SOLUCIÓN PRACTICA .

PREVISIÓN DE LA DEMANDA
EJERCICIO 1

Un restaurante de pasta italiana programa su plantilla (camareros y cocineros) en función de la

demanda que se prevé para cada día de la semana. La tendencia en el comportamiento de la
demanda es irrelevante, sin embargo se observa una variabilidad importante entre los
diferentes días de la semana. El gerente del restaurante quiere desarrollar un sistema que le
permita predecir el número de clientes que va a tener el restaurante en cualquier día de un
futuro próximo. Dicho gerente ha tomado datos de los clientes que tuvo el restaurante en las
cuatro últimas semanas

Semana 1 Semana 2 Semana 3 Semana 4

Lunes 84 82 93 80
Martes 82 71 77 67
Miercoles 78 89 83 98
Jueves 95 94 103 96
Viernes 130 144 135 125
Sábado 144 135 140 136
Domingo 42 48 137 40

a) Calcular los índices de estacionalidad

En la siguiente tabla, calculamos las demandas medias para cada día (tercera columna). La
cuarta columna corresponde los índices de estacionalidad (IE) calculado como:

IE (lunes)= Demanda diaria lunes/MG = 84.75/97.43=0.87.

Donde MG (media diaria global) se calcula come la media de las demandas medias:
MG = (84.75+74.25+87+97+133.5+138.75+66.75)/7=97.43

Semana 1 Semana 2 Semana 3 Semana 4 Demanda media IE

Lunes 84 82 93 80 84.75 0.87
Martes 82 71 77 67 74.25 0.76
Miercoles 78 89 83 98 87 0.89
Jueves 95 94 103 96 97 1.00
Viernes 130 144 135 125 133.5 1.37
Sábado 144 135 140 136 138.75 1.42
Domingo 42 48 137 40 66.75 0.69
Media diaria global 97.43
(MG)

Podemos comentar que la demanda de la empresa es alta el viernes y sábado y

particularmente baja el domingo.

b) La próxima semana se abre una exposición de arte en una galería que hay enfrente del
restaurante. Por ello, el gerente estima un aumento de la demanda respecto a la
cuarta semana del 5%. Calcule el número de clientes esperado para cada día de la
próxima semana. Nota: para calcular en número de clientes y camareros redondee los
decimales hacia el entero superior.

Semana 4 IE Previsión semana 5

Lunes 80 0.87 83.78
Martes 67 0.76 73.19
 Miercoles 98 0.89 85.71
Jueves 96 1.00 96.30
Viernes 125 1.37 131.93
Sábado 136 1.42 136.75
Domingo 40 0.69 66.45

La demanda total en la semana 4 es: (80+67+98+96+125+136+40)=642. Así que se prevé una

demanda global para la semana 5 de 642*1.05= 674.1, lo que implica una demanda diaria
media de 674.1/7= 96.33 para la semana 5. Las previsiones para la demanda diaria (ajustada
con los IE calculados en a.) se calculan:

Para el lunes: 83.78 = 96.33 * IE(lunes) = 96.33*0.87 = 83.78

Para el martes: 83.78 = 96.33 * 0.76 = 73.19
Para el miércoles: 83.78 = 96.33 *0.89 = 85.71
Para el jueves: 83.78 = 96.33 * 1 = 96.3
Para el viernes: 83.78 = 96.33 *1.37 = 131.93
Para el sábado: 83.78 = 96.33 * 1.42 = 136.75
Para el domingo: 83.78 = 96.33 *0.69 = 66.45

EJERCICIO 2

Un psicólogo ha observado en su consulta un aumento en el número de pacientes tratados por

tener miedo enfermizo a salir de casa y fobia a los espacios abiertos (agorafobia). El doctor
sospecha que este aumento tiene que ver con el aumento de robos y ataques sucedidos en la
ciudad. Se tienen los siguientes datos de pacientes tratados y robos (medidos en número de
robos por cada mil habitantes) de los últimos 10 años

Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
Nº total pacientes 36 33 40 41 40 55 60 54 58 61
Índice de robos 58.3 61.1 73.4 75.7 81.1 89 101.1 94.8 103.3 116.2

a) Usando la técnica de proyección de tendencia ¿podría predecir el número de pacientes

en los años 11 y 12?

