Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fita0084 202405 U2 - C04
Fita0084 202405 U2 - C04
Tipos de proyección
Cualitativas Cuantitativas
❖Proyección fundamental
❖Investigación de mercado
❖Análisis de series de tiempo
❖Proyección causal
❖Consenso de grupo
❖Modelos de simulación
❖Método Delphi
Donde:
𝑡 = 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑎𝑐𝑡𝑢𝑎𝑙
𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑛
𝐹! = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒕
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
𝐴! = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒕 6
Series de tiempo: promedio móvil simple (PMS)
Ejemplo:
La tienda GHT S.A. se dedica a la venta de
PMP (3
impresoras y desea estimar la demanda para el mes Periodo Demanda
periodos)
de enero, para ello se le solicita aplicar promedio 1 24
móvil simple basándose en los datos de demanda 2 26
3 22
históricos de los 3 periodos anteriores.
4 25
5 19
6 31
7 26 ¿?
8 18
9 29
10 24
11 30
12 23
13
30
25
Demanda
20
PMS (3 periodos)
15
10
1 2 3 4 5 6 7 8 9 10 11 12
Periodo
Elaboración propia.
La línea de pronóstico es más suave que la línea de demanda, lo que demuestra el impacto
de tomar un promedio.
Mientras más períodos se utilicen para calcular el promedio móvil, el resultado será más
suave. El motivo es que al emplear más períodos en el promedio, cualquiera de los puntos
de demanda tendrá una menor influencia general.
Suavizar:
Ø Forma de visualizar la tendencia de los datos en una serie de tiempo
Ø A partir de la serie observada se obtiene una nueva serie que suavice los
efectos ajenos a la tendencia (estacionalidad, efectos aleatorios, etc.) para
determinar la dirección de la tendencia.
Suavizamiento exponencial:
ü Método de pronóstico de PMP fácil de usar
Es una técnica para modelar la ecuación de una recta que explique la relación entre la
variable de respuesta y la variable explicativa, donde:
𝒀 = 𝜶 + 𝜷𝑿, 𝑋 𝑒 𝑌 𝑠𝑜𝑛 𝑣𝑎𝑟. 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎𝑠
𝑌 = 𝑎 + 𝑏𝑥
𝑋 → 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
𝑌 → 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
Usar la fórmula de los mínimos cuadrados para la
obtención de a y b
∑! 𝑦! ∑! 𝑥!
𝑎= −𝑏
𝑛 𝑛
𝑛 ∑! 𝑥! ∗ 𝑦! − ∑! 𝑥! ∑! 𝑦!
𝑏= "
𝑛 ∑! 𝑥!" − ∑! 𝑥!
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
29
Método asociativo: regresión lineal
𝒓² (𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑐𝑖ó𝑛)
… mide qué tan cerca están los datos de la línea de regresión ajustada. Mide la
proporción de la variación de 𝒚 explicada por 𝒙.
Los valores sobre 0,95 se consideran buenos.
𝑛 ∑R 𝑥R 𝑦R − ∑R 𝑥R ∑R 𝑦R X
𝑟X = X X
𝑛 ∑R 𝑥RX − ∑R 𝑥R 𝑛 ∑R 𝑦RX − ∑R 𝑦R
Elaboración propia.
+ +
1 1
𝑆', = k 𝑥( − 𝑥̅ , 𝑒 𝑆%, = k 𝑦( − 𝑦l , → 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙 𝑑𝑒 𝑋 𝑒 𝑌
𝑛 𝑛
()* ()*
+
1
𝑆'% = k 𝑥( − 𝑥̅ 𝑦( − 𝑦l → 𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑛𝑡𝑟𝑒 𝑋 𝑒 𝑌
𝑛
()*
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
31
Regresión lineal: coef. de correlación y de determinación
\ = 𝒂 + 𝒃𝑋
Y = 𝛼[ + 𝛽𝑋
Dada la ecuación de la recta 𝒀
Los valores que se obtienen para a y b son:
𝑺𝑿𝒀
𝒂=𝒚 ` − 𝒃`𝒙 , 𝒃 = 𝟐 = 𝑐𝑜𝑒𝑓. 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑑𝑒 𝑌 𝑠𝑜𝑏𝑟𝑒 𝑋 (𝑏%/' )
𝑺𝑿
𝑆𝑖:
𝑏%/' = 0 → 𝑌 𝑒𝑠 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑛𝑜 𝑐𝑎𝑚𝑏𝑖𝑎
𝑏%/' > 0 → 𝑠𝑖 𝑋 𝑎𝑢𝑚𝑒𝑛𝑡𝑎, 𝑌 𝑎𝑢𝑚𝑒𝑛𝑡𝑎
𝑏%/' < 0 → 𝑠𝑖 𝑋 𝑎𝑢𝑚𝑒𝑛𝑡𝑎, 𝑌 𝑑𝑖𝑠𝑚𝑖𝑛𝑢𝑦𝑒
𝒓𝟐 → 𝒄𝒐𝒆𝒇. 𝒅𝒆 𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒄𝒊ó𝒏 (mide qué tan cerca están los datos de la línea de regresión ajustada,
mide la proporción de la variación de 𝒀 explicada por 𝑿). Criterio: 𝑠𝑖 𝑟 , > 0,95 → 𝑒𝑠 𝑏𝑢𝑒𝑛𝑜
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
32
Errores de pronóstico de la demanda
𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 𝐴J − 𝐹J
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%
Intercepción 268,2857143 62,2511537 4,309730798 0,0050389 115,9626286 420,6088 115,9626286 420,6088
Trimestre 18,79761905 12,32756538 1,524844401 0,178139869 -11,36684677 48,96208486 -11,36684677 48,96208486
Método de Pronóstico 𝑨𝒕 − 𝑭𝒕
Periodo Demanda PMS (3) PMP (3) SES Reg.Lin. PMS (3) PMP (3) SES Reg.Lin.
1 127 12,0 7,0
2 113 5,6 7,0
3 121 4,1 0,9
4 123 2,7 3,2 4,9 2,9
5 117 2,0 3,4 2,6 3,1
6 109 11,3 10,6 9,8 11,1
7 131 14,7 16,8 15,1 10,9
8 115 4,0 6,6 5,4 5,1
9 127 8,7 8,4 8,2 6,8
10 118 6,3 6,2 3,3 2,2
11 ? ∑ 49,7 55,2 71,0 57,1
n 7 7 10 10
MAD 7,1 7,9 7,1 5,7
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
40
Regresión lineal Peso
0,2
Ejemplo aplicado: 0,3 Alpha
0,5 0,3
Método de Pronóstico 𝑨𝒕 − 𝑭𝒕
Periodo Demanda PMS (3) PMP (3) SES Reg.Lin. PMS (3) PMP (3) SES Reg.Lin.
1 127 115,0 120,0 12,0 7,0
2 113 118,6 120,0 5,6 7,0
3 121 4,1 0,9
4 123 120,3 119,8 2,7 3,2 4,9 2,9
5 117 119,0 120,4 2,0 3,4 2,6 3,1
6 109 11,3 10,6 9,8 11,1
7 131 14,7 16,8 15,1 10,9
8 115 4,0 6,6 5,4 5,1
9 127 8,7 8,4 8,2 6,8
10 118 6,3 6,2 3,3 2,2
11 ? ∑ 49,7 55,2 71,0 57,1
n 7 7 10 10
MAD 7,1 7,9 7,1 5,7
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
41
Regresión lineal Peso
0,2
Ejemplo aplicado: 0,3 Alpha
0,5 0,3
Método de Pronóstico 𝑨𝒕 − 𝑭𝒕
Periodo Demanda PMS (3) PMP (3) SES Reg.Lin. PMS (3) PMP (3) SES Reg.Lin.
1 127 115,0 120,0 12,0 7,0
2 113 118,6 120,0 5,6 7,0
3 121 116,9 120,1 4,1 0,9
4 123 120,3 119,8 118,1 120,1 2,7 3,2 4,9 2,9
5 117 119,0 120,4 119,6 120,1 2,0 3,4 2,6 3,1
6 109 120,3 119,6 118,8 120,1 11,3 10,6 9,8 11,1
7 131 116,3 114,2 115,9 120,1 14,7 16,8 15,1 10,9
8 115 119,0 121,6 120,4 120,1 4,0 6,6 5,4 5,1
9 127 118,3 118,6 118,8 120,2 8,7 8,4 8,2 6,8
10 118 124,3 124,2 121,3 120,2 6,3 6,2 3,3 2,2
11 ? 120,0 120,1 120,3 120,2 ∑ 49,7 55,2 71,0 57,1
n 7 7 10 10
MAD 7,1 7,9 7,1 5,7
Eduardo Oelckers H. – eoelckersh@docente.uss.cl
42
Regresión lineal
Ejemplo aplicado:
Demanda
140
unidades
130
120
110
y = 0,018 x + 120
100
R² = 0,000062
90
80
70
0 2 4 6 8 10 12
periodo
Ahumada, Í. (1987). La productividad laboral en la industria manufacturera. Nivel y evolución durante el periodo
1970-1981. México: Secretaría de Trabajo y Previsión Social.
Chase, R., Jacobs, R., Romo, J., Mascaró, P. y Hernández, M. (2014). Administración de operaciones: Producción y
cadena de suministros. México: McGraw-Hill Interamericana.
Nahmias, S. (2014). Análisis de la producción y las operaciones (6ª ed). México: McGraw-Hill Interamericana.