Fita0084 202405 U2 - C04

FITA0084 – GESTIÓN DE OPERACIONES
Ingeniería Civil Industrial

Eduardo Oelckers H. – eoelckersh@docente.uss.cl
Unidad 2: Clase 04
Pronóstico de la demanda (Parte II)

Contenido
1. Pronóstico simple.
2. Pronóstico medio ponderado.
3. Regresión lineal.
4. Suavización exponencial simple.
5. Metodología Box Jenkins (Arima).

3
Resultado de aprendizaje
Resuelve problemas de pronóstico de demanda e
interpreta los resultados obtenidos.

4
Pronósticos de demanda (parte II)
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

5
Series de tiempo: promedio móvil simple (PMS)
ü Útil si se puede suponer que la demanda del mercado permanecerá relativamente
estable en el tiempo.
Promedio matemático de los últimos periodos recientes de la demanda real. La
ecuación general para obtenerlos tiene la siguiente forma:
∑ 𝑫𝒆𝒎𝒂𝒏𝒅𝒂 𝒆𝒏 𝒍𝒐𝒔 𝒏 𝒑𝒆𝒓í𝒐𝒅𝒐𝒔 𝒑𝒓𝒆𝒗𝒊𝒐𝒔
𝑷𝑴𝑺 =
𝒏
𝐴!"# + 𝐴!"$ + ⋯ + 𝐴!"% ∑%&'# 𝐴!"&

𝐹! = = 𝑢𝑛𝑖𝑑𝑎𝑑
𝑛 𝑛
Donde:
𝑡 = 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑎𝑐𝑡𝑢𝑎𝑙
𝑛 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑛
𝐹! = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒕
𝐴! = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒕 6
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

7
Ejemplo:
La tienda GHT S.A. se dedica a la venta de impresoras y desea estimar
la demanda para el mes de enero, para ello se le solicita aplicar PMP (3
Periodo Demanda
promedio móvil simple basándose en los datos de demanda periodos)
históricos de los 3 periodos anteriores. 1 24 ---
2 26 ---
24 + 26 + 22 3 22 ---
𝑃𝑀𝑆(𝑝𝑒𝑟. 4) = = 24 4 25 ¿?
3
5 19 ¿?
6 31
7 26
26 + 22 + 25 8 18
𝑃𝑀𝑆 (𝑝𝑒𝑟. 5) = = 24,3
3 9 29
10 24
11 30
12 23
13

8
Ejemplo:
La tienda GHT S.A. se dedica a la venta de impresoras y desea estimar
la demanda para el mes de enero, para ello se le solicita aplicar PMP (3
Periodo Demanda
promedio móvil simple basándose en los datos de demanda periodos)
históricos de los 3 periodos anteriores. 1 24 ---
2 26 ---
24 + 26 + 22 3 22 ---
𝑃𝑀𝑆(𝑝𝑒𝑟. 4) = = 24 4 25 24,0
3
5 19 24,3
6 31 22,0
7 26 25,0
26 + 22 + 25 8 18 25,3
𝑃𝑀𝑆 (𝑝𝑒𝑟. 5) = = 24,3
3 9 29 25,0
10 24 24,3
11 30 23,7
12 23 27,7
13 25,7

9
Ejemplo:
Datos: Mes Ventas reales PMS
Enero 10 De acuerdo con los datos entregados, calcule el
Febrero 12 PMS de 3 meses para enero:
Marzo 13
18 + 16 + 14
Abril 16 𝑃𝑀𝑆 = = 16 [𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠]
3
Mayo 19
Junio 23 Considerando que las ventas reales para el mes de
Julio 26 enero fueron 15 unidades, ¿cuál sería el
Agosto 30 pronóstico para el mes de febrero?
Septiembre 28
16 + 14 + 15
Octubre 18 𝑃𝑀𝑆 = = 15 [𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠]
3
Noviembre 16
Diciembre 14
Elaboración propia.
Enero ? ?