Nos pide el enunciado utilizar un análisis de regresión (el único regresor siendo el tiempo
t) para predecir el número de pacientes (pt).

Estimamos: pet = a + b*t , donde pet es el numero estimado de pacientes para el periodo t.
Donde: a = p – bt, t es la media del regresor de tiempo y p es la media de la variable
dependiente pacientes: p = 478/10=47.8 y t = 55/10=5.5 (ver tabla).

Año (t) Pacientes (p) t*p t^2

1 36 36 1
2 33 66 4
3 40 120 9
4 41 164 16
5 40 200 25
6 55 330 36
 7 60 420 49
8 54 432 64
9 58 522 81
10 61 610 100
Total 55 478 2900 385

Con la información de la tabla podemos calcular:

b = (t*p-nt.p)/( t^2-n t^2) = (2900-10*5.5*47.8)/(385-10*5.5^2)=3.28
Así: a = p – bt = 47.8 – 3.28*5.5 = 29.76

La predicción para el año t=11 es:

pe11 = 29.76 + 3.28*11 = 65.84

La predicción para el año t=12 es:

pe11 = 29.76 + 3.28*12 = 69.12

b) Aplique la regresión lineal (con el método de Mínimos Cuadrados Ordinarios) para

estudiar la relación entre el índice de robos y el número de pacientes. Represente
gráficamente tanto los datos (índice de robos vs. Pacientes) como la recta de regresión
resultante.

Utilizamos una regresión simple como en el apartado a), la única diferencia es que el regresor
es ahora el número de robos (r) y no el tiempo t.

Robos Pacientes (p) r*p r^2

58.3 36 2098.8 3398.89
61.1 33 2016.3 3733.21
73.4 40 2936 5387.56
75.7 41 3103.7 5730.49
81.1 40 3244 6577.21
89 55 4895 7921
101.1 60 6066 10221.21
94.8 54 5119.2 8987.04
103.3 58 5991.4 10670.89
116.2 61 7088.2 13502.44
Total 854 478 42558.6 76129.94

Con la información de la tabla podemos calcular:

B = (r*p-nr.p)/( r^2-n r^2) = (42558.6-10*5.5*85.4)/( 76129.94-10*85.4^2)=0.54
Así: A = p – B*r = 47.8 – 0.54*85.4 = 1.41
r es la media del regresor robos: r = 854/10 =85.4
- Representación gráfica de los datos (índice de robos vs. Pacientes) y de la recta de regresión
 Plot of Fitted Model
63
Pacientes 58

53

48

43

38

33
58 68 78 88 98 108 118

Robos
c) Si se estima que el índice de robos para el año 11 va a ser 131.2 ¿a cuántos pacientes
tendrá que tratar el doctor? ¿y si el índice de robos desciende a 90.6?

Asumiendo: r11=131.2, la predicción para el numero de pacientes (pe11) es:

pe11 = 1.41 + 0.54*131.2 = 72.26

Si el número de robos desciende a 90.6: pe11 = 1.41 + 0.54*90.6 = 50.33

El doctor ha observado que el número de pacientes en primavera-verano (estación II) suele ser
superior al número de pacientes en otoño-invierno (estación I). Sin embargo, no se aprecia
esta diferencia estacional en el índice de robos. Los datos que tiene el doctor de los últimos 10
años son los siguientes:

Año 1 Año 2 Año 3 Año 4 Año 5 Año 6 Año 7 Año 8 Año 9 Año 10
Estación I 11 10 12 12 11 16 18 17 18 18
Estación 2 25 23 28 29 29 39 42 37 40 43
Nº total 36 33 40 41 40 55 60 54 58 61
pacientes

d) Utilizando como estimación del número de pacientes en el año 11 el calculado para

una previsión de índice de robos de 131.2 (calculado en el apartado anterior) ¿podría
predecir el número de pacientes a visitar en las temporadas otoño-invierno y
primavera-verano del año 11?

Nuestra previsión para el año 11 es: pe11 = 1.41 + 0.54*131.2 = 72.26.

Calculamos los índices de estacionalidad para las estaciones I y II:

Media histórica IE
Estación I 14.3 0.60
Estación 2 33.5 1.40
Global 23.9

Notar que 23.9 es la demanda media global semestral (se puede calcular como la demanda
global anual dividido por 2: 47.8/2).

