Administración

de Operaciones

Pronósticos.

M.C. Rafael Sánchez Arciniega

 Contenido.
Perfil global de la compañía: Disney
World
¿Qué es pronosticar?
Horizontes de tiempo del pronóstico
La influencia del ciclo de vida del
producto
Tipos de pronósticos
 Contenido.
La importancia estratégica del
pronóstico
Recursos humanos
Capacidad.
Administración de la cadena de
suministro
Siete pasos en el sistema de
pronósticos
 Contenido.
Enfoque de pronósticos
Pronósticos cualitativos
Pronósticos cuantitativos
 Contenido.
Pronósticos de series de tiempo
Descomposición de una serie de
tiempo
Enfoque intuitivo
Promedios móviles
Suavización exponencial
Suavización exponencial con ajuste
de tendencia
Proyecciones de tendencia
Variaciones estacionales en los datos
Variaciones cíclicas en los datos
 Contenido.
Métodos asociativos de
pronósticos: análisis de regresión y
correlación
Uso del análisis de regresión para
pronosticar
Error estándar de la estimación
Coeficientes de correlación para
rectas de regresión
Análisis de regresión múltiple
 Contenido.
Monitoreo y control de pronósticos
Suavizamiento adaptable
Pronóstico enfocado
Pronósticos en el sector servicios
 Objetivo de aprendizaje.
Cuando completes este tema serás
capaz de:
Entender los tres horizontes de tiempo
y cuáles modelos se aplican a cada
uno.
Explicar cuándo debe usarse en cada
uno de los cuatro modelos cualitativos.
aplicar los métodos intuitivo, de
promedios móviles, del suavizamiento
exponencial, y de análisis de tendencia.
 Objetivos de aprendizaje
Cuando completes este tema serás
capaz de:

Calcular tres medidas de la exactitud

del pronóstico.
Desarrollar índices estacionales.
Realizar un análisis de regresión y
correlación.
Usar una señal de control
Pronósticos en Disney World

El portafolio global del Disney incluye

parques en Hong Kong, París, Tokio,
Orlando y California.
Las utilidades están relacionadas
directamente con la gente –cuántas
personas visitan los parques y cómo
gastar su dinero mientras están ahí.
El reporte diario contiene sólo dos datos:
el pronóstico de asistencia a los parques
y la asistencia real.
Pronósticos en Disney World

Disney genera pronósticos diarios,

semanales, mensuales, y anuales.
Los pronósticos son utilizados por los
departamentos de administración de la
mano de obra, mantenimiento,
operaciones, finanzas y programación del
parque.
Los pronósticos utilizan para ajustar los
tiempos de apertura, los espectáculos o
paseos, la cantidad de empleados a
trabajar, etc.
Pronósticos en Disney World

El 20% de los clientes vienen fuera de los

Estados Unidos.
El modelo económico incluye variables
como Producto Interno Bruto, tasas de
cambio y llegadas a Estados Unidos.
Un grupo de 35 analistas y 70
trabajadores del campo son utilizados
para encuestar 1 millón de personas al
año, empleados y profesionales de las
agencias de viajes.
Pronostico de Disney World
Las entradas al modelo de pronósticos
incluye ofertas de aerolíneas, Políticas
de la Reserva federal, Tendencias de
Wall Street, Programa de Vacaciones y
Días Festivos para 3000 distritos
escolares al rededor del mundo.
El error promedio para el pronóstico de
5 años es 5%
El error promedio para los pronósticos
anuales esta entre el 0 y el 3%.
 ¿Qué es pronosticar?
Es el arte y la ciencia de
predecir los eventos
futuros
Base subyacente en el
??
método de las
decisiones del negocio
Producción.
Inventario.
Personal.
Instalaciones.
Horizontes de tiempo del pronóstico

