Previsión Parte 2

 Tipos de metodologías para el pronóstico de ventas.

 Métodos cualitativos. (Analogía histórica, Delphi y
Estudio Mercado).
 Métodos causales.
 Series de tiempo.
 Pronóstico y análisis de errores de pronóstico.
 Selección de métodos de estimación.
 Determinación de escenarios industriales futuro y su
efecto en el pronóstico de las ventas.
 Suavizado exponencial

El método de suavización o suavizamiento

exponencial simple puede considerarse
como una evolución del método de promedio
móvil ponderado, en éste caso se calcula el
promedio de una serie de tiempo con un
mecanismo de autocorrección que busca
ajustar los pronósticos en dirección opuesta
a las desviaciones del pasado mediante una
corrección que se ve afectada por un
coeficiente de suavización.( alfa)
 ¿Cuándo utilizar un pronóstico de
suavización exponencial simple?
El pronóstico de suavización exponencial
simple es óptimo para patrones de demanda
aleatorios o nivelados donde se pretende
eliminar el impacto de los elementos
irregulares históricos mediante un enfoque
en períodos de demanda reciente, este
posee una ventaja sobre el modelo de
promedio móvil ponderado ya que no
requiere de una gran cantidad de períodos y
de ponderaciones para lograr óptimos
resultados.
 Alisado exponencial

Es una técnica de previsión de media móvil

ponderada:
 Las ponderaciones disminuyen exponencialmente.
 Se ponderan más los datos más recientes.

Se necesita una constante de alisado ():

 Toma valores entre 0 y 1.
 Se escoge de forma subjetiva.

Necesita una cantidad reducida de datos

históricos.
 Ecuaciones del alisado
exponencial
 Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3
+ (1- )3At - 4 + ... + (1- )t-1·A0
 Ft = Valor de la previsión
 At = Valor real
  = Constante de alisado

 Ft = Ft-1 + (At-1 - Ft-1)

 Se utiliza para calcular la previsión.
Ejemplo de alisado exponencial
Usted está organizando una reunión “Kwanza”.
Desea predecir el número de personas que
asistirán en el año 2000 mediante el alisado
exponencial b(Fti) con( = 0,10). La previsión para
1995 fue dada de 175. año real Fti
1995 180
1996 168
1997 159
1996 175
1999 190 © 1995 Corel Corp.
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)

Valor Real Previsión, F t

Año
Ati (α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 +
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 + (At-1 - Ft-1)
A Previsión, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 -
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00)
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50 Ft
1997 159
1998 175
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1+ (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1994 168 175,00 + 0,10(180 - 175,00) = 175,50
1995 159 175,50 + 0,10(168 - 175,50) = 174,75
1996 175
1997 190
1998 ND
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75)= 173,18
1999 190
2000 ND
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND
Solución del alisado exponencial
Ft = Ft-1 +  (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND 173,36 + 0,10(190 - 173,36) = 175,02
Gráfico del alisado exponencial

Y Ventas
190 Real
Ati
180 Fti
170 Previsión
160
150
140
95 96 97 98 99 00
x Año
 Ejercicio
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 fue de 2869
seguros de carro adquiridos por personas, pero la
demanda real para ese periodo fue de 3200. La
compañía según su criterio asigna α=0,35.

La ecuación de demanda del próximo periodo es:

Ft = Ft-1 + (At-1 - Ft-1)

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).
 Tabla asociada
α 0,35
Periodo Demanda Pronóstico
1 3200 2869,00
2 3108
3 2930
4 2801
5 2316
6 2444
7 2719
8 3133
9 3459
10 2819
11 2773
12 2321

Suavizado exponencial Completar Ft = Ft-1 + (At-1 - Ft-1)

 Soluciòn suavizado exp…
Tabla asociada A Ft Alfa = 0,35
 Soluciòn
Grafico asociado:

Fti
Ai
 Errores de pronóstico

Se trata de seleccionar el valor de que

minimice el error de pronóstico, calculado
como
la desviación absoluta media (DAM), o

el error cuadrático medio (ECM)

Ecuaciones del error de previsión
Error cuadrado medio (ECM):
n
 (y i - ˆy i ) 2 2
i =1  errores de previsión
ECM = =
n n