Los índices de estacionalidad se calculan de la manera siguiente:

IE,I = 14.3/23.9 = 0.6

IE,II = 33.5/23.9 = 1.4
 La previsión para la demanda del año 11 es 72.76, esto corresponde a una previsión semestral
de 72.76/2 = 36.38. Así que ajustando por los índices de estacionalidad, la demanda para las
estaciones I y II son respectivamente:

pe11,I = (72.76/2)*0.6 = 21.83

pe11, II = (72.76/2)*1.4 =50.93

EJERCICIO 3

Una empresa comercializa bolsos de deporte y mochilas. Los datos recogidos de la demanda
anual de mochilas se muestran en la siguiente tabla

AÑO 1 2 3 4 5 6 7 8 9 10 11
Demanda ( miles) 4 6 4 5 10 8 7 9 12 14 15

Dado que la previsión de la demanda es importante para el departamento de compras, se

quiere desarrollar un sistema de previsión de la demanda. Para ello, el jefe del departamento
le ha pedido que haga una serie de pruebas y que le proponga un sistema que le ayude a
predecir las ventas.

a) Calcule los pronósticos de la demanda desde el año 4 hasta el 12 utilizando el método

de medias móviles a 3 años.

AÑO 1 2 3 4 5 6 7 8 9 10 11 12
Demanda ( miles) 4 6 4 5 10 8 7 9 12 14 15
Media movil 4.67 5.00 6.33 7.67 8.33 8.00 9.33 11.67 13.67
simple, n=3

Dado la demanda en periodo t (dt), la predicción con media móvil de orden 3 se calcula como:
Mt = (dt-1 + dt-2 + dt-3)/3

Ejemplo: para el año 4, M4 = (4 + 6 + 4)/3 = 4.67

b) Estimar de nuevo la demanda para los años 4 al 12 con una media móvil ponderada a 3
años, en la que las ventas del año más reciente se ponderan con 2 y las ventas en los
otros dos años de ponderan con 1.

AÑO 1 2 3 4 5 6 7 8 9 10 11 12
Demanda ( miles) 4 6 4 5 10 8 7 9 12 14 15
Media móvil 4.50 5.00 7.25 7.75 8.00 8.25 10.00 12.25 14.00
ponderada, n=3

Dado la demanda en periodo t (dt), la predicción con media móvil de orden 3 ponderada se
calcula como: Mt = (2*dt-1 + dt-2 + dt-3)/4

Ejemplo: para el año 4, M4 = (2*4 + 6 + 4)/4 = 4.5

c) Calcular los pronósticos de demanda de los años 4 al 12 utilizando el alisado
exponencial con α =0.3. Para ello suponga que la previsión del año 3 fue de 5000
mochilas.

Asumimos: F3 = 5000, α =0.3.

AÑO 1 2 3 4 5 6 7 8 9 10 11 12
Demanda ( miles) 4 6 4 5 10 8 7 9 12 14 15
Media movil, n=3 5 4.70 4.79 6.35 6.85 6.89 7.53 8.87 10.41 11.79
La predicción con alisado exponencial se calcula como:
Ft = 0.3*Dt-1 + 0.7*Ft-1

Así que: F4 = 0.3*4 + 0.7*5 = 4.7

d) Represente los datos originales y los de las tres previsiones ¿cuál de los métodos le
parece mejor?

20
Datos
Predicciones

15
10 Media movil
simple
5 Media movil
pond.
0
Alisado exp.
1

11
Años

e) Utilizando el criterio de DAM ¿cuál de los tres sistemas le parece mejor? ¿y si utiliza el
criterio ECM?

La DAM (desviación absoluta a la media) se calcula como la media de los errores de previsión
calculados como el valor absoluto de la diferencia entre la demanda observada y la demanda
prevista.

El ECM (error cuadrático medio) se calcula como la media de los errores de previsión
calculados como el cuadrado de la diferencia entre la demanda observada y la demanda
prevista.

Los resultados para el cálculo del DAM y del ECM están resumidos en las siguientes tablas :

- Media móvil simple

Año Demanda Media móvil simple Error previsión (valor abs.) Error de previsión (cuadrado)
1 4
2 6
3 4
4 5 4.67 0.33 0.1089
5 10 5 5.00 25
6 8 6.33 1.67 2.7889
7 7 7.67 0.67 0.4489
8 9 8.33 0.67 0.4489
9 12 8 4.00 16
10 14 9.33 4.67 21.8089
11 15 11.67 3.33 11.0889
12 13.67
DAM ECM
2.54 9.71

- Media móvil ponderada

Año Demanda Media móvil pond. Error previsión (valor abs.) Error de previsión (cuadrado)
1 4
2 6
3 4
4 5 4.5 0.50 0.25
5 10 5 5.00 25
6 8 7.25 0.75 0.5625
7 7 7.75 0.75 0.5625
8 9 8 1.00 1
9 12 8.25 3.75 14.0625
10 14 10 4.00 16
11 15 12.25 2.75 7.5625
12 14
DAM ECM
2.31 8.13

-Alisado exponencial

Año Demanda Alisado exp. Error previsión (valor abs.) Error de previsión (cuadrado)
1 4
2 6
3 4
4 5 4.7 0.30 0.09
5 10 4.79 5.21 27.1441
6 8 6.35 1.65 2.7225
7 7 6.85 0.15 0.0225
8 9 6.9 2.10 4.41
9 12 7.53 4.47 19.9809
10 14 8.87 5.13 26.3169
11 15 10.41 4.59 21.0681
12 11.79
DAM ECM
2.95 12.72

De acuerdo con la DAM y el ECM, el mejor modelo es la media móvil ponderada. Las
previsiones con la media móvil ponderada tienen un DAM y un ECM inferior a los otras dos
técnicas utilizadas.

EJERCICIO 4

Un hospital ha registrado una demanda de transplante de corazón durante los últimos 8 años
que se refleja en la siguiente tabla

AÑO 2006 2007 2008 2009 2010 2011 2012 2013 2014
Transplantes 44 46 45 45 50 52 56 58 ¿?
(p)
El director de servicios médicos del hospital predijo hace 9 años que la demanda para el año
2006 sería de 41 operaciones.

a) Utilice el enfoque sencillo para predecir la demanda desde el año 2007 hasta el 2014
(inclusive). Calcule la desviación absoluta media (DAM) de este método de previsión

El enfoque sencillo consiste en predecir la demanda en el periodo t+1 con la demanda la

demanda en el periodo t.

Así que la previsiones de demanda para el periodo t (pe(t)) son:

pe(07) = p(06) = 44 pe(10) = p(09) = 45 pe(13) = p(12) = 56

pe(08) = p(07) = 46 pe(11) = p(10) = 50 pe(14) = p(13) = 58
pe(09) = p(08) = 45 pe(12) = p(11) = 52

La DAM (desviación absoluta a la media) se calcula como la media de los errores de previsión
calculados como el valor absoluto de la diferencia entre la demanda observada y la demanda
prevista.

DAM =(  46-44 + 45-46 + 45-45 + 50-45 + 52-50 + 56-52 + 58-56 )/7 = 2.29

b) Utilice el método de la media móvil a tres años para predecir la demanda desde el año
2009 hasta el 2014. Calcule también su DAM

Año Transplantes Media móvil Error absoluto

2006 44
2007 46
2008 45
2009 45 45.00 0.00
2010 50 45.33 4.67
2011 52 46.67 5.33
2012 56 49.00 7.00
2013 58 52.67 5.33
2014 55.33
DAM 4.47

Dado la demanda de transplantes en periodo t (pt), la predicción con media móvil de orden 3
se calcula como: Mt = (pt-1 + pt-2 + pt-3)/3
M2000 = (44+46+45)/3=45

La DAM se calcula:

DAM =(  45-45 + 50-45.33 + 52-46.67 + 56-49 + 58-52.67 )/5 = 4.47

c) Utilice el alisado exponencial para realizar previsiones de demanda desde los años
2007 al 2014. En primer lugar deberá utilizar un α=0.6 y después realizará los mismos
cálculos utilizando α=0.9 (se le da más importancia a valores recientes). Halle la DAM
para los dos casos.

Para calcular la previsión de transplantes con alisado exponencial utilizamos la predicción del
director de servicios médicos para 1997, es decir 41 transplantes.