Pronóstico a corto plazo

En hasta un año, generalmente es menor a tres
meses
Se usa para compras, programación del trabajo, para
determinar niveles de mano de obra, al final del
trabajo, y decidir los niveles de producción.
Pronóstico a mediano plazo
Tres meses a tres años
Planear las ventas y la producción, el presupuesto y
flujo de efectivo.
Pronóstico a largo plazo.
Más de tres años
La versión de nuevos productos, localización de
nuevas plantas, investigación y desarrollo.
Distinguiendo diferencias
Los pronósticos Medio/largo plazo
manejan aspectos mas generales y
apoyan decisiones administrativas
relativas a la planeación y los productos,
plantas y procesos.
Los pronósticos Corto Plazo emplean
metodologías diferentes que el
pronostico a mas largo plazo.
Los pronósticos a Corto plazo tienden a
ser mas precisos que los de largo plazo.
 La influencia del ciclo de
vida del producto
Introducción– crecimiento– madurez– declinación

La introducción y crecimiento requiere

pronósticos más largos en las etapas de
madurez y declinación.
Al pasar el producto a través del ciclo de vida,
los pronósticos son útiles en la proyección de:
Niveles de personal.
Niveles de inventario.
Capacidad de planta.
 Ciclo de vida del producto
introducción crecimiento madurez declinación
Estrategia de la Compañía / Temas

Mejor periodo para Práctico para Poco tiempo para Control de costo
incrementar la cambiar precio o cambiar imagen, crítico
precio, o calidad
participación en el calidad e imagen
mercado Costos competitivos
Fortalecer el nicho son críticos para
Es crítica la I&D de permanecer en el
ingeniería mercado

CD-ROMs
Buscadores en Internet
TVs Análogas
Drive-through
TVs de plasma y LCD restaurants

ventas iPods

3 1/2”
Xbox 360 Floppy
disks

Figura 2.5
 Ciclo de vida del producto
introducción crecimiento madurez declinación
El diseño y pronóstico crítico Estandarización Pequeña
desarrollo del diferenciación
Estrategia de AO/ Temas

Fiabilidad de Cambios de
producto es crítico productos y producto menos de producto
Cambios procesos rápidos– mas Minimización
frecuentes en el Mejoras a la cambios menores de costos
diseño del competitividad Optima capacidad Sobre
producto y proceso del producto y capacidad en
Incremento en la
Corridas cortas de opciones estabilidad del la Industria
producción Incremento de proceso Eliminar
Altos costos de Capacidad Corridas mas productos con
producción Cambio hacia un largas de márgenes
enfoque de producción bajos
Modelos limitados
producto Mejoras al Reducir
Atención a la
Mejora de la producto y capacidad
calidad
distribución reducción de
costos

Figura 2.5
 Tipo de pronósticos
Pronósticos económicos
Abordan el ciclo del negocio –tasas de
inflación, suministro de dinero, indicadores
de planeación, etc.
Pronósticos tecnológicos
Predice las tasas de progreso tecnológico
Impacta el desarrollo de nuevos productos
Pronósticos de la demanda
Predice las ventas de productos y servicios
existentes
Importancia estratégica del
pronóstico
Recursos humanos– contratación,
entrenamiento, despido de trabajadores
Capacidad – capacidad inadecuada puede
resultar en entregas poco confiables, pérdida
de clientes y pérdida de la participación en el
mercado.
Administración de la cadena de suministro–
buenas relaciones con proveedoresy
ventajas en los precios.
Siete pasos en pronósticos
Determinar el uso del pronóstico.
Seleccionar el artículo que se
pronosticará
Determinar el horizonte de tiempo del
pronóstico
Seleccionar el modelo de pronóstico
Recopilación de datos
Realizar el pronóstico
Validar e implementar los resultados
 Realidades.
Los pronósticos casi nunca son
perfectos
La mayoría de las técnicas de pronóstico
supone la existencia de cierta estabilidad
subyacente.
Los pronósticos de familia de productos
y productos agregados son más precisos
que los de productos individuales.
Enfoques de Pronósticos
Metodos Cualitativos
Usados cuando la información
es vaga o existen pocos datos.
Nuevos productos
Nueva tecnología
Involucran intuición, experiencia
Pronostico de las ventas en
internet
 Enfoque de Pronosticos
Métodos Cuantitativos
Utilizados cuando la situación es
“estable” y existen datos históricos.
Productos existentes
Tecnología actual
Involucran técnicas matemáticas
Ej Pronosticando Ventas de los
Televisores a color.
Revisión de los métodos
Cualitativos
Jurado de opinión ejecutiva
Pila de opiniones de los expertos de
alto nivel, algunas veces
argumentados por métodos
estadísticos.
Método Delphi
Panel de expertos, rondas iterativas
Revisión de los métodos
Cualitativos
Composición de la fuerza de ventas
Estimaciones individuales de los
vendedores son revisadas para
asegurar sean realistas, después
combinadas por región.
Encuesta en el mercado de
consumo
Se pide información a los clientes.
Jurado de Opinión Ejecutiva
Involucra un grupo
pequeño de expertos de
alto nivel o
administradores.
El grupo estima la demanda
trabajando juntos
Combinan la experiencia
con modelos estadísticos.
Relativamente rápido
Pensamiento grupal
desventajoso
 Composición de la Fuerza de
Ventas
Cada vendedor proyecta sus ventas
Se combina a nivel distrital o
nacional
Ventas reporta lo que el cliente
quiere.
Tiende a ser excesivamente
optimista.
 Método Delphi
Proceso de grupo Expertos
(evalúan
iterativo continuo respuestas y
hasta lograr el toman
consenso decisiones)
Tres tipos de Personal
participantes (administran
entrevistas)
Los que toman las
decisiones
personal Entrevistados
entrevistados (personas que
pueden hacer
juicios valiosos)
Encuesta en el mercado de consumo

