.63
Xj= 14 5476.35
7 1. Aplicar el método Suavisamiento exponencial para el pronó stico de ventas de gasolina a
partir de la siguiente informació n: (⍺ = 0.2)
Periodos 1 2 3 4 5 6 7 8 9 10 11 12
Ventas 17 21 19 23 18 16 20 18 22 20 15 22
⍺ 0.2
Periodos Ventas (Y)gasol Pronostico Error: ⎸Error⎹
1 17 17 0 0
2 21 17 4 4
3 19 18 1.20 1.20
4 23 18 4.96 4.96
5 18 19 -1.03 1.03
6 16 19 -2.83 2.83
7 20 18 1.74 1.74
8 18 19 -0.61 0.61
9 22 18 3.51 3.51
10 20 19 0.81 0.81
11 15 19 -4.35 4.35
12 22 18 3.52 3.52
13 231 19 10.92 28.56
pronostico 220 0.91 2.38
MAPE
-50 0.0055
80 0.0079
45 0.0037
50 0.0045
100 0.0080
0.0296
0.0059
𝑎𝑙 𝑖 − 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑖|
MAPE
-40 0.0044
50 0.0050
-50 0.0041
50 0.0045
50 0.0040
0.0220
0.0044
DEMANDA
MAPE A B C
30 0.0033 4685
-50 0.0050
-50 0.0041 3740
80 0.0071
80 0.0064
2320
0.0260
0.0052
(yi-Ŷ)^2
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛
40514.46 𝑥 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2
151400.81 − 𝑛 (𝑥 2) ̅ )
420.78
144497.45 𝑆_𝑦𝑥 = 1324070.51/12-2
25682.12
250641.44
√(( ∑▒( 𝑦_𝑖 − 132407.051
128862.59 (𝑦)) ̂ 2)/(𝑛−2)) 363.88
175217.37
14833.99 Error estandar
213609.88 de estimacion
157955.29
20434.34 R2 R r
1324070.51 0.9332 0.9660 0<r<1
x ---y x--- y posee una relacion fuerte
6000
5000
f(x) = 359.615384615385 x + 441.666666666667
R² = 0.933186101557578
4000
6000
359.62
5000
f(x) = 359.615384615385 x + 441.666666666667
R² = 0.933186101557578
4000
3000
2000
1000
0
0 2 4 6 8 10 12 14
Se requiere elaborar el pronóstico para los meses 13, 14 y 15 . Aplicar la recta de regresión y efectuar
análisis de resultados. Utilice y comprueba con la hoja de calculo
nube de esparcimiento
442
14 (tiempo)
0 8
ico de ventas de gasolina a
12
22
Ft+1 = α Yt + (1 - α)Ft
0
1 2 3 4 5 6 7 8 9 10 11 12
varianza X 𝜎2𝑥=𝑥^2/𝑛 -
(𝑥^(2 )) 708933/11 - (250.27)^2 64448.4545
969.4 969.4
42.57*22.81 970.926287
480
f(x) = 0.5349822580
460 R² = 0.99685169053
Coef. De determinacion
r2 0.99685849 440
420
400
380
360
420
400
380
360
180 200 220
1. Una empresa fabricante de electrodomésticos desea pronosticar cuál será el nivel de
ventas para el pró ximo añ o, luego de que se ha analizado el histó rico de ventas anteriores,
se determinó que existe relació n con el grado de inversió n en cuanto a publicidad. Es decir
mientras má s dinero se ha invertido en publicidad (variable independiente) mayor ha sido
el nú mero de ventas de sus productos (variable dependiente). Aplicando el método de
regresió n lineal pronostique el volumen de ventas para los tres añ os siguientes. Y se
contará con $6000 dó lares para gastos publicitarios
𝑏= (∑▒ 〖𝑥 𝑦 −𝑛
𝑥 ̅𝑦 ̅ 〗 )/(∑▒𝑥^2
− 𝑛 (𝑥 2) ̅ )
Ŷ=1240.84+9.457X b= 895670-9*(54.78*1758.89)
Y10= 1240.84+9.457 (6000) 30023- 9(54.78)^2
2500
1500
Axis Title
1000
500
0
30 40 50 60 70 80 9
Axis Title
analisis
Analisis
De acuerdo aa las condiciones de la señal de rastreo, del pronostico practicada pa
de tablet en el mercado de la region , donde se aprecia que debido al contro
detectado que los margenes del TS, nos señala un rango del 57.62% , lo que nos ind
favorable intencion del pronostico que se espera actualizar en funcion a las activid
en las v entas de tablet.