La predicción con alisado exponencial dado α=0.6 se calcula como:

F,t = 0.6*p,t-1 + 0.4*F,t-1
Es decir: F,2007 = 0.6*44+0.4*41 = 42.8

Año Transplantes Alisado exponencial Error absoluto

2006 44 α=0.6
2007 46 42.80 3.20
2008 45 44.72 0.28
2009 45 44.89 0.11
2010 50 44.96 5.04
2011 52 47.98 4.02
2012 56 50.39 5.61
2013 58 53.76 4.24
2014 56.30
DAM 3.21

Repetimos para el caso α=0.9.

Año Transplantes Alisado exponencial Error absoluto

2006 44 α=0.9
2007 46 43.70 2.30
2008 45 45.77 0.77
2009 45 45.08 0.08
2010 50 45.01 4.99
2011 52 49.50 2.50
2012 56 51.75 4.25
2013 58 55.58 2.42
2014 57.76
DAM 2.47

d) Realice ahora un alisado exponencial con ajuste de tendencia y realice una previsión
para los años 2007, 2008,…2014. Utilice el α que antes haya dado menor DAM (es
decir, el que mejor predice), la misma predicción inicial para el año 2006, un β=0.4 y
una tendencia inicial igual a cero.

Utilizamos un α de 0.9 porque en el apartado anterior hemos comprobado que el alisado

exponencial con α=0.9 tenía una DAM inferior al alisado exponencial con α=0.6.

Asumimos que el término de tendencia (T) es igual a cero en el año 2006. Es decir: T,06= 0.

Año Transplantes F T PIT = F+T Error absoluto

(p)
2006 44 41.00 0.00 41.00
2007 46 43.70 1.08 44.78 1.22
2008 45 45.88 1.52 47.40 2.40
2009 45 45.24 0.66 45.90 0.90
2010 50 45.09 0.33 45.42 4.58
2011 52 49.54 1.98 51.52 0.48
2012 56 51.95 2.15 54.11 1.89
2013 58 55.81 2.83 58.65 0.65
2014 58.06 2.60 60.67
DAM 1.73

Por ejemplo:
PIT,07 = F,07 + T,07
Donde: F,07 = 0.9* p,06 + 0.1*(F,06+T,06) = 0.9*44+0.1*41 = 43.7
T,07 = 0.6*T,06+0.4*(F,07-F,06) = 0.6*0 + 0.4*(43.7-41) = 1.08

e) Use el método de proyección de tendencia para calcular las previsiones desde el año
2006 hasta el 2014. Calcular su DAM

Nos pide el enunciado utilizar un análisis de regresión (el único regresor siendo el tiempo
t) para predecir el número de transplantes (pt).

Estimamos: pet = a + b*t, donde pet es el numero estimado de transplantes para el periodo t.
Donde: a = p – bt, t es la media del regresor de tiempo y p es la media de la variable
dependiente transplantes: p = 396/8=49.5 y t = 2000.5 (ver tabla).

Año (t) Transplantes (p) t*p t^2

2006 44 87868 3988009
2007 46 91908 3992004
2008 45 89955 3996001
2009 45 90000 4000000
2010 50 100050 4004001
2011 52 104104 4008004
2012 56 112168 4012009
2013 58 116232 4016016
2014
Total 396 792285 32016044

Con la información de la tabla podemos calcular:

b = (t*p-nt.p)/( t^2-n t^2) = (792285-8*2000.5*49.5)/( 32016044-8*2000.5^2)
=2.07

Así: a = p – bt = 49.5 – 2.07*2000.5 = -4091.535

La predicción para el año t es:

pet = -4091.535 + 2.07*t
Las previsiones calculadas están resumidas en la siguiente tabla.

Año (t) Demanda Previsión Error absoluto

2006 44 42.26 1.74
2007 46 44.32 1.68
2008 45 46.39 1.39
2009 45 48.47 3.47
2010 50 50.53 0.53
2011 52 52.60 0.60
2012 56 54.68 1.32
2013 58 56.74 1.26
2014
DAM 1.50

f) ¿Cuál de estos métodos predice mejor?

NOTA: tenga en cuenta que el número de datos que se pueden utilizar en cada caso para
hallar los errores (y por tanto la DAM) es diferente.

El mejor modelo es el que tiene la DAM menor. Es fácil comprobar que con una DAM de
1.5, el modelo con mejor ajuste es la proyección de tendencia.