Desviación absoluta media (DAM):

n
 | yi - ŷ i |
i =1  |errores de previsión |
DAM = =
n n
Error de previsión = demanda - previsión
 Ejercicio2
Utilizando la tabla anterior CALCULE DAM Y ECM
 Soluciòn
Número de
periodos n 12
+,- + +

Error Error
Error de Desviación
cuadrático porcentual
Periodo Demanda Pronóstico pronóstico absoluta media
medio absoluto medio
CFE SUM(DAM)
SUM(ECM) SUM(MAPE)
1 3200 2869 331,00 331,00 109561,00 10,34%
2 3108 2985 123,15 123,15 15165,92 3,96%
3 2930 3028 -97,95 97,95 9594,69 3,34%
4 2801 2994 -192,67 192,67 37121,39 6,88%
5 2316 2926 -610,23 610,23 372386,67 26,35%
6 2444 2713 -268,65 268,65 72174,28 10,99%
7 2719 2619 100,38 100,38 10075,29 3,69%
8 3133 2654 479,24 479,24 229675,03 15,30%
9 3459 2821 637,51 637,51 406417,41 18,43%
10 2819 3045 -225,62 225,62 50904,07 8,00%
11 2773 2966 -192,65 192,65 37115,01 6,95%
12 2321 2898 -577,22 577,22 333187,73 24,87%
Suma de errores -493,73 3836,28 1683378,49 139,11%

CFE -493,73
DAM 319,69
ECM 140281,54
MAPE 11,59%
Señal de
 Fòrmulas
 ( Real – Pronostico)

(DAM*2)/n
 Alisado exponencial con ajuste de
tendencia

Previsión incluyendo la tendencia (PITt)

= previsión alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)
 Alisado exponencial con ajuste de
tendencia
Ft =  (demanda real de este periodo)
+ (1- )(previsión del último periodo + tendencia estimada del
último periodo)
o
Ft = (At) + (1- )Ft-1 + Tt-1

Tt = (previsión de este periodo - previsión del último periodo)

+ (1-)(tendencia estimada del último periodo)
o

Tt = (Ft - Ft-1) + (1- )Tt-1

Alisado exponencial con ajuste de
tendencia

Ft = previsión alisada exponencialmente de

la serie de datos en el periodo t.
Tt = tendencia alisada exponencialmente en
el periodo t.
At = demanda real en el periodo t.
 = constante de alisado para la media.
 = constante de alisado para la tendencia.
 Comparación de previsiones
Alisado exponencial +
40 Tendencia
35 Demanda real
Demanda del producto

30
25
20
15
Alisado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
Recordatorio
Regresiòn
 Errores y Rastreo

DAM
ECM

SR rastreo
 Conducta del error de previsión

Tendencia no totalmente
justificada Conducta deseada
Error Error

0 0

Tiempo (años) Tiempo (años)

 Ecuaciones del error de prevision
dada una prevision de regresion y de alisado
exponencial
Recordemos :
Error cuadrado medio (ECM):
n
 (y i - ˆy i ) 2 2
i =1  errores de previsión
ECM = =
n n

Desviación absoluta media (DAM):

n
 | yi - ŷ i |
i =1  |errores de previsión |
DAM = =
n n
 Ejemplo de selección del modelo
de previsión
Usted es el analista de marketing de Hasbro Toys. Ha previsto las
ventas con un modelo lineal y alisado exponencial. ¿Qué modelo
usará?

Ventas Previsión del Previsión del

alisado
Año reales modelo lineal(a) exponencial ((b)(0,9)

1995 1 0,6 1,0

1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
 a.Evaluación del modelo lineal Y^
CFE
^
Año Yi Yi Error Error2 |Error|
1992 1 0,6 0,4 0,16 0,4
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
n=5 Total 1,10 2,0
ECM =( Σ Error2) )/ n = 1,10 / 5 = 0,220
DAM = (Σ |Error| )/ n = 2,0 / 5 = 0,400
Evaluación del modelo de alisado
exponencial
^
Year Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = (Σ Error2) / n = 0,05 / 5 = 0,01
DAM = (Σ |Error| )/ n = 0,3 / 5 = 0,06
Evaluación del modelo de alisado
exponencial
Modelo de alisado exponencial:

ECM = Σ Error2 / n = 0,05 / 5 = 0,01

DAM = Σ |Error| / n = 0,3 / 5 = 0,06

Modelo reg. lineal:

ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400
 Señal de rastreo

Mide el grado de precisión de la previsión

para predecir valores reales.
Suma actual de los errores de previsión
(CFE) dividida entre la desviación absoluta
media (DAM):
 Una buena señal de rastreo tiene valores bajos.
Debe estar dentro de los límites de control
superiores e inferiores.
 Ecuación de la señal de rastreo

CFE
Señal de rastreo =
DAM

 (y i - ŷ i )
n

= i =1
DAM

 errores de previsión
=
DAM
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10

2 100 95
3 100 115 CFE =  Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado =  |Errores|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error CFE Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0

2 100 95
3 100 115 DAM =  |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real
ECR absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95
3 100 115 SR = ECR/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5
3 100 115
4 100 100 Error = Real - Previsión
= 95 - 100 = -5
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 CFE =  Errores
= (-10) + (-5) = -15
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado =  |Errores|
= 10 + 5 = 15
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM =  |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error CFE Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = CFE/DAM
= -15/7,5 = -2
5 100 125
6 100 140
Representación de una señal de
rastreo
Señal que supera el límite

Señal de rastreo
Límite de control superior
+

0 Intervalo aceptable

-
Límite de control inferior

Tiempo
 Señales de rastreo
160 3
140 Previsión
2

Señal de rastreo
120
Demanda real

100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
Medida de la bondad de ajuste: coeficiente de
correlación lineal

Una vez tenemos la recta de regresión, es necesario saber si

el ajuste que ofrece la recta sobre la nube de puntos es
suficientemente bueno.

Es decir, se trata de saber si el modelo que se ha ajustado

para relacionar las variables X e Y es un modelo consistente.
La medida más comúnmente utilizada para medir el ajuste
de la recta de regresión es el coeficiente de correlación
lineal.
 Concretamente, se trata del estadístico
siguiente:

donde Sxy es la covarianza muestral, Sx la desviación típica

muestral de la variable X y Sy la desviación típica muestral
de la variable Y.
Estos estadísticos son
exactamente:

:
 El coeficiente de correlación lineal es un valor que cumple
las condiciones siguientes:

•Toma valores entre −1 y 1.

•Es invariante por transformaciones lineales de las
variables X e Y.

Cuanto más extremo es r ( más se acerca a −1 o a

1), significa que mejor se ajusta el modelo.
Un valor cercano a 0, debe interpretarse como que no existe un
buen ajuste lineal, pero ello no excluye que existan otros tipos de
relaciones funcionales. De hecho, podemos hallar ejemplos de
relaciones funcionales exactas, con un coeficiente de correlación 0 .

Por otro lado, un coeficiente de correlación muy cercano a 1 o a

−1, no debe interpretarse como que existe una relación causa-efecto
importante entre las dos variables. La relación podría deberse al
efecto de otras variables no incluidas en el estudio.

El cuadrado del valor r multiplicado por 100 se denomina

coeficiente de determinación y se interpreta como el porcentaje de
variabilidad que explica el modelo.
Ejercicio Ejemplo:
No siempre una variable es el tiempo puede ser un comportamiento.

Use el método de mínimos cuadrados para

determinar la ecuación de la recta que mejor se
ajusta para los datos.
Luego grafique la recta.
Determine y para x= 14
:
Fórmulas

a=

a
gráfico
Calcule las medias de los valores
de x y los valores de y , la suma
de los cuadrados de los valores
de x , y la suma de cada valor de x
multiplicado por su valor
correspondiente y .
 Tabla asociada

N=10
 pendiente

a=
Calcule la intercepción en y .
Calcule las medias ( n= 10)
Use la fórmula para calcular la
intercepción en y .

a
Use la pendiente y la intercepción en y para formar
la ecuación de la recta que mejor se ajusta.

La pendiente de la recta es a =-1.1 y la intercepción

en y es b= 14.0.

Por lo tanto, la ecuación es y^ = -1.1 X + 14.0.

a,b pueden ser alfa,beta

 Si x = 14 y^ = -1.1 X + 14.0.

Y^ = -1,1(14) +14

Y^ = - 1,4
Determine la bondad de ajuste