………………………………………………………………… ……………………………………
X.Y
75978
76760
85696
96475
102531
109872 6.42
113080
122478 X=12 Ŷ= 301.65+0.535(12)
134194 x=13 Ŷ= 301.65+0.535(13)
144452
148204
1209720 Ŷ= 301.65+0.535X
480
440
420
400
380
360
420
400
380
360
180 200 220 240 260 280 300 320 340
car cuál será el nivel de
rico de ventas anteriores,
anto a publicidad. Es decir
pendiente) mayor ha sido
. Aplicando el método de
es añ os siguientes. Y se
2500
1000
500
0
30 40 50 60
40 50 60 70 80 90 100
Axis Title
RSFE
Desv.acumulada ABS (Err0r) Ʃdesv abs . Acum MAD Control TS FORCAST
-132 132 132 132 -1 f(T) = 361+70.667*9
-94 38 169 85 -1.1 636.003
218 312 481 160 1.4 997.003
154 64 545 136 1.1
-144 298 843 169 -0.9
-169 25 868 145 -1.2
166 335 1204 172 1.0
0 166 1370 171 0.0
1.5
-1
-1.5
RSFE
Ventas pronostico Error Desv acum MAD ABS (E.) Ʃdesv. Acumul
700 660 40 40 40 40 40
760 840 -80 -40 60 80 120
780 750 30 -10 50 30 150
790 835 -45 -55 48.75 45 195
850 910 -60 -115 51 60 255
950 890 60 -55 52.5 60 315
Cont
1.5
1
0.5
0
1 2 3 4
Cont
1.5
1
0.5
0
1 2 3 4
-0.5
-1
-1.5
-2
-2.5
308.07
308.07
308.6
elacion lineal
= 9.45725016569703 x + 1240.84174092348
= 0.672890501567296
50 60 70 80 90 100
Column E
Linear (Column E)
6 7 8 9
361+70.667*9
Control TS
Control TS
4 5 6 7 8
RSE/MAD
Control TS
1
-0.67
-0.2
-1.13
-2.25
-1.05
Control TS
Control TS
2 3 4 5 6
Control TS
Control TS
2 3 4 5 6
x y
No. Periodo Trimestre Demanda xy X^2
1 2017 I 26000 26000 1
2 2017 II 35500 71000 4
3 2017 III 35000 105000 9
4 2017 IV 34000 136000 16
5 2018 I 44000 220000 25
6 2018 II 51000 306000 36
7 2018 III 46000 322000 49
8 2018 IV 49000 392000 64
9 2019 I 58000 522000 81
10 2019 II 65000 650000 100
11 2019 III 60000 660000 121
12 2019 IV 69000 828000 144
78 572500 4238000 650
Media X 6.5
Media Y 47708.3333
Y = 24219.69+3613.64X
Ŷ=25529.5+3412.13T
80000
70000
60000
50000
40000 Demanda
Desetacionalizar
30000
20000
10000
50000
40000 Demanda
Desetacionalizar
30000
20000
10000
0
1 2 3 4 5 6 7 8 9 10 11 12
Pronostico
Pronostico Tendencia con
Periodo Demanda suavisado suavizado tendencia
1 1132
2 1600
3 1690
4 1640
5 1765
6 1879
7 1990
8 2100
9 2210
10 2356
11 2201
12 2027
80000
70000
f(x) = 3613.63636363636 x + 24219.696969697
60000 R² = 0.929847361000429
50000
40000 Column F
Linear (Column F)
30000
20000
10000
0
0 2 4 6 8 10 12 14
47708.33-3613.64*6.5
23488.6364 24219.697
80000
70000
60000
50000
Demanda 40000
Column F
Desetacionalizar
30000
20000
10000
50000
Demanda 40000
Column F
Desetacionalizar
30000
20000
10000
0
11 12 I II III IV I II III IV I II III IV
⍺=0.10 δ= 0.30
dencia de Holt
Column F
Column F