Capt 4

Administracin de Operaciones
Pronsticos
Presentacin traducida y editada por Mtro. Ignacio Fco. Romero Magaa

Ing. MBA Ignacio F. Romero M.
2014
Ing.
MBA Pearson
Ignacio F. Education,
Romero M. Inc.
2014 Pearson Education, Inc.
4-1
Contenido
Perfil de una Compaa Global: Walt
Disney Parks & Resorts
Qu es Pronosticar?
Horizontes de Tiempo en el
Pronostico
La Influencia del Ciclo de Vida del
producto
Tipos de Pronsticos
4-2
Contenido Continuacin
La Importancia Estratgica del
Pronostico
Recursos Humanos
Capacidad
Administracion de la Cadena de
Suministros
Siete Pasos en el Sistema de

Pronsticos
4-3
Enfoques del Pronostico
Resumen de Mtodos Cualitativos
Resumen de Mtodos Cuantitativos
Pronsticos de Series de Tiempo

Descomposicin de una serie de
tiempo
Enfoque ingenuo
4-4
Pronostico con Series de Tiempo
Promedios Movibles
Suavizacin Exponencial
Suavizacin Exponencial con Ajuste
de Tendencias
Proyecciones de Tendencias
Variaciones Estacionales en los
Datos
Variaciones Cclicas en los Datos
4-5
Mtodos Asociativos para
Pronosticar: Regresin Y Anlisis
de Correlacin
Uso del Anlisis de Regresin para
Pronosticar
Error Estndar del Estimado
Coeficientes de Correlacin para
Lneas de Regresin
Anlisis de Mltiple Regresin
4-6
Monitoreo y Control del Pronostico
Suavizacin Adaptiva
Pronostico Enfocado
Pronsticos en el Sector Servicios

4-7
Objetivos de Aprendizaje
Cuando el alumno complete este captulo
ser capaz de:
Identificar o Definir:
Tipos de pronsticos
Horizontes de tiempo
Enfoques para pronosticar

4-8
Objetivos de Aprendizaje
Cuando el alumno complete este captulo
ser capaz de:
Describir o explicar:
Promedios movibles
Suavizacin exponencial
Proyecciones de tendencias
Anlisis de regresin y correlacin
Medidas de exactitud del pronostico
4-9
Los Pronsticos Proporcionan

una Ventaja Competitiva para
Disney
El portafolio global incluye parques en

Hong Kong, Paris, Tokio, Orlando, y
Anaheim
Los ingresos son derivados de la gente
cuantos visitantes y como gastan su
dinero
El reporte diario de la administracin
contiene solo el pronostico y la
asistencia en cada parque
08/10/15
Ing.2011PearsonEducation,Inc.publishingas
MBA Ignacio F. Romero M.
4 - 10

Disney
Disney genera pronsticos diarios, por
semana, por mes, anuales y de 5 aos
Los pronsticos tambin los usan para la
administracin de la mano de obra,
mantenimiento, operaciones, finanzas, y
programacin en los parques
El pronostico se usa para ajustar los
tiempos de apertura, juegos, las
funciones, niveles de personal, y
huspedes admitidos
08/10/15
Ing.MBAIgnacioF.
4 - 11

Disney
20% de los clientes provienen de fuera

de los Estados Unidos
El modelo econmico incluye el producto
bruto domstico, las tarifas de
intercambio monetario y las llegadas a
los Estados Unidos
Un equipo de 35 analistas y 70 personas
de campo encuestan a un milln de
huspedes en los parques, empleados, y
a los profesionales de la industria de
viajes cada ao
Ing.MBAIgnacioF.
08/10/15
4 - 12

Disney
Los datos que el modelo de pronostico
incluye son: especiales en la
aerolneas, las polticas de la Reserva
Federal, las tendencias de Wall Street,
los horarios de vacaciones de 3,000
distritos escolares a lo largo del mundo
El error promedio del pronostico para 5
aos es de 5%
El error promedio del pronostico anual
es entre 0% y 3%
08/10/15
Ing.MBAIgnacioF.
4 - 13
Qu es Pronosticar?
Proceso de predecir
un evento futuro
Base fundamental de
todas las decisiones
de negocios
??
Produccin
Inventario
Personal
Instalaciones
Pronosticos en Hard
Rock Caf
4 - 14
Horizontes de Tiempo del

Pronostico
Pronostico a corto plazo
Hasta 1 ao, generalmente menos de tres meses
compras, programacin de trabajos, niveles de fuerza
de trabajo, asignacin de trabajos, niveles de
produccin
Pronostico a mediano plazo

3 meses a 3 aos
Planeacin de ventas y produccin, presupuestos
Pronostico a largo plazo

3+ aos
Planeacin de nuevos productos, localizacin de
instalaciones, investigacin y desarrollo
4 - 15
Diferencias Notables
Mediano/largo plazo pronsticos tratan
con asuntos ms comprensivos y apoyan
las decisiones de la administracin en lo
que respecta a la planeacin, productos,
plantas y procesos
Corto plazo pronsticos usualmente
emplean diferentes metodologas que los
pronsticos a largo plazo
Corto plazo pronsticos tienden a ser ms
exactos que los pronsticos a largo plazo
4 - 16
Influencia del Ciclo de Vida

del Producto
Introduccin Crecimiento Madurez Declive
Introduccin y crecimiento requieren
pronsticos ms largos que madurez y
declive
De manera que el producto pasa a travs
del ciclo de vida, los pronsticos ayudan
a las proyecciones
Niveles de personal
Niveles de inventario
Capacidad de fbrica
4 - 17
Estrategia de Compaa/Problemas
Ciclo de Vida del Producto

Introduccin
Mejor periodo para
incrementar
participacin en
mercado
Crecimiento
Madurez
Prctico cambiar
precio o imagen de
calidad
Mal tiempo de
Crtico el control
cambiar imagen,
de costos
precio o calidad
Costos competitivos
se convierten crticos
Defender posicin de
mercado
Restaurantes
Reforzar nicho
I y D de ingeniera
es crtica
Mquinas de bsquedas en
Internet
Xbox 360
Ventas
Reproductores
de juegos 3-D
Declive
de autoservicio
DVDs
iPods
Impresoras
3D
Boeing 787
Vehculos elctricos
Televisiones
anlogas
Figura 2.5

4 - 18
Ciclo de Vida del Producto

Estrategia de AO Problemas
Introduccin
Crtico el diseo y
desarrollo del producto
Cambios frecuentes en el
producto y diseo de
procesos
Corridas cortas de
produccin
Altos costos de
produccin
Modelos limitados
Atencin a la calidad

Crecimiento
Pronsticos crticos
Fiabilidad en el producto
y los procesos
Mejoramiento del
producto y opciones
Capacidad aumentada
Cambio hacia enfoque
de producto
Realzar distribucin
Madurez
Estandarizacin
Cambios en producto
menos rpidos ms
cambios menores
Capacidad ptima
Estabilidad del proceso
aumentada
Corridas largas de
produccin
Mejoramiento de
producto y reduccin de
costos
Declive
Poca diferenciacin
del producto
Minimizacin de
costos
Sobrecapacidad en la
industria
Podar lnea para
eliminar artculos con
bajo margen
Reducir capacidad
Figura 2.5
4 - 19
Tipos de Pronsticos
Pronsticos econmicos
Se enfocan en el ciclo del negocio tasa de
inflacin, oferta de dinero, ndices de
construccin de casas, etc.
Pronsticos tecnolgicos
Predicen el ritmo del progreso tecnolgico
Impactan el desarrollo de nuevos productos
Pronsticos de demanda
Predicen ventas de productos existentes
4 - 20
Importancia Estratgica de
los Pronsticos
Recursos Humanos contratacin,
entrenamiento, despidos
Capacidad faltas de capacidad pueden
resultar en entregas tardas, prdida de
clientes, prdida de participacin en el
mercado
Administracin de la Cadena de
Suministros buenas relaciones con los
proveedores y ventaja en precio
4 - 21
Siete Pasos de los Pronsticos

Determinar el uso del pronostico
Seleccionar los artculos a pronosticar
Determinar el horizonte de tiempo del
pronostico
Seleccionar el o los modelo (s) de
pronostico
Coleccionar datos
Llevar a cabo el pronostico
Validar e implementar los resultados
4 - 22
Las Realidades!
Los pronsticos raramente son
perfectos, factores exteriores no
predecibles pueden impactar el
pronstico
La mayora de las tcnicas suponen
que hay una estabilidad notable en el
sistema
Familias de productos y pronsticos
agregados son ms exactos que
pronsticos de productos individuales
4 - 23
Enfoques de Pronsticos
Mtodos Cualitativos
Usados cuando la situacin es
vaga y existen pocos datos
Productos nuevos
Nueva tecnologa
involucran intuicin, experiencia

Eje., pronosticar ventas en el
Internet
4 - 24
Enfoques de Pronsticos
Mtodos Cuantitativos
Usados cuando la situacin es
estable y datos histricos existen
Productos existentes
Tecnologa actual
Involucran tcnicas matemticas

Eje., pronosticar ventas de
televisiones a color

4 - 25
Perspectiva General de
Mtodos Cualitativos
Jurado de opinin ejecutiva
Opiniones consensuadas de altos
ejecutivos, algunas veces
aumentadas por modelos
estadsticos
Mtodo Delphi
Panel de expertos cuestionados
iterativamente
4 - 26
Perspectiva General de
Mtodos Cualitativos
Fuerza de ventas compuesta
Estimados de agentes de ventas
individuales se revisan de
racionabilidad y despus son
agregados
Encuesta del mercado de

consumidores
Preguntar al consumidor
4 - 27
Jurado de Opinin Ejecutiva

Involucra a un pequeo grupo de ejecutivos de alto
nivel
El grupo estima la demanda por medio de la
participacin de todos
Combinan experiencia administrativa con modelos
estadsticos
Relativamente rpido
Desventaja de
pensamiento de grupo

4 - 28
Mtodo Delphi
Proceso de grupo
iterativo, continua
hasta que se llegue
a un consenso
Personal
3 tipos de
administrativo
participantes
(administra la
Tomadores de
decisiones
Personal
administrativo
Cuestionados
Tomadores de
decisiones
(Evalan respuestas y
toman decisiones)
encuesta)
Cuestionados
(gente con buen
criterio)
4 - 29
Compuesto de Fuerza de
Ventas
Cada agente de ventas proyecta sus
ventas
Combinadas en los niveles distritales y
nacionales
Los agentes de ventas conocen las
necesidades de los clientes
Tienden a ser muy optimistas
4 - 30
Encuesta de Mercado
Preguntar a clientes sobre planes de
compras
til para la demanda y planificacin y
diseo del producto
Lo que los consumidores dicen y lo
que realmente hacen frecuentemente
es diferente
Puede ser demasiado optimista
4 - 31
Perspectiva de Enfoques
Cuantitativos
1. Enfoque ingenuo
2. Promedios movibles
3. Suavizacin
exponencial
4. Proyeccin de
tendencias
5. Regresin lineal
Modelos de
Series de
Tiempo
Modelo
asociativo
4 - 32
Pronostico Basado en Series

de Tiempo
Juego de datos numricos igualmente
espaciados
obtenidos al observar la variable de
respuestas en periodos regulares de
tiempo
Pronostico basado solamente en

valores pasados
Supone que valores que han
influenciado en el pasado y presente
continuarn influenciando en el futuro
4 - 33
Componentes de Series de
Tiempo
Tendencia
Cclico
Estacional
Aleatorio

4 - 34
Demanda de producto o servicio
Componentes de la Demanda
Componente de
Tendencia
Picos estacionales
Demanda
actual
Variacin
aleatoria
|
1

|
|
2
3
Tiempo (Aos)
Demanda
promedio de
cuatro aos
|
4
Figura 4.1
4 - 35
Componente de Tendencia
Patrn persistente, hacia arriba
o hacia abajo
Cambios debido a poblacin,
tecnologa, edad, cultura etc.
Tpicamente duracin de varios
aos

4 - 36
Componente Estacional
Patrn regular de fluctuaciones
hacia arriba y hacia abajo
Debido a clima, costumbres etc.
Ocurre dentro de un ao
Periodo
Semana
Mes
Mes
Ao
Ao
Ao
Tiempo
Das
Semanas
Das
Trimestres
Meses
Semanas
Frecuencia
7
4-4.5
28-31
4
12
52
4 - 37
Componente Cclico
Se repiten movimientos hacia arriba y
hacia abajo
Afectado por el ciclo del negocio, poltico
y factores econmicos
Duracin de mltiples aos
Frecuentemente relaciones casuales o
asociativas
0
10
15
20
4 - 38
Componente Aleatorio
Fluctuaciones residuales errticas,
no sistemticas
Debido a variaciones aleatorias o
eventos no previstos
Corta duracin y no
repetitivos
L
V
4 - 39
Enfoque Ingenuo
Supone que la demanda en el
siguiente periodo es la misma
que en el periodo ms reciente
Eje., Si las ventas en enero fueron
68, entonces las ventas de febrero
sern 68
Algunas veces eficiente en costo

y efectivo
Puede ser un buen punto de
partida
4 - 40
Mtodo del Promedio Movible

PM es una serie de medias aritmticas
Usado si hay poca o no tendencia
Frecuentemente usado para suavizacin
Proporciona datos a travs del tiempo
Promedio Movible=

demanda de n periodos previos

n
4 - 41
Ejemplo de Promedio Movible

MES
VENTAS ACTUALES
Enero
10
Febrero
12
Marzo
13
Abril
16
(10 + 12 + 13)/3 = 11 2/3
Mayo
19
(12 + 13 + 16)/3 = 13 2/3
Junio
23
(13 + 16 + 19)/3 = 16
Julio
26
(16 + 19 + 23)/3 = 19 1/3
Agosto
30
(19 + 23 + 26)/3 = 22 2/3
Septiembre
28
(23 + 26 + 30)/3 = 26 1/3
Octubre
18
(29 + 30 + 28)/3 = 28
Noviembre
16
(30 + 28 + 18)/3 = 25 1/3
Diciembre
14
(28 + 18 + 16)/3 = 20 2/3

PROMEDIO MOVIBLE DE 3 MESES
4 - 42
Promedio Movible Ponderado

Usado cuando hay una tendencia
presente
Datos antiguos usualmente menos
importantes
Pesos basados en experiencia e

intuicin
Promedio Movible =
Ponderado

(peso para periodo n)

x (demanda en periodo n)
pesos
4 - 43

MES
VENTAS ACTUALES
January
10
February
12
March
13
April
May
June
July
August
September
October
November
December
16
PROMEDIO MOVIBLE PONDERADO DE

MESES
[(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
19
APLICACIN DE PESOS
PERIODO
23
3
Mes anterior
26
2
Dos meses atrs
30
1
Tres meses atrs
28
6
Suma de pesos
18
pronstico para este mes =
16
3 x ventas mes ant. + 2 x Ventas 2 meses atrs + 1 x Ventas 3 meses atrs
14
Suma de pesos

4 - 44

MES
VENTAS ACTUALES
Enero
10
Febrero
12
Marzo
13
Abril
16
Mayo
19
Junio
23
Julio
26
Agosto
30
[(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6
Septiembre
28
[(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2
Octubre
18
[(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3
Noviembre
16
[(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3
Diciembre
14
[(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3

PROMEDIO MOVIBLE PONDERADO DE 3

MESES
[(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6

[(3 x 16) + (2 x 13) + (12)]/6 = 14 1/3
[(3 x 19) + (2 x 16) + (13)]/6 = 17
[(3 x 23) + (2 x 19) + (16)]/6 = 20 1/2
4 - 45
Problemas Potenciales con

el promedio Movible
Incrementar n suaviza el pronostico

pero lo hace menos sensitivo a los
cambios
No pronostica bien las tendencias
Requiere de datos histricos extensos

4 - 46
Grfica de Promedios Movibles

Promedio movible ponderado
30
Demanda de ventas
25
20
15
Ventas actuales
10
Promedio movible
5
|
Figura 4.2
J
J
Mes
4 - 47
Forma de promedio movible ponderado
Pesos declinan exponencialmente
Datos ms recientes se ponderan ms
Requiere de una constante de

suavizacin ()
Rango de 0 a 1
Escogida subjetivamente
Involucra pocos records de datos

pasados
4 - 48
Pronostico nuevo = pronostico del ltimo periodo
+ (demanda actual del ltimo periodo
pronostico del ltimo periodo)
Ft = Ft 1 + (At 1 - Ft 1)
donde
Ft = pronostico nuevo
Ft 1 = pronostico previo
= constante de suavizacin
o ponderacin (0 1)
At 1 = demanda actual de periodo anterior
4 - 49
Ejemplo de Suavizacin
Exponencial
Demanda pronosticada = 142 Ford Mustangs
Demanda actual = 153
Constante de suavizacin = .20

4 - 50
Exponencial
Constante suavizacin = .20
Pronostico nuevo = 142 + .2(153 142)

4 - 51
Exponencial
Constante suavizacin = .20
Pronostico nuevo

= 142 + .2(153 142)

= 142 + 2.2
= 144.2 144 carros
4 - 52
Efecto de Constantes de
Suavizacin
Peso asignado a
Constante
Suavizacin
Periodo
Ms
Reciente
()
2do
Ms
Reciente
(1 - )
3er
Ms
Reciente
(1 - )2
4to
Ms
Reciente
(1 - )3
5to
Ms
Reciente
(1 - )4
= .1
.1
.09
.081
.073
.066
= .5
.5
.25
.125
.063
.031

4 - 53
Impacto de Diferente
Demanda
225
= .5
Demanda
Actual
200
175
150
|
1
|
2
|
3
|
4
|
5
|
6
= .1
|
7
|
8
|
9
Trimestre
4 - 54
Impacto de Diferente
225
= .5
Demand
200
Escoger
valoresActual
altos de
demand
cuando el promedio
implcito lo ms probable
175
es que cambie
Escoger valore bajos de
150
cuando el promedio
|
|
|
|
|
implcito es estable
1
|
6
= .1
|
7
|
8
|
9
Trimestre
4 - 55
Seleccin de
El objetivo es obtener el pronostico
ms exacto sin importar la tcnica
Generalmente se lleva a cabo al seleccionar
el modelo que proporciona el error de
pronostico ms bajo
Error de pronstico = demanda actual valor del pronstico
= At - Ft
4 - 56
Reglas Comunes de Error

Desviacin Absoluta media (MAD)
|actual - pronstico|
MAD =
n

4 - 57
Clculo de MAD
PRONSTICO
CON UN
= .50
TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
180
175
175
168
175.50 = 175.00 + .10(180 175)
177.50
159
174.75 = 175.50 + .10(168 175.50)
172.75
175
173.18 = 174.75 + .10(159 174.75)
165.88
190
173.36 = 173.18 + .10(175 173.18)
170.44
205
175.02 = 173.36 + .10(190 173.36)
180.22
180
178.02 = 175.02 + .10(205 175.02)
192.61
182
178.22 = 178.02 + .10(180 178.02)
186.30
178.59 = 178.22 + .10(182 178.22)
184.15

PRONSTICO CON UN = .10
4 - 58
Clculo de MAD
PRONSTICO
CON UN
= .10
DESVIACIN
ABSOLUTA
CON UNA
a = .10
PRONSTICO
CON UN
= .50
DESVIACIN
ABSOLUTA
CON UNA
a = .50
TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
180
175
5.00
175
5.00
168
175.50
7.50
177.50
9.50
159
174.75
15.75
172.75
13.75
175
173.18
1.82
165.88
9.12
190
173.36
16.64
170.44
19.56
205
175.02
29.98
180.22
24.78
180
178.02
1.98
192.61
12.61
182
178.22
3.78
186.30
4.30
Suma de desviaciones absolutas:
MAD =

|Desviaciones|
n
82.45
98.62
10.31
12.33
4 - 59
Medidas de Error Comunes

Error Cuadrtico Medio (ECM)
ECM

Errores
de pronstico
4 - 60
Clculo del ECM

TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
180
175
168
175.50
(7.5)2 = 56.25
159
174.75
(15.75)2 = 248.06
175
173.18
(1.82)2 = 3.31
190
173.36
(16.64)2 = 276.89
205
175.02
(29.98)2 = 898.80
180
178.02
(1.98)2 = 3.92
182
178.22
(3.78)2 = 14.29
PRONSTICO
PARA UN = .10
(ERROR)2
52 = 25
Suma de errores al cuadrado = 1,526.52
Errores del Pronstico

ECM
n

1,526.52 / 8 190.8
4 - 61
Medidas de Error Comunes

Porcentaje de Error Media Absoluta (MAPE)
n
100 |actuali - pronsticoi|/actuali

MAPE =

i=1
4 - 62
Clculo de MAPE
TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
PRONSTICO
PARA UN = .10
180
175.00
100(5/180) = 2.78%
168
175.50
100(7.5/168) = 4.46%
159
174.75
100(15.75/159) = 9.90%
175
173.18
100(1.82/175) = 1.05%
190
173.36
100(16.64/190) = 8.76%
205
175.02
100(29.98/205) = 14.62%
180
178.02
100(1.98/180) = 1.10%
182
178.22
100(3.78/182) = 2.08%
PORCENTAGE ABSOLUTO DE ERROR

100(ERROR/ACTUAL)
Sum of % errors = 44.75%
MAPE

porcentage absoluto de error 44.75% 5.59%

n
4 - 63
Comparacin de Error del

Pronstico
Pronostico Desviacin Pronostico Desviacin
Tonelaje
Redondeado Absoluta Redondeado Absoluta
Descargado
con
para
con
para
Trimestre
Actual
= .10
= .10
= .50
= .50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182

175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
4 - 64
Comparacin de Error de
Pronostico
|desviaciones|

Redondeado
Absoluta Redondeado Absoluta
n
Descargado
con
para
con
para
Trimestre
Actual
= .10
= .10
= .50
= .50
MAD
=
Tonelaje
Para
=
.10
1
180
175
5.00
2
168= 82.45/8
175.5 = 10.31
7.50
3
4
5
6
7
8
Para
159
174.75
175= .50 173.18
190
173.36
205 = 98.62/8
175.02 =
180
178.02
182
178.22
Ing. MBA Ignacio Fco.

F. Romero
Romero
M. Magaa
2011 Pearson
2014 Pearson
Education,
Education,
Inc. publishing
Inc.
as Prentice Hall
15.75
1.82
16.64
12.33
29.98
1.98
3.78
82.45
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
4 - 65
Pronostico
(errores pronostico)
2
MSE =

Tonelaje
Redondeado
Absoluta Redondeado Absoluta
n
Descargado
con
para
con
para
Trimestre
Actual
= .10
= .10
= .50
= .50
Para
=
.10
1
180
175
5.00
2
175.5 = 190.82
7.50
=168
1,526.54/8
3
4
5
6
7
8
159
174.75
175= .50 173.18
Para
190
173.36
=205
1,561.91/8
175.02=
180
178.02
182
178.22
MAD

F. Romero
Romero
M. Magaa
2011 Pearson
2014 Pearson
Education,
Education,
Inc. publishing
Inc.
as Prentice Hall
15.75
1.82
16.64
195.24
29.98
1.98
3.78
82.45
10.31
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
4 - 66
n
Pronostico
100 |desviacin|/actual
i =Pronostico
1
Desviacin Pronostico Desviacin
MAPE Tonelaje
=
Redondeadon Absoluta Redondeado Absoluta
Descargado
con
para
con
para
Trimestre
Actual
= .10
= .10
= .50
= .50
1
2
3
4
5
6
7
8
Para180
= .10175
5.00
168
175.5
= 45.75/8
= 7.50
5.59%
159
Para175
190
205
180
182
174.75
= .50173.18
173.36
= 54.05/8
175.02
178.02
178.22
MAD
MSE

F. Romero
Romero
M. Magaa
2011 Pearson
2014 Pearson
Education,
Education,
Inc. publishing
Inc.
as Prentice Hall
15.75
1.82
16.64
= 29.98
6.76%
1.98
3.78
82.45
10.31
190.82
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
4 - 67
Pronostico
trimestre
1
2
3
4
5
6
7
8
Pronostico Desviacin
Tonelaje
Redondeado Absoluta
Descargado
con
para
Actual
= .10
= .10
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
MAD
MSE
MAPE

5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
10.31
190.82
5.59%
Pronostico Desviacin
Redondeado Absoluta
con
para
= .50
= .50
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
6.76%
4 - 68
Suavizacin Exponencial con

Ajuste de Tendencia
Cuando una tendencia esta presente,
el suavizacin exponencial debe ser
modificada
MES
DEMANDA ACTUAL
100
Ft = 100 (dado)
200
Ft = F1 + (A1 F1) = 100 + .4(100 100) = 100
300
Ft = F2 + (A2 F2) = 100 + .4(200 100) = 140
400
Ft = F3 + (A3 F3) = 140 + .4(300 140) = 204
500
Ft = F4 + (A4 F4) = 204 + .4(400 204) = 282

PRONSTICO (Ft) PARA MESES 1 5
4 - 69

Ajuste de Tendencias
Pronstico
incluyendo (FITt) =
tendencia
Pronstico
Tendencia
suavizado
(Ft) + suavizada
(Tt)
exponencialmente
exponencialmente
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
Tt = (Ft - Ft - 1) + (1 - )Tt - 1
donde
Ft = promedio de pronstico suavizado exponencialmente

Tt = tendencia suavizada exponencialmente
At = demanda actual
= constante de suavizacin para promedio (0 1)
= constante de suavizacin para tendencia (0 1)

4 - 70

Ajuste de Tendencias
Paso 1: Computar Ft
Paso 2: Computar Tt
Paso 3: Calcular el pronostico FITt = Ft + Tt

4 - 71
Exponencial con Ajuste de
Tendencias
MES (t)
DEMANDA ACTUAL (At)
MES (t)
DEMANDA ACTUAL (At)
12
21
17
31
20
28
19
36
24
10
= .2

= .4
4 - 72
Tendencias
TABLA 4.1
Pronstico con un - .2 y una = .4

PROMEDIO
PRONSTICO
SUAVIZADO, Ft
MES
DEMANDA ACTUAL
12
11
17
12.80
20
19
24
21
31
28
36
10

TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
13.00
Paso 1: Promedio para mes Mes 2

F2 = A1 + (1 )(F1 + T1)
F2 = (.2)(12) + (1 .2)(11 + 2)
= 2.4 + (.8)(13) = 2.4 + 10.4
= 12.8 unidades
Tabla 4.1
4 - 73
Tendencias
TABLA 4.1

PROMEDIO
PRONSTICO
SUAVIZADO, Ft
MES
DEMANDA ACTUAL
12
11
17
12.80
20
19
24
21
31
28
36
10
Tabla 4.1
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
13.00
Paso 1: Promedio para mes Mes 2

F2 = A1 + (1 )(F1 + T1)
F2 = (.2)(12) + (1 .2)(11 + 2)
= 2.4 + (.8)(13) = 2.4 + 10.4
= 12.8 unidades
Tabla 4.1
4 - 74
Tendencias
TABLA 4.1

PROMEDIO
PRONSTICO
SUAVIZADO, Ft
TENDENCIA
SUAVIZADA, Tt
MES
DEMANDA ACTUAL
12
11
17
12.80
1.92
20
19
24
21
31
28
36
10

PRONSTICO
INCLUYENDO
TENDENCIA, FITt
13.00
Paso 2: Tendencia para Mes 2

T2 = (F2 - F1) + (1 - b)T1
T2 = (.4)(12.8 - 11) + (1 - .4)(2)
= .72 + 1.2 = 1.92 unidades
4 - 75
Tendencias
TABLA 4.1

PROMEDIO
PRONSTICO
SUAVIZADO, Ft
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
MES
DEMANDA ACTUAL
12
11
13.00
17
12.80
1.92
14.72
20
19
24
21
31
28
36
10

Paso 3: Calcular FIT para Mes 2

FIT2 = F2 + T2
FIT2 = 12.8 + 1.92
= 14.72 unidades
4 - 76
Tendencias
TABLA 4.1

PROMEDIO
PRONSTICO
SUAVIZADO, Ft
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
MMES
DEMANDA ACTUAL
12
11
13.00
17
12.80
1.92
14.72
20
15.18
2.10
17.28
19
17.82
2.32
20.14
24
19.91
2.23
22.14
21
22.51
2.38
24.89
31
24.11
2.07
26.18
28
27.14
2.45
29.59
36
29.28
2.32
31.60
10
32.48
2.68
35.16

4 - 77
Ejemplo de Suavizacin Exponencial

con Ajuste de Tendencias
Demanda de Producto
35
30
Demanda actual (At)
25
20
15
10
Pronstico incluyendo tendencia (FITt)

con = .2 y = .4
5
0
|
1
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
Tiempo (mes)
Figura 4.3
4 - 78
Proyecciones de Tendencia
Graficar una lnea de tendencias de los datos
histricos obtenidos para proyectar el
mediano a largo plazo
Las tendencias lineales se pueden encontrar
usando la tcnica de mnimos cuadrados
y^ = a + bx
^

donde y
= valor computado de la
variable a ser pronosticada (variable
dependiente)
a
= intercepcin con el eje y
b
= pendiente de la recta de
regresin
x
= la variable independiente
4 - 79
Valores de Variable Dependiente

(valores y)
Mtodo de Mnimos Cuadrados

Observacin actual
(valor y)
Desviacin7
Desviacin5
Desviacin6
Desviacin3
Desviacin4
Desviacin1
(error)
Desviacin2
Lnea de y^ = a + bx
Tendencia
Periodo de Tiempo
Figura 4.4
4 - 80
Valores de Variable Dependiente

Observacin actual
(valor y)
Desviacin7
Desviacin5
Desviacin3
Desviacin6
El mtodo de mnimos
cuadrados minimiza la suma
Desviacin
de los errores al cuadrado
(desviaciones)
4
Desviacin1
Desviacin2
Lnea de y^ = a + bx
Tendencia
Periodo de Tiempo
Figura 4.4
4 - 81

Ecuaciones para calcular las variable de regresin
y^ = a + bx
xy - nxy
b=
x2 - nx2
a = y - bx
4 - 82
Ejemplo de Mnimos Cuadrados

Ao
1
2
3
4
5
6
7
Periodo de
Tiempo (x)
Demanda de
Electricidad (y)
x2
xy
1
2
3
4
5
6
7
x = 28
74
1
74
79
4
158
80
9
240
90
16
360
105
25
525
142
36
852
122
49
854
y = 692
x2 = 140
xy = 3,063
x=4
y = 98.86
x 28
y 692
x
4
y
98.86
n
7
n
7
3,063 - (7)(4)(98.86)
xy - nxy
b=
=
= 10.54
140 - (7)(42)
x2 - nx2
a = y - bx = 98.86 - 10.54(4) = 56.70

4 - 83

Ao
Tiempo (x)
Periodo de
Demanda de
Electricidad (y)
x2
1
1
74
1
2
2
79
4
2001
3
80
9
2002La lnea
4 de tendencia
90 es
16
2003
5
105
25
2004
6 56.70 + 10.54x
142
36
y^ =
2005
7
122
49
x = 28
y = 692
x2 = 140
x=4
y = 98.86
xy
74
158
240
360
525
852
854
xy = 3,063
3,063
(7)(4)(98.86)
xy - nxyen ao
Demanda
8 =- 56.70
+ 10.54(8)
b=
=
= 10.54
- (7)(4
)
x2 - nx2
=140
141.02,
o2141
megawatts
a = y - bx = 98.86 - 10.54(4) = 56.70
4 - 84
Demanda de Electricidad
(megawatts)
160
150
140
130
120
110
100
90
80
70
60
50
Lnea de tendencia,
^y = 56.70 + 10.54x
|
1

|
2
|
3
|
4
|
5
Ao
|
6
|
7
|
8
|
9
4 - 85
Requerimientos de Mnimos
Cuadrados
1. Siempre graficar los datos para
asegurar una relacin lineal
2. No se predicen periodos de tiempo
ms all de la base de datos
3. Las desviaciones alrededor de la
lnea de los mnimos cuadrados se
suponen que son al azar
4 - 86

Datos
El modelo estacional
multiplicativo puede
modificar los datos de
tendencia para
acomodar las
variaciones
estacionales de la
demanda

4 - 87

Datos
Pasos en el proceso para estaciones mensuales:
1. Encontrar el promedio de la demanda histrica para cada
estacin
2. Computar la demanda promedio de todas las estaciones
3. Computar un ndice estacional para cada estacin
4. Estimar la demanda total del siguiente ao
5. Dividir este estimado de demanda total entre el numero de
estaciones, despus multiplicarlo por el ndice estacional
de esa estacin

4 - 88
Ejemplo de ndice Estacional

Mes
Demanda (aos)
Promedio Promedio
ndice
2
3
Demanda anual Mensual Estacional
Ene
80
85 105
Feb
70
85
85
Mar
80
93
82
Abr
90
95 115
May
113 125 131
Jun
110 115 120
Jul
100 102 113
Ago
88 102 110
Sept
85
90
95
Oct
77
78
85
Nov
75
72
83
Dic
82
78
80
Promedio de demanda anual total =
90
80
85
100
123
115
105
100
90
80
80
80
1,128
94
94
94
94
94
94
94
94
94
94
94
94
4 - 89

Mes
Demanda (aos)
Promedio Promedio
ndice
2
3
Demanda anual Mensual Estacional
Ene
80
85 105
90
94
Feb
70
85
85
80
94
Mar
80
93
82
85
94
Abr
90
95 115
100
94
Promedio
1,128
May demanda
113 125
94
= 131 = 94 123
meses
Jun mensual
110 115 12 120
115
94
Jul
100 102 113
105
94
Ago
88 102 110
100
94
Sept ndice
85
90promedio
95 demanda anual
90de pasados 3 aos
94
=
Promedio
de demanda
Oct estacional
77
78
85
80 mensual 94
Nov
75
72
83
80
94
Dic
82
78
80
80
94
Promedio de demanda anual total = 1,128
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851
4 - 90

Pronstico estacional para ao 4
MES
Ene
DEMANDA
1,200
12
Feb
1,200
12
Mar
1,200
12
Abr
1,200
12
May
1,200
12
Junio
1,200
12

x .957 = 96
x .851 = 85
x .904 = 90
x 1.064 = 106
x 1.309 = 131
x 1.223 = 122
MES
Julio
DEMANDA
1,200
12
Agosto
1,200
12
Sept
1,200
12
Oct
1,200
12
Nov
1,200
12
Dic
1,200
12
x 1.117 = 112
x 1.064 = 106
x .957 = 96
x .851 = 85
x .851 = 85
x .851 = 85
4 - 91

Pronostico ao 4
Demanda ao 3
Demanda ao 2
Demanda ao 1
140
130
Demanda
120
110
100
90
80
70
|
E
|
F
|
M
|
A
|
M
|
J
|
J
|
A
|
S
|
O
|
N
|
D
Tiempo
4 - 92
Hospital San Diego

Das de pacientes internados
Datos de tendencia
10,200
10,000
9,800
9,600
9,400
9573
9530
9551
9659
9616
9594
9637
9745
9702
9680
9723
9766
9,200
9,000
|
|
|
|
|
|
|
|
|
|
|
|
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
Figura 4.6

4 - 93
Hospital San Diego

ndices estacionales para das internados en el Hospital San Diego
MES
NDICE ESTACIONAL
MES
NDICE ESTACIONAL
Enero
1.04
Julio
1.03
Febrero
0.97
Agosto
1.04
Marzo
1.02
Septiembre
0.97
Abril
1.01
Octubre
1.00
Mayo
0.99
Noviembre
0.96
Junio
0.99
Diciembre
0.98

4 - 94
ndices de das de pacientes internados
Hospital San Diego

ndices Estacionales
1.06
1.04 1.04
1.02
1.02
1.00
1.00
0.98
0.99
0.97
0.94
0.92
1.01
0.99
0.98
0.96
1.03
1.04
0.97
0.96
|
|
|
|
|
|
|
|
|
|
|
|
67 68 69 70 71 72 73 74 75 76 77 78
Mes
Figura 4.7

4 - 95
Hospital San Diego

Periodo
67
68
69
70
71
72
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Pronstico con
tendencia y
estacionalidad
9,911
9,265
9,164
9,691
9,520
9,542
73
74
75
76
77
78
Mes
Julio
Agosto
Septiembre
Octubre
Noviembre
Dic
Pronstico con
tendencia y
estacionalidad
9,949
10,068
9,411
9,724
9,355
9,572
Periodo

4 - 96
Hospital San Diego

Das de pacientes internados
Tendencias Combinadas y Pronostico Estacional

10,200
10,000
10068
9949
9911
9,800
9764
9,600
9572
9,400
9520 9542
9,200
9,000
9724
9691
9265
9411
9355
|
|
|
|
|
|
|
|
|
|
|
|
67 68 69 70 71 72 73 74 75 76 77 78
Mes
Figura 4.8

4 - 97
Ajuste de Datos de
Tendencia
y estacional Index y pronstico tendencia
Trimