Curso: GESTIÓN TÁCTICA DE OPERACIONES

Docente: Mg. Ing. Aldo Rivadeneyra

PRONÓSTICOS: SERIES DE TIEMPO
Sesión de Aprendizaje: Semana 3
LOGRO DE LA SESIÓN

Al término de la sesión, el estudiante en equipos de trabajo, desarrolla y explica

modelos de pronóstico basados en series de tiempo, utilizando Hoja de Cálculo
Excel, demostrando exactitud en los cálculos de los resultados.
ESTRUCTURA DE LA SESIÓN

1. Introducción a las Series de tiempo.

2. Componentes de Series de tiempo.

3. Modelos de Series de tiempo.

4. Evaluación de pronósticos.

5. Herramientas del Excel para generar pronósticos

de Series de tiempo.
1. INTRODUCCIÓN

Series de Tiempo

Definición Análisis Propósito Aplicación

Es una secuencia Pronósticos de
ordenada de valores Consideran que los 1.Comprender las ventas,
de una variable en datos tomados en fuerzas de influencia en económicos,
intervalos de tiempo diversos periodos, los datos y descubrir la análisis de
periódicos y pueden tener estructura que produjo presupuesto,
consecutivos. algunas los datos observados. análisis del
características de 2.Ajustar el modelo y mercado, etc.
auto-correlación, realizar pronósticos,
tendencia o monitoreo, retro-
estacionalidad que alimentación y control
se debe tomar en en avance.
cuenta.
2. COMPONENTES DE SERIES DE TIEMPO

COMPONENTES DESCRIPCIÓN EJEMPLO

* Planeación de
Promedio de un * Se basa en un promedio aritmético o ponderado
inventarios a corto y
periodo de un número determinado de datos históricos.
mediano plazo.
* Componente de largo plazo que representa el * Ventas a largo plazo,
La Tendencia crecimiento o disminución en la serie sobre un oferta de empleo,
periodo amplio. precio de acciones.

El elemento * Componente que se caracteriza por periodos * Ventas en navidad,

repetibles de altas y bajas a lo largo de periodos consumos en
estacional cortos. estaciones del año.

Los elementos * Es la fluctuación ascendente y descendente en * Empleo, la

forma de onda alrededor de la tendencia en producción, precio de
cíclicos periodos mayores a un año. acciones.

La variación * Guerras, elecciones

* Mide la variabilidad inexplicable de una serie de
políticas, huelgas,
aleatoria tiempo después de retirar los otros componentes.
desastres naturales.
LÍNEAS DE TENDENCIA
COMPONENTE CÍCLICO, ESTACIONAL Y ALEATORIA
3. MODELOS DE SERIES DE TIEMPO

-Basados en modelos matemáticos.

Cuantitativos
-Datos históricos son confiables.

1. Promedio Móvil Simple.

Series de
tiempo 2. Promedio Móvil Ponderado.

3. Suavización Exponencial
3. SÍMBOLOS Y TERMINOLOGÍA

Donde :

Dt = Demanda durante el período t

Ft+1 = Pronóstico de demanda para el período t+1
n = Número de períodos por promediar
3.1. PROMEDIO MÓVIL SIMPLE

• Se utiliza para calcular la demanda promedio de los últimos

´´n´´ períodos y como predicción para el siguiente período.

• Fórmula:

• Donde :
Ft+1 = Pronóstico de demanda para el período t+1
Dt = Demanda durante el período t
n = Número de períodos por promediar
3.1. EJEMPLO: PROMEDIO MÓVIL SIMPLE

Total Promedio
Año
(n = 3) Ft+1
2005 4 NA NA
2006 6 NA NA
2007 5 NA NA
2008 3 4 + 6 + 5 = 15
2009 7
2010 NA
3.1. EJEMPLO: PROMEDIO MÓVIL SIMPLE

Total Promedio
Año
(n = 3) Ft+1
2005 4 NA NA
2006 6 NA NA
2007 5 NA NA
2008 3 4 + 6 + 5 = 15 15/3 = 5.0
2009 7 6 + 5 + 3 = 14
2010 NA
3.1. EJEMPLO: PROMEDIO MÓVIL SIMPLE

Total Promedio
Año
(n = 3) Ft+1
2005 4 NA NA
2006 6 NA NA
2007 5 NA NA
2008 3 4 + 6 + 5 = 15 15/3 = 5.0
2009 7 6 + 5 + 3 = 14 14/3 = 4.7
2010 NA 5 + 3 + 7 = 15 15/3 = 5.0
3.2. PROMEDIO MÓVIL PONDERADO

• Una forma de hacer que el promedio móvil responda más rápido a los
cambios en la demanda es dar relativamente más peso a las demandas
recientes que a las anteriores.

• Fórmula:

Ft+1 = W1Dt + W2Dt-1 + W3Dt-2 + … + WnDt-n+1

• Donde :
Ft+1 = Pronóstico de demanda para el período t+1
Dt = Demanda durante el período t
Wn = Ponderación dada la ocurrencia real para el período t
∑ Wn = 1
3.2. EJEMPLO: PROMEDIO MÓVIL PONDERADO
3.3. SUAVIZACIÓN EXPONENCIAL

• Se basa en la muy sencilla idea de que puede calcularse un nuevo

promedio a partir de uno antiguo y de la demanda más reciente
que se haya observado.

• Fórmula:

• Donde :
Ft+1 = Pronóstico de demanda para el períodot+1
Ft = Pronóstico antiguo para el período t - 1
Dt = Demanda real para el período t

α = Constante de suavización (0 <= α <= 1)

3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

• Se tiene los siguientes datos de ventas de un producto. Se espera pronosticar la

atención del año 2022 usando suavización exponencial.