10
Ejemplo:
Datos: Mes Ventas reales PMS
Enero 10 De acuerdo con los datos entregados, calcule el
Febrero 12 PMS de 3 meses para enero:
Marzo 13
18 + 16 + 14
Abril 16 𝑃𝑀𝑆 = = 16 [𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠]
3
Mayo 19
Junio 23 Considerando que las ventas reales para el mes de
Julio 26 enero fueron 15 unidades, ¿cuál sería el
Agosto 30 pronóstico para el mes de febrero?
Septiembre 28
16 + 14 + 15
Octubre 18 𝑃𝑀𝑆 = = 15 [𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠]
3
Noviembre 16
Diciembre 14
Enero ? ?

11
Demanda Real vs Pronóstico (PMS)
35
unidad
30
25
Demanda
20
PMS (3 periodos)
15
10
1 2 3 4 5 6 7 8 9 10 11 12
Periodo
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.

12
Series de tiempo: promedio móvil ponderado (PMP)
• Útil cuando existe una tendencia o patrón localizable.
• Pueden utilizarse ponderaciones para dar más énfasis a los valores recientes. Esta práctica
permite que las técnicas de pronóstico respondan más rápido a los cambios, puesto que puede
darse mayor peso a los periodos más recientes.
• La elección de las ponderaciones es generalmente arbitraria (no existe una fórmula establecida
para determinarlas). Por lo tanto, decidir qué ponderaciones emplear requiere cierta
experiencia. Por ejemplo, si el último mes o periodo se pondera demasiado alto, el pronóstico
puede reflejar un cambio grande inusual, demasiado rápido en el patrón de demanda o de
ventas.
∑ 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏

𝑃𝑀𝑃 =
∑ 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠
𝑃𝑀𝑃 = + 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏

13
Son muy parecidos a los promedios móviles simples, aunque con una
excepción importante:
• el peso asignado a cada punto de demanda pasado que se utilice
en el cálculo, puede variar.
De esta forma, es posible asignar mayor influencia a ciertos puntos de
información, por lo general, al punto de demanda más reciente. La
ecuación básica para calcular promedios móviles ponderados es el
siguiente (la 𝑾 viene de weight que significa peso en inglés):
𝒏
𝑭𝒕 = 𝑾𝟏 𝑨𝒕"𝟏 + 𝑾𝟐 𝑨𝒕"𝟐 + ⋯ + 𝑾𝒏 𝑨𝒕"𝒏 → W 𝑾𝒊 = 𝟏
𝒊'𝟏
En términos más sencillos, cada uno de los pesos es

menor a uno, pero su suma total debe ser equivalente a 1 14
Ejemplo: Mes
Ventas
PMS
reales
Considere el mismo ejemplo anterior, pero ahora se le Enero 10
solicita dar ponderación del 50% al mes más reciente y
Febrero 12
el restante se divide en partes iguales para los meses
Marzo 13
que quedan. Calcule el pronóstico para el mes de
enero. Abril 16
Mayo 19
La tienda GHT S.A. se dedica a la venta de impresoras y desea
estimar la demanda para el mes de enero, para ello se le solicita Junio 23
aplicar promedio móvil ponderado basándose en los datos de Julio 26
demanda históricos de los 3 periodos anteriores.
Agosto 30
Septiembre 28
Octubre 18
Noviembre 16
Diciembre 14

Enero ? 15
Ejemplo: Mes
Ventas
PMS
reales
Considere el mismo ejemplo anterior, pero ahora se le solicita Enero 10
dar ponderación del 50% al mes más reciente y el restante se
divide en partes iguales para los meses que quedan. Calcule el Febrero 12
pronóstico para el mes de enero. Marzo 13
La tienda GHT S.A. se dedica a la venta de impresoras y desea
Abril 16
estimar la demanda para el mes de enero, para ello se le solicita
aplicar promedio móvil ponderado basándose en los datos de Mayo 19
demanda históricos de los 3 periodos anteriores. Junio 23
Julio 26
Respuesta:
Agosto 30
𝑃𝑀𝑃 = 14 ∗ 0,5 + 16 ∗ 0,25 + 18 ∗ 0,25 = 15,5~16 [𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠] Septiembre 28
Octubre 18
Considerando que las ventas reales para el mes de enero fueron
18, ¿Cuál sería el pronóstico para el mes de febrero utilizando Noviembre 16
misma técnica? Diciembre 14

Enero ? 16
Ejemplo: Periodo Demanda
PMP (3
periodos)
Considerando el mismo ejemplo anterior, con 1 24
pesos de 0,5; 0,3 𝑦 0,2 (con el peso 0,5 aplicado 2 26
a la información de demanda más reciente): 3 22
4 25 23,6
5 19 24,3
6 31
1"# 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 22 ∗ 0,5 + 26 ∗ 0,3 + 24 ∗ 0,2 = 23,6 7 26
2° 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 25 ∗ 0,5 + 22 ∗ 0,3 + 26 ∗ 0,2 = 24,3 8 18
9 29
…
10 24
11 30
12 23
13

17
Ejemplo: Periodo Demanda
PMP (3
periodos)
Considerando el mismo ejemplo anterior, con 1 24
pesos de 0,5; 0,3 𝑦 0,2 (con el peso 0,5 aplicado 2 26
a la información de demanda más reciente): 3 22
4 25 23,6
5 19 24,3
6 31 22,0
1"# 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 22 ∗ 0,5 + 26 ∗ 0,3 + 24 ∗ 0,2 = 23,6 7 26 25,0
2° 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 25 ∗ 0,5 + 22 ∗ 0,3 + 26 ∗ 0,2 = 24,3 8 18 25,3
9 29 25,0
…
10 24 24,3
11 30 23,7
12 23 27,7
13 25,7

18
Series de tiempo: PMS y PMP
Reflexiones:
𝑃𝑀𝑆 y 𝑃𝑀𝑃 son efectivos para suavizar las fluctuaciones

repentinas en el patrón de la demanda con el fin de
obtener estimaciones estables. Sin embargo, los
promedios móviles presentan tres problemas:
1. Aumento de 𝒏: suaviza de mejor manera las fluctuaciones, pero resta
sensibilidad al método ante cambios reales en los datos.
2. No reflejan muy bien las tendencias: son promedios y siempre se
quedarán en niveles pasados, no predicen cambios hacia niveles más
altos ni más bajos. Es decir, retrasan los valores reales
3. Requieren amplios registros de datos históricos

19
Series de tiempo: suavización exponencial simple (SES)
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
ü Requiere pocos registros de datos históricos

20
Es otro método utilizado para suavizar las fluctuaciones aleatorias en el

patrón de demanda. Las dos fórmulas (matemáticamente equivalentes)
que se emplean más comúnmente para calcularlo son:
𝐹J = 𝐹JKL + 𝛼 𝐴JKL − 𝐹JKL = 𝐹JKL + 𝛼 ∗ 𝑒𝑟𝑟𝑜𝑟MNOPóQJRSO

ó
𝐹J = 𝛼𝐴JKL + 1 − 𝛼 𝐹JKL
𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝛼 ≤ 1

21
𝐹J = 𝐹JKL + 𝛼 𝐴JKL − 𝐹JKL = 𝐹JKL + 𝛼 ∗ 𝑒𝑟𝑟𝑜𝑟MNOPóQJRSO

ó 𝐹J = 𝛼𝐴JKL + 1 − 𝛼 𝐹JKL, 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝛼 ≤ 1
Agrega un promedio ponderado histórico 𝑡 − 1 y ese pronóstico incluye la
información de pronóstico de varios periodos anteriores que, a su vez, fueron
ponderados en varias oportunidades.
Cada vez que se vuelve a ponderar se podría considerar como ponderado de forma
exponencial.
Básicamente, el pronóstico se obtiene tomando el pronóstico del periodo previo
𝑭𝒕"𝟏 y añadiendo una parte del error del pronóstico del periodo anterior
𝒆𝒓𝒓𝒐𝒓 = 𝑨𝒕"𝟏 − 𝑭𝒕"𝟏 .
La parte del error se multiplica por 𝛼, 𝑐𝑜𝑛 𝛼 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑐𝑖ó𝑛
𝑑𝑒 𝑣𝑎𝑙𝑜𝑟 0 ≤ 𝛼 ≤ 1).
Si 𝜶 = 𝟎: no se añade error al pronóstico
Si 𝜶 = 𝟏: se añade el error completo al pronóstico (no habrá suavización)
22
Ejercicio: BIC
El dueño y gerente de la empresa BIC desea saber el pronóstico de demanda
con SES de “lápices de pasta azul”, para el mes de diciembre. Considerando
coeficientes de suavización 𝜶 = 𝟎, 𝟏, 𝜶 = 𝟎, 𝟐 𝒚 𝜶 = 𝟎, 𝟑. Para ello queda a su
disposición la siguiente información histórica:
• Agosto: 140
• Septiembre: 150
• Octubre: 145
• Noviembre: 160
Considere que el pronóstico para el mes de agosto es igual a la demanda del

mismo periodo.

23
Ejercicio: BIC
𝜶 = 𝟎, 𝟏, 𝜶 = 𝟎, 𝟐 𝒚 𝜶 = 𝟎, 𝟑 𝐹" = 𝐹"#$ + 𝛼 𝐴"#$ − 𝐹"#$ ó 𝐹" = 𝛼𝐴"#$ + 1 − 𝛼 𝐹"#$ , 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝛼 ≤ 1
Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )

Agosto 140 140
Septiembre 150
Octubre 145
Noviembre 160
Diciembre ?

24
Ejercicio: BIC 𝐹" = 𝐹"#$ + 𝛼 𝐴"#$ − 𝐹"#$ ó 𝐹" = 𝛼𝐴"#$ + 1 − 𝛼 𝐹"#$ , 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝛼 ≤ 1
𝜶 = 𝟎, 𝟏 Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )

Agosto 140 140,00 0,00
Septiembre 150 140,00 10,00
Octubre 145 141,00 4,00
Noviembre 160 141,40 18,60
Diciembre ? 143,26
Σ 32,60
𝜶 = 𝟎, 𝟐 Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )
Agosto 140 140,00 0,00
Septiembre 150 140,00 10,00
Octubre 145 142,00 3,00
Noviembre 160 142,60 17,40
Diciembre ? 146,08
Σ 30,40 25
Ejercicio: BIC 𝐹" = 𝐹"#$ + 𝛼 𝐴"#$ − 𝐹"#$ ó 𝐹" = 𝛼𝐴"#$ + 1 − 𝛼 𝐹"#$ , 𝑑𝑜𝑛𝑑𝑒 0 ≤ 𝛼 ≤ 1
𝜶 = 𝟎, 𝟑 Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )

Agosto 140 140,00 0,00
Septiembre 150 140,00 10,00
Octubre 145 143,00 2,00
Noviembre 160 143,60 16,40
Diciembre ? 148,52
Σ 28,40
Alpha Error acum.

El mejor pronóstico de demanda para diciembre se
0,1 32,60 consigue con el coeficiente de suavización 𝛼 = 0,3,
0,2 30,40 ya que con éste se obtiene el menor error
0,3 28,40 (28,4 𝑢𝑛𝑖𝑑𝑎𝑑 ).

26
Técnicas cuantitativas de pronóstico
Análisis de series de tiempo:

❖ Promedio de móvil simple Métodos causales o
❖ Promedio móvil ponderado asociativos:
❖ Suavización exponencial
❖ Regresión lineal

27
Método asociativo: regresión lineal
Regresión lineal: modelo general
Permite estimar el valor de una var. dependiente 𝑌 en función de una var.
independiente 𝑋, con 𝑌 = 𝑣𝑎𝑟. 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎, 𝑋 = 𝑣𝑎𝑟. 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑣𝑎.
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 = 𝑣𝑎𝑙𝑜𝑟 𝑞𝑢𝑒 𝑠𝑒 𝑑𝑒𝑠𝑒𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜

𝛼 = 𝑜𝑟𝑑𝑒𝑛𝑎𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑜𝑟𝑖𝑔𝑒𝑛 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑌 𝑐𝑢𝑎𝑛𝑑𝑜 𝑋 = 0
𝛽 = 𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑐𝑡𝑎 𝑖𝑛𝑑𝑖𝑐𝑎 𝑐ó𝑚𝑜 𝑐𝑎𝑚𝑏𝑖𝑎 𝑌 𝑐𝑢𝑎𝑛𝑑𝑜 𝑋 𝑠𝑒 𝑖𝑛𝑐𝑟𝑒𝑚𝑒𝑛𝑡𝑎 𝑒𝑛 1 𝑢𝑛𝑖𝑑𝑎𝑑
Utiliza el método de Mínimos Cuadrados

28
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!
29
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

30
Regresión lineal: método de mínimos cuadrados
Permite minimizar la diferencia entre los valores reales observados 𝑦& y los estimados
(𝑦s& ), minimizando los cuadrados de los errores
\ = 𝒂 + 𝒃𝑋
Y = 𝛼[ + 𝛽𝑋
Dada la ecuación de la recta 𝒀
Los valores que se obtienen para 𝑎 y 𝑏 son:
𝑺
𝒂=𝒚 ` − 𝒃`𝒙 , 𝒃 = 𝑿𝒀𝟐 , con 𝑏 = 𝑐𝑜𝑒𝑓. 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 𝑑𝑒 𝑌 𝑠𝑜𝑏𝑟𝑒 𝑋 (𝑏%/' )
𝑺𝑿
Donde:
+ +
1 1
𝑥̅ = k 𝑥( 𝑒 𝑦l = k 𝑦( → 𝑚𝑒𝑑𝑖𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙𝑒𝑠 𝑑𝑒 𝑋 𝑒 𝑌
𝑛 𝑛
()* ()*
+ +
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
()*
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
𝑟 → 𝒄𝒐𝒆𝒇. 𝒅𝒆 𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒆𝒏𝒕𝒓𝒆 𝑿 𝒆 𝒀 (trata de medir la dependencia lineal entre 𝑋 e 𝑌)

-
𝑟 = $% → 𝑟 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒 𝑑𝑖𝑚𝑒𝑛𝑠𝑖ó𝑛, ∀𝑟 = −1; 1
-$ -%
→ 𝑠𝑖 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠: 𝑟 = 0
→ 𝑠𝑖 ∃ 𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙 𝑒𝑛𝑡𝑟𝑒 𝑋 𝑒 𝑌: 𝑠𝑖 𝑟 > 0 ⇒ 𝑟𝑒𝑙. 𝑑𝑖𝑟𝑒𝑐𝑡𝑎; 𝑠𝑖 𝑟 < 0 ⇒ 𝑟𝑒𝑙. 𝑖𝑛𝑣𝑒𝑟𝑠𝑎
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
32
Errores de pronóstico de la demanda
Es la diferencia entre un valor estimado (𝐹J ) y lo medido (𝐴J )
𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = 𝐴J − 𝐹J
Existen diferentes medidas para calcular el error global de pronóstico.

Pueden usarse para comparar distintos modelos de pronóstico, vigilar los
pronósticos y asegurar un adecuado desempeño

33
Medidas para calcular el error de pronóstico más comunes:

• 𝐶𝐹𝐸: suma acumulada de errores de pronóstico
• 𝑀𝐴𝐷: desviación media absoluta
• 𝑀𝑆𝐸: Error cuadrático medio
• 𝑀𝐴𝑃𝐸: error porcentual medio absoluto

34
Tipo Fórmula Descripción Uso Unidad
𝐶𝐹𝐸 + 𝐴" − 𝐹" Evaluar el sesgo del pronóstico General Unidad
Mide la dispersión del error de pronóstico: Evaluar la precisión

∑ 𝐴" − 𝐹"
𝑀𝐴𝐷 𝑀𝐴𝐷 = magnitud media de los errores de promedio de los Unidad
𝑛 pronóstico, independiente de su dirección pronósticos
∑ 𝐴" − 𝐹" % Cuando la desviación en
𝑀𝑆𝐸 Mide la dispersión del error de pronóstico Unidad
𝑛 los periodos es pequeña
1 ∑(&'$ 100 𝐴& − 𝐹& Entrega la desviación en términos
𝑀𝐴𝑃𝐸 %
𝑛 𝐴& porcentuales de los valores reales

35
Regresión lineal
Ejemplo:
Demanda histórica
Trimestre Demanda
1 256
2 312
3 426
4 278
𝑌 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 (𝑢𝑛𝑖𝑑𝑎𝑑)
5 298 𝑋 = 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 (𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒)
6 387
7 517
8 349
Al introducir la información histórica de la demanda en MS Excel (o cualquier paquete estadístico

con funciones para calcular regresiones) y construir un gráfico de dispersión se puede ver la
distribución de la demanda y la línea de regresión

Elaboración propia. 36
Regresión lineal
Ejemplo: Demanda histórica
Al introducir la información histórica de la demanda en MS Excel (o Trimestre Demanda
1 256
cualquier paquete estadístico con funciones para calcular regresiones) y de
2 312
aplicar el análisis de regresión, se encontró que los datos presentan: 3 426
4 278
5 298
6 387
una intersección de 𝟐𝟔𝟖, 𝟑
-
7 517
- con un coeficiente variable 𝑿 𝑑𝑒 𝟏𝟖, 𝟖.
8 349
Dada la forma general de la ecuación de regresión 𝒀 = 𝒂𝑿 + 𝒃, donde 𝑌 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 (𝑢𝑛𝑖𝑑𝑎𝑑)
𝒂 → pendiente de la línea y 𝒃 → intersección 𝑿 𝑋 = 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 (𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒)
La ecuación de la línea de regresión es 𝒀 = 𝟏𝟖, 𝟖 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 + 𝟐𝟔𝟖, 𝟑.

Al aplicar la fórmula se obtiene la tabla que incluye el pronóstico de regresión.
Un pronóstico de línea recta calculado utilizando un modelo de regresión lineal no
muestra la estacionalidad de la información.

Regresión lineal
Ejemplo: Trimestre Demanda Pronóstico de regresión
1 256 287,1
Pronóstico calculado con regresión a partir de la 2 312 305,9
ecuación 𝑌 = 18,8 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 + 268,3 3 426 324,7
Estadísticas de la regresión 4 278 343,5
Coeficiente de 5 298 362,3
correlación múltiple 0,528481129
6 387 381,1
Coeficiente de
determinación R^2 0,279292304 7 517 399,9
R^2 ajustado 0,159174354
8 349 418,7
Error típico 79,89175465
Observaciones 8 9 437,5
El reporte obtenido de la operación
𝑌 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 (𝑢𝑛𝑖𝑑𝑎𝑑)
ANÁLISIS DE entrega la siguiente información: 𝑋 = 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 (𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒)
VARIANZA
Promedio de los
Grados de libertad Suma de cuadrados cuadrados F Valor crítico de F
Regresión 1 14840,72024 14840,72024 2,325150449 0,178139869
Residuos 6 38296,15476 6382,69246
Total 7 53136,875
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

Regresión lineal
Ejemplo aplicado:
El patrón de demanda de 10 periodos para cierto producto se presenta como:

127, 113, 121, 123, 117, 109, 131, 115, 127 y 118. Pronostique la demanda para
el periodo 11 utilizando cada uno de los siguientes métodos: promedio móvil de
3 meses; promedio móvil ponderado de 3 meses con pesos de 0,2, 0,3 y 0,5;
suavización exponencial con una constante de suavización de 0,3 (considere el
pronóstico inicial 115 que corresponde al valor de la demanda real del periodo
0) y regresión lineal. Calcule el MAD para cada método a fin de determinar el
método que sería preferible de acuerdo con las circunstancias. También calcule
el sesgo en la información, si existe, para los cuatro métodos y explique su
significado.

39
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 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
40
0,2
0,5 0,3
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
41
0,2
0,5 0,3
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
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

43
Regresión lineal
Ejemplo aplicado: solución y respuesta
Debido a que la tendencia general de la información es bastante “uniforme” y a la aparente
ausencia de estacionalidad y de cualquier otra característica cíclica, el coeficiente para el periodo
en la ecuación de regresión fue muy pequeño (0,0182), provocando que los pronósticos de
Periodo Demanda PMS 3 PMP 3 SES REG LIN
regresión fueran muy cercanos entre sí.
1 127 115 120
Los MADs para cada uno de los métodos de
2 113 118,6 120
pronóstico se calcularon utilizando la fórmula que
3 121 116,9 120,1
se analizó en el capítulo. El resultado fue el
4 123 120,3 119,8 118,1 120,1 siguiente:
5 117 119 120,4 119,6 120,1
6 109 120,3 119,6 118,8 120,1 Método MAD
7 131 116,3 114,2 115,9 120,1
PMS 3 7,1 En base a los resultados de los
8 115 119 121,6 120,4 120,1
PMP 3 7,9 MAD, el mejor pronóstico es el
9 127 118,3 118,6 118,8 120,2
10 118 124,3 124,2 121,3 120,2 SES 7,1 obtenido con la regresión
11 ? 120 120,1 120,3 120,2 REG LIN 5,7 lineal.

44
Bibliografía
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.
Chapman, S. (2006). Planificación y Control de la producción. México: Pearson Educación.
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.

45
Unidad 2: Clase 04
Pronóstico de demanda (Parte II)

Fita0084 202405 U2 - C04

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fita0084 202405 U2 - C04

Cargado por

Copyright:

Formatos disponibles

FITA0084 – GESTIÓN DE OPERACIONES

Ingeniería Civil Industrial

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

𝐴!"# + 𝐴!"$ + ⋯ + 𝐴!"% ∑%&'# 𝐴!"&

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

∑ 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏

𝑃𝑀𝑃 = + 𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏 𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝒏

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

En términos más sencillos, cada uno de los pesos es

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

𝑃𝑀𝑆 y 𝑃𝑀𝑃 son efectivos para suavizar las fluctuaciones

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

ü Requiere pocos registros de datos históricos

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Es otro método utilizado para suavizar las fluctuaciones aleatorias en el

𝐹J = 𝐹JKL + 𝛼 𝐴JKL − 𝐹JKL = 𝐹JKL + 𝛼 ∗ 𝑒𝑟𝑟𝑜𝑟MNOPóQJRSO

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

𝐹J = 𝐹JKL + 𝛼 𝐴JKL − 𝐹JKL = 𝐹JKL + 𝛼 ∗ 𝑒𝑟𝑟𝑜𝑟MNOPóQJRSO

Considere que el pronóstico para el mes de agosto es igual a la demanda del

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

𝜶 = 𝟎, 𝟏 Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )

𝜶 = 𝟎, 𝟑 Periodo Demanda (𝑨𝒕 ) Pronóstico (𝑭𝒕 ) Error (𝑨𝒕 − 𝑭𝒕 )

Alpha Error acum.

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Análisis de series de tiempo:

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

𝑌 = 𝑣𝑎𝑙𝑜𝑟 𝑞𝑢𝑒 𝑠𝑒 𝑑𝑒𝑠𝑒𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜

Utiliza el método de Mínimos Cuadrados

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

𝑟 → 𝒄𝒐𝒆𝒇. 𝒅𝒆 𝒄𝒐𝒓𝒓𝒆𝒍𝒂𝒄𝒊ó𝒏 𝒆𝒏𝒕𝒓𝒆 𝑿 𝒆 𝒀 (trata de medir la dependencia lineal entre 𝑋 e 𝑌)

Es la diferencia entre un valor estimado (𝐹J ) y lo medido (𝐴J )

Existen diferentes medidas para calcular el error global de pronóstico.

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Medidas para calcular el error de pronóstico más comunes:

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Tipo Fórmula Descripción Uso Unidad

𝐶𝐹𝐸 + 𝐴" − 𝐹" Evaluar el sesgo del pronóstico General Unidad

Mide la dispersión del error de pronóstico: Evaluar la precisión

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Al introducir la información histórica de la demanda en MS Excel (o cualquier paquete estadístico

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

La ecuación de la línea de regresión es 𝒀 = 𝟏𝟖, 𝟖 𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 + 𝟐𝟔𝟖, 𝟑.

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

El patrón de demanda de 10 periodos para cierto producto se presenta como:

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Eduardo Oelckers H. – eoelckersh@docente.uss.cl

Chapman, S. (2006). Planificación y Control de la producción. México: Pearson Educación.