Preguntar a los clientes acerca de

los planes de compra.
Lo que dicen los clientes, y lo que
realmente hacen son
frecuentemente diferentes.
Algunas veces difícil de responder.
 Panorama de los métodos
cuantitativos
1. Enfoque intuitivo.
2. Promedios móviles
Modelos de
3. Suavización series de
exponencial tiempo
4. Proyección de
tendencias Modelo
5. Regresión lineal asociativo
Pronósticos de series de tiempo

Secuencia de datos igualmente

espaciados
Obtenidos observando variables de
respuesta en periodos regulares de tiempo

Pronóstico basado sólo en valores

pasados, sin importar otras variables
Asume que los factores que influencian el
pasado y presente influenciarán el futuro
Componentes de una serie de
tiempos

tendencia cíclico

estacional aleatorio
Componentes de la demanda
Componente
de tendencia
Demanda para productos o servicios

Picos estacionales

Demanda
actual

Demanda
promedio a
Variación cuatro años
aleatoria
| | | |
1 2 3 4
año Figura 4.1
Componente de tendencia
Movimiento gradual, hacia arriba o
hacia abajo, de los datos en el
tiempo
Los cambios en la población,
tecnología, edades, cultura, etc.
Típicamente dura varios años.
Componente estacional
Patrón regular de
fluctuaciones arriba y abajo.
Clima, clientes, etc.
Ocurre dentro de un año.
Número de
Periodo Longitud estaciones
Semana Día 7
Mes Semana 4-4.5
Mes Día 28-31
Año Cuatrimestre 4
Año Mes 12
Año Semana 52
 Componente cíclico
Movimientos repetitivos arriba y abajo
Afectado por factores del ciclo de
negocio, políticos y económicos.
Duración por varios años
Frecuente relaciones causales o
asociativas.

0 5 10 15 20
 Componente aleatorio
Fluctuaciones erráticas, no
sistemáticas, residuales.
Asociados a variaciones aleatorias
o eventos impredecibles.
Duración corta y no repetible

L M M J V
 Enfoque intuitivo

Asume que la demanda en el

próximo periodo es la misma que en
el periodo más reciente.
Ejemplo si las ventas de enero fueron 68,
entonces las ventas de febrero serán 68
Algunas veces el costo es efectivo y
eficiente.
Puede ser un buen punto de inicio.
Método de promedios móviles
PM es una serie de medias aritméticas
Utilizando si hay poca o nula tendencia
Frecuentemente usado para suavizar
Provee una impresión global de datos
sobre el tiempo.

∑ demanda en n periodos previos

Promedio móvil= n
Ejemplo promedios móviles
Ventas Promedio Móvil
Mes Reales 3 meses
10 10
Enero
12
Febrero 12
13 13
Marzo
16 + 12 + 13)/3 = 11 2/3
Abril (10
19 + 13 + 16)/3 = 13 2/3
Mayo (12
Junio (13
23 + 16 + 19)/3 = 16
26 + 19 + 23)/3 = 19 1/3
Julio (16
 Gráfica de promedios móviles
Pronóstico
30 –
promedio
28 – móvil
Ventas
Ventas de cobertizos

26 –
24 – reales
22 –
20 –
18 –
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
E F M A M J J A S O N D
Promedio móvil ponderado
Utilizado cuando se presenta
tendencia.
Normalmente el dato más viejo es menos
importante
Los pesos están basados en la
experiencia y la intuición

∑ (peso para período n)

Promedio móvil x (demanda en periodo n)
ponderado =
∑ pesos
 Peso aplicado Periodo
Promedio Movil Ponderado
3 último mes
2 dos meses atras
1 tres meses atras
6 suma de pesos

Ventas Promedio Movil

Mes Reales Ponderado 3 meses
10 10
Enero
12
Febrero 12
13 13
Marzo
16 x 13) + (2 x 12) + (10)]/6 = 121/6
Abril [(3
19 x 16) + (2 x 13) + (12)]/6 = 141/3
Mayo [(3
Junio [(3
23 x 19) + (2 x 16) + (13)]/6 = 17
26 x 23) + (2 x 19) + (16)]/6 = 201/2
Julio [(3
Problemas potenciales con
los promedios móviles
Incrementar el tamaño de N
suaviza de mejor manera las
fluctuaciones, pero disminuye la
sensibilidad a cambios.
No reflejan bien las tendencias
Requieren amplios registros de
datos históricos
 Promedios móviles y promedios
móviles ponderados
Promedio
30 – móvil
ponderado
25 –
Demanda de ventas

20 –
Ventas
reales
15 –

10 – Promedio
móvil
5 –

| | | | | | | | | | | |
E F M A M J J A S O N
Figura 4.2
D
Suavización exponencial
Similar a un promedio móvil ponderado.
La ponderación disminuye exponencialmente.
El dato más reciente es el más pesado.
Requiere una constante suavización (α)
Es un número entre 0 to 1
Seleccionada subjetivamente
Considera mantener un registro pequeño
de datos históricos.
 Suavización exponencial
Nuevo pronóstico= pronóstico periodo anterior
+ α (demanda real periodo anterior
– pronóstico periodo anterior)

Ft = Ft – 1 + α(At – 1 - Ft – 1)

donde Ft = nuevo pronóstico

Ft – 1 = pronóstico anterior
α = constante de suavizamiento
(o ponderación) (0 ≤ α ≤ 1)
At – 1 = Demanda real periodo anterior
 Ejemplo suavización
exponencial
Demanda estimada = 142 Ford Mustangs
Demanda real = 153
Constante de suavización α = .20
 Ejemplo suavización
exponencial
Demanda estimada = 142 Ford Mustangs
Demanda real = 153
Constante de suavización α = .20

Nvo Pronostico= 142 + .2(153 – 142)

 Ejemplo suavización
exponencial
Demanda estimada = 142 Ford Mustangs
Demanda real = 153
Constante de suavización α = .20

Nvo Pronostico= 142 + .2(153 – 142)

= 142 + 2.2
= 144.2 ≈ 144 autos
Efecto de la constante de
suavización

Ponderación asignada a
periodo periodo periodo periodo periodo
más 2do más 3o más 4to más 5to más
constante reciente reciente reciente reciente reciente
suavización (α) α(1 - α) α(1 - α)2 α(1 - α)3 α(1 - α)4

α = .1 .1 .09 .081.073.066

α = .5 .5 .25 .125.063.031
 Impacto de diferentes α
225 –

200 –
Demanda α = .5
real
demanda

175 –

150 –
α = .1
| | | | | | | | |
1 2 3 4 5 6 7 8 9

cuatrimestre
 Impacto de diferentes α
225 –

200 –
Actual α = .5
Se seleccionan valores
demand
Demand

altos de α cuando el
175 –
promedio subyacente
probablemente cambie
Se– utilizan valores bajos
150
α = .1
de α cuando
| | | el
| promedio
| | | | |
es estable
1 2 3 4 5 6 7 8 9

Cuatrimestre
 Seleccionando α
El objetivo es obtener el pronóstico
mas preciso, sin importar la tecnica.

Generalmente hacemos esto seleccionando el

modelo que nos da el pronostico con error mas
bajo.

Error de pronóstico = Demanda real - Valor pronosticado

= At - F t
Medidas Comunes del Error

Desviación Absoluta Media(MAD)

∑ |Real- Pronóstico|
MAD = n

Error Cuadratico Medio (MSE)

∑ (Errores de pronóstico)2
MSE = n
Medidas Comunes del Error

Error Porcentual Absoluto Medio(MAPE)

∑
i=1
100|Reali - Pronósticoi|/Reali
MAPE = n
Comparación de Errores del
Pronóstico
Desviación Desviación
Tonelaje Pronóstico Absoluta Pronóstico Absoluta
Real con para con para
Trimestre Descargado α = .10 α = .10 α = .50 α = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
Comparación de Errores del
pronóstico
∑ |Desviaciones|
Rounded Absolute Desviación
MAD
Actual= Forecast n Deviation Pronóstico Absoluta
Tonnage withfor con para
Quarter Unloaded α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5.00 175 5.00
2 168 175.5 =7.50
82.45/8 = 10.31
177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 Para α = .50
175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02=29.98
98.62/8 = 12.33
180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
Comparación de Errores del
Pronóotico
∑ (Errores de pronóstico)2
= Rounded
MSEActual Forecast
Absolute
nDeviation
Desviación
Pronóstico Absoluta
Tonnage withfor con para
Quarter Unloaded α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5.00 175 5.00
= 1,526.54/8
2 168 175.5 7.50 = 190.82
177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 Para α = .50
175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
= 1,561.91/8
6 205 175.02 29.98 180.22 = 195.24
24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
Comparación
n
de Errores del
pronóstico
∑100|Desviación i
|/Reali
i=1
Rounded Absolute Desviación
MAPE = Forecast Deviation
Actual n Pronóstico Absoluta
Tonnage withfor withpara
Quarter Unloaded α = .10 α = .10 α = .50 α = .50
1
Para α = .10175 5.00
180 175 5.00
2 = 44.75/8
168 175.5 7.50 177.50 =9.50
5.59%
3 159 174.75 15.75 172.75 13.75
4 Para α =1.82
175 173.18 .50 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 = 54.05/8
205 175.02 29.98 180.22=24.78
6.76%
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
Comparación de Errores del
Pronóstico
Desviación Desviación
Tonelaje Pronóstico Absoluta Pronóstico Absoluta
Real con para con para
Trimestre Descargado α = .10 α = .10 α = .50 α = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.76%
 Suavización Exponencial con
Ajuste de Tendencia
Cuando una tendencia esta presente, la
suavización exponencial debe ser
modificada.
Pronóstico Pronóstico Tendencia
Incluyendo (FITt) = Suavizado (Ft) + (Tt) suavizada
la tendencia exponencialmente exponencialmente
Suavización Exponencial con
Ajuste de Tendencia

Ft = α(At - 1) + (1 - α)(Ft - 1 + Tt - 1)

Tt = β(Ft - Ft - 1) + (1 - β)Tt - 1

Paso 1: Calcule Ft
Paso 2: Calcule Tt
Paso 3: Calcule el pronóstico FITt = Ft + Tt
 Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes(t) Real (At) suavizado, Ft Suavizada, Tt Tendencia, FITt

1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10

Tabla 4.1
 Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes(t) Real (At) suavizado, Ft Suavizada, Tt Tendencia, FITt

1 12 11 2 13.00
2 17
3 20
4 19
5 24 Paso 1: Pronóstico para el mes 2
6 21
7 31
F2 = αA1 + (1 - α)(F1 + T1)
8 28 F2 = (.2)(12) + (1 - .2)(11 + 2)
9 36
10 = 2.4 + 10.4 = 12.8 unidades

Table 4.1
 Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes(t) Real (At) suavizado, Ft Suavizada, Tt Tendencia, FITt

1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24
Paso 2: Tendencia para mes 2
6 21
7 31
T2 = β(F2 - F1) + (1 - β)T1
8 28 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
9 36
10 = .72 + 1.2 = 1.92 unidades

Table 4.1
 Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Forecast
Actual Smoothed Smoothed Including
Mes) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 3: Calcular FIT para el mes 2
6 21
7 31 FIT2 = F2 + T1
8 28 FIT2 = 12.8 + 1.92
9 36
10 = 14.72 Unidades

Table 4.1
 Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend,
FITt
1 12 11 2 13.00
2 17 12.80
15.18 1.92
2.10 14.72
17.28
3 20 17.82 2.32 20.14
4 19 19.91 2.23 22.14
5 24 22.51 2.38 24.89
6 21 24.11 2.07 26.18
7 31 27.14 2.45 29.59
8 28 29.28 2.32 31.60
9 36 32.48 2.68 35.16
10
Table 4.1
Suavización Exponencial con Ajuste de
Tendencia
Ejemplo
35 –

30 – Demanda Real (At)

Demanda Producto

25 –

20 –

15 –

10 – Pronostico incluyendo Tendencia (FITt)

5 – Con α = .2 y β = .4

0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Figura 4.3
Tiempo(meses)
Proyecciones de tendencia
Ajusta una recta de tendencia a una serie de
datos puntuales históricos y los proyectan a
mediano y largo plazo
La tendencia lineal puede ser encontrada
utilizando la técnica de mínimos cuadrados

y^ = a + bx
^ donde y = valor calculado de la variable
que debe predecirse(variable dependiente)
a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente
Método de mínimos cuadrados
Valores de la variable dependiente

Observación real desviación7

(valor de y)

desviación5 desviación6

desprecian3

desviación4

desviación1
(error) desviación2
^ = a + bx
Recta de tendencia, y

periodo Figura 4.4

Método de los Mínimos Cuadrados
valores de la variable dependiente

Observación real desviación7

(valor de y)

desviación5 desviación6

desviación3 El método de mínimos

cuadrados minimiza la
Deviation
suma de los errores al
4

cuadrado (desviaciones))
desviación1
desviación2
^ = a + bx
Recta de tendencia, y

período Figura 4.4

 Método de los mínimos cuadrados

Ecuaciones para calcular las variables de

regresión:
y^ = a + bx

Σxy -
b=
nxy
Σx2 - nx2
a = y - bx
Ejemplo de mínimos cuadrados
demanda de
añoperiodo(x) energía eléctrica x2 xy
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2005 6 142 36 852
2007 7 122 49 854
∑x = 28∑y = 692 ∑x2 = 140 ∑xy = 3,063
x = 4 y = 98.86
∑xy - nxy 3,063 - (7)(4)(98.86)
b= = 140 - (7)(42) =
∑x2 - nx2
10.54
a = y - bx = 98.86 - 10.54(4) = 56.70
Ejemplo de mínimos cuadrados
demanda de
añoperiodo(x) energía eléctrica x2 xy
1999 1 74 1 74
2000 2 79 4 158
La recta de tendencia es:
2001 3 80 9 240
2002 4 90 16 360
2003 5 y^ =105
56.70 + 10.54x
25 525
2004 6 142 36 852
2005 7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
x = 4 y = 98.86
Σxy - 3,063 - (7)(4)(98.86)
b= nxy = 140 - (7)(42) =
10.54 2
Σx - nx2
a = y - bx = 98.86 - 10.54(4) = 56.70
 Ejemplo de mínimos cuadrados

160 –
Recta de tendencia,
150 – y^ = 56.70 + 10.54x
Demanda de energía

140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
2001 2002 2003 2004 2005 2006 2007
2008 2009 Año
Requisitos de los mínimos cuadrados

1. Debemos verificar los datos para

asegurar una relación lineal
2. No predecir periodos lejanos a la
base de datos dada.
3. Se supone que las desviaciones
alrededor de la recta de mínimos
cuadrados son aleatorias.
 Variaciones Estacionales en los datos

El modelo estacional
multiplicativo puede
ajustar la tendencia de
los datos para
variaciones
estacionales en la
demanda
 Variaciones Estacionales en los datos

Pasos en el proceso:
1. Encontrar la demanda histórica promedio
para cada estación.
2. Calcular la demanda promedio de todas las
estaciones
3. Calcular un índice estacional para cada
estación
4. Estimar la demanda total del siguiente año.
5. Dividir esta estimación de la demanda anual
entre el numero de estaciones, después
multiplicar por el índice estacional de la
estación.
 Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual Estacional
Ene 80 85 105 90 94
Feb70 85 85 80 94
Mar80 93 82 85 94
Abr90 95 115 100 94
May 113 125 131 123 94
Jun110 115 120 115 94
Jul 100 102 113 105 94
Ago 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
 Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual
Estacional
Ene 80 85 105 90 94 0.957
Feb70 85 85 80 94
Mar80 93 82 85 94
Demanda Promedio Mensual 2005-2007
Índice Estacional
Abr90 95 115=100 94Demanda promedio mesual
May 113 125 131 123 94
= 90/94 = .957
Jun110 115 120 115 94
Jul 100 102 113 105 94
Ago 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
 Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual
Estacional
Ene 80 85 105 90 94 0.957
Feb70 85 85 80 94 0.851
Mar80 93 82 85 94 0.904
Abr90 95 115 100 94 1.064
May 113 125 131 123 94 1.309
Jun110 115 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Ago 88 102 110 100 94 1.064
Sept 85 90 95 90 94 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 80 94 0.851
Dic 82 78 80 80 94 0.851
 Ejemplo Índice Estacional
Demanda Promedio Promedio Índice
Mes 2005 2006 2007 2005-2007 Mensual
Estacional
Ene 80 85 105 90 94 0.957
Feb70 85 85 80 Pronóstico
94 0.851 para 2008
Mar80 93 82 85 94 0.904
Abr90 95 Demanda
115 100 94anual
1.064esperada = 1,200
May 113 125 131 123 94 1.309
Jun110 115 120 115 94 1,200
1.223
Ene
Jul 100 102 113 105 94x 1.117
.957 = 96
12
Ago 88 102 110 100 94 1.064
Sept 85 90 95 90 1,200 94 0.957
Feb x .851 = 85
Oct 77 78 85 80 94 0.851 12
Nov 75 72 83 80 94 0.851
Dic 82 78 80 80 94 0.851
 Ejemplo Índice Estacional
2008 Pronóstico
140 – 2007 Demanda
130 – 2006 Demanda
120 – 2005 Demanda
Demanda

110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | |
|
J F M A M Tiempo
J J A S O N
D
 Pronósticos Asociativos
Usado cuando los cambios en una o mas
variables independientes pueden ser
utilizadas para predecir los cambios en una
variable dependiente
La técnica mas común es el
análisis de regresión lineal

Aplicamos esta técnica como lo hicimos

en el ejemplo de series de tiempo
 Pronósticos Asociativos
Pronostico basado en la predicción de
variables usando la técnica de mínimos
cuadrados
y^ = a + bx
^ donde y = Valor de la variable
dependiente
a = intersección con el eje y
b = pendiente de la recta de
regresión
x = variable independiente
 Ejemplo Pronóstico
Asociativo
Ventas Nomina Local
($ millones), y ($ billones), x
2.0 1
3.0 3
2.5 4 4.0 –
2.0 2
3.0 –
2.0 1
3.5 7 ventas 2.0 –

1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Nomina del área
 Ejemplo Pronóstico
Asociativo
Ventas, y Nomina, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18∑x2 = 80 ∑xy = 51.5

∑xy - nxy 51.5 - (6)(3)(2.5)

x = ∑x/6 = 18/6 = 3 b= =
∑x2 - nx2 =
80 - (6)(32)
.25
y = ∑y/6 = 15/6 = 2.5 a = y - bx = 2.5 - (.25)(3) = 1.75
 Ejemplo Pronóstico
Asociativo
y^ = 1.75 + .25x Ventas = 1.75 + .25(Nomina)

Si la nomina del 4.0 –

próximo año se
estima será $6 3.0 –
3.25
billones, ventas
Entonces: 2.0 –

1.0 –
Ventas = 1.75 + .25(6)
Ventas = $3,250,000
| | | | | | |
0 1 2 3 4 5 6 7
Nomina del área
 Error Estándar de la
Estimación
Un pronostico es solo un punto
estimado de un valor futuro
Este punto es 4.0 –
realmente la 3.0 –
3.25
media de una
distribución ventas
2.0 –
de probabilidad 1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Figura 4.9 Nomina del área
 Error Estándar de la
Estimación

∑(y - yc)2
Sy,x =
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 = no. de datos puntuales
 Error Estándar de la
Estimación
Computacionalmente , esta ecuación es
considerablemente sencilla de usar

∑y2 - a∑y - b∑xy

Sy,x =
n-2

Utilizamos el error estándar para

establecer intervalos de predicción
alrededor de la estimación puntual
 Error Estándar de la
Estimación
∑y2 - a∑y - b∑xy 39.5 - 1.75(15) - .25(51.5)
Sy,x = =
n-2 6-2

4.0 –
Sy,x = .306
3.0 –
3.25
ventas
El error estandar 2.0 –
de la estimación es
$306,000 en ventas 1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Nomina del área
 Correlación
¿Que tan fuerte es la relación lineal
entre las variables?
La correlación no implica
necesariamente causalidad!
El coeficiente de correlación, r,
mide el grado de asociación
El rango de valores e -1 to +1
Coeficiente de Correlación
nΣxy - ΣxΣy
r=
[nΣx2 - (Σx)2][nΣy2 -
(Σy)2]
y y
Coeficiente de Correlación
nΣxy - ΣxΣy
r=
[nΣx2 - (Σx)2][nΣy2 -
(a) Correlación x (b) Correlación Positiva: x
2 0<r<1
Positiva Perfecta:
r = +1
(Σy) ]

y y

(c) Sin Correlación: x (d) Correlación x

r=0 negativa perfecta:
r = -1
 Correlación
Coeficiente de Determinación, r2,
mide el porcentaje de cambio en y
pronosticado por el cambio en x
Valores en un rango desde 0 hasta 1
Fácil de interpretar

Para el ejemplo de Nodel:

r = .901
r2 = .81
 Monitoreo y control de los
pronosticos
Señal de control
Mide que también predicen los pronósticos los
valores reales.
Se calcula por la razon de la suma continua de
errores del pronóstico (RSFE) dividida entre la
desviación absoluta media (MAD)
Una buena señal de rastreo tiene valores bajos.

Si los pronosticos son continuamente altos o bajos,

el pronostico tiene un error positivo y negativo.
Monitoreo y Control de los
pronósticos

Señal de RSFE
=
control MAD

∑(Demanda real en
el periodo i -
Demanda pronosticada
Señal de en el periodo i)
=
control (∑|Real- Pronóstico|/n)
 Señal de control
La Señal excedió el limite

+ Señal de control
Limite superior de control

0 MADs
Rango
aceptable
–

Limite inferior de control

Tiempo
 Ejemplo Señal de rastreo
Error
Error Absoluto
Demanda Demanda Absoluto Acumulado
Trim Real Pronosticada Error RSFE Pronosticado Pronosticado MAD

1 90 100 -10-1010 10 10.0

2 95 100 -5 -155 15 7.5
3 115 100 +15 0 15 30 10.0
4 100 110 -10-1010 40 10.0
5 125 110 +15 +5 15 55 11.0
6 140 110 +30 +35 30 85 14.2
 Ejemplo Señal de rastreo
Señal de Error Error
absoluto
control
Actual Forecast Absoluto Acumulado
(RSFE/MAD)
Trim Demand Demand Error RSFE Pronosticado Pronosticado
MAD
1 90 100
-10/10-10-1010
= -1 10 10.0
2 95 100
-15/7.5-5= -155
-2 15 7.5
3 115 0/10
100 = 0+15 0 15 30 10.0
4 100 -10/10
110 = -1-10-1010 40 10.0
5 125+5/11
110= +0.5
+15 +5 15 55 11.0
6 140 110 = +2.5
+35/14.2 +30 +35 30 85 14.2

La variación de la señal de rastreo entre

-2.0 y +2.5 esta dentro de los limites
aceptables.
Producidos en el sector servicios

Presentan retos inusuales.

Requiere buenos registros en el corto
plazo de la demanda.
Las necesidades difieren enormemente a
las funciones del industrial y productos.
Los días festivos y otros eventos en el
calendario
Eventos inusuales
 Pronósticos en un restaurante
20% –
de comida rápida
Porcentaje de las ventas

15% –

10% –

5% –

11-12 1-2 3-4 5-6 7-8 9-10

12-1 2-3 4-5 6-7 8-9 10-11
(comida) (Cena)
Hour of day Figure 4.12
 Pronóstico en un centro de atención
telefónica de FedEx
12% –

10% –

8% –

6% –

4% –

2% –

0% –
2 4 6 8 10 12 2 4 6 8 10 12
A.M. P.M.
Hora del día
Figura 4.12