• Considere:
(α = 0.10) y en el 2017 el pronóstico fue 175.

Año Actual
2017 180
2018 168
2019 159
2020 175
2021 190
3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

Ft+1 = Ft + α· (Dt - Ft)

Pronóstico F t+1
Año Dt ( α = 0.10)
2017 180 175.00 (Base)
2018 168 175.00 +
2019 159
2020 175
2021 190
2022 NA
3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

Ft+1 = Ft + α· (Dt - Ft)

Pronóstico F t+1
Año Dt
(α = 0.10)
2017 180 175.00 (Base)
2018 168 175.00 + 0.10(
2019 159
2020 175
2021 190
2022 NA
3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

Ft+1 = Ft + α· (Dt - Ft)

Pronóstico F t+1
Año Dt (α = 0.10)
2017 180 175.00 (Base)
2018 168 175.00 + 0.10(180 -
2019 159
2020 175
2021 190
2022 NA
3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

Ft+1 = Ft + α· (Dt - Ft)

Pronóstico F t+1
Año Dt (α = 0.10)
2017 180 175.00 (Base)
2018 168 175.00 + .10(180 - 175.00)
2019 159
2020 175
2021 190
2022 NA
3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

Ft+1 = Ft + α· (Dt - Ft)

Pronóstico Ft+1
Año Dt
( = 0.10)
2017 180 175.00 (Base)
2018 168 175.00 + .10(180 - 175.00) = 175.50
2019 159
2020 175
2021 190
2022 NA
3.3. EJEMPLO: SUAVIZACIÓN EXPONENCIAL

Ft+1 = Ft + α· (Dt - Ft)

Pronóstico F t+1
Año Dt (α = 0.10)
2017 180 175.00 (Base)
2018 168 175.00 + .10(180 - 175.00) = 175.50
2019 159 175.50 + .10(168 - 175.50) = 174.75
2020 175 174.75 + .10(159 - 174.75) = 173.18
2021 190 173.18 + .10(175 - 173.18) = 173.36
2022 NA 173.36 + .10(190 - 173.36) = 175.02
4.EVALUACIÓN DE PRONÓSTICOS: MEDICIÓN DEL ERROR

• Comparar la precisión de dos o más técnicas de pronósticos.

• Medir la confiabilidad de una técnica de pronóstico en
particular.
• Buscar la técnica más óptima.
INDICADORES DE LA MEDICIÓN DEL ERROR

INDICADOR DESCRIPCIÓN FÓRMULA

*Se usa debido a su sencillez y utilidad para obtener

Desviación señales de rastreo.
Absoluta Media *Es valiosa porque, al igual que la desviación estándar,
(DAM) mide la dispersión de un valor observado que se aleja del
valor esperado.

Error Medio * Da a conocer que tan grande es el error en el pronóstico,

cuando el error es más grande, al elevarlo al cuadrado
Cuadrado penaliza cada error, indicando si tengo errores pequeños,
(EMC) moderados o son muy grandes.

% Error Medio
* Es útil para comparar la precisión de la misma u otra
Absoluto técnica sobre dos series completamente diferentes.
(PEMA)
*Determinar si el pronóstico está sesgado o no
(orientación o tendencia), si no está sesgado, dará un %
muy cercano a cero, que puede ser (+) o (-) .
% Medio de * Si el % es (-), está sobrevalorado y debo realizar los
Error (PME) ajustes pertinentes.
*Si el % es (+), indica que es subvalorado y también debo
realizar los ajustes, para tratar que el % sea el más cercano
a cero.
SEÑAL DE RASTREO (SR)

• Indica si el promedio del pronóstico esta siguiendo el ritmo de un verdadero cambio

ascendente o descendente en la demanda.
• Constituye el número de desviaciones medias absolutas en que el valor del
pronóstico está por arriba o por debajo de los hechos.

SR =  (y − ý )
t t

DAM
ACTIVIDAD: COMPROBACIÓN DE APRENDIZAJE

De acuerdo a lo aprendido y en equipos de trabajo:

• Desarrollar en hojas de cálculo Excel los Casos de aplicación [SEM3_Casos de aplicación]
propuestos de Pronósticos de ventas (Pronósticos cuantitativos – Series de tiempos).
• Presentar y Exponer en clase un Caso de aplicación por equipo de trabajo de acuerdo al sorteo.
• Subir al Aula Virtual en el enlace de Actividad_Semana3.

*Referencias Bibliográficas:
Heizer, J. y Render, B. (2009). Capítulo 4, p.103-153. Principios de Administración de
Operaciones (7ma.Ed.). México: Editorial Pearson Educación.
CONCLUSIONES

¿Qué aprendimos hoy?

1. Introducción a las Series de tiempo.

2. Componentes de Series de tiempo.

3. Modelos de Series de tiempo.

4. Evaluación de pronósticos.
¿Cómo aplicaré este conocimiento en mi carrera?
REFLEXIÓN

“ Tu estas donde estas y eres lo que

eres, por lo que has puesto en tu
mente, si quieres cambiar donde
estas y quieres cambiar lo que eres,
cambia lo que pones en tu mente ”
Zig Ziglar
BIBLIOGRAFÍA

Collier, D. y Evans, J. (2009). Administración de Operaciones, Bienes,

Servicios y Cadena de valor (2da.Ed). México: Editorial Cengage Learning.

Heizer, J. y Render, B. (2009). Principios de Administración de Operaciones

(7ma.Ed.). México: Editorial Pearson Educación.

Krajewski, L., Ritzman, L. y Malhotra, M. (2008). Administración

de Operaciones: Procesos y Cadenas de valor (8va.Ed.). México: Editorial
Pearson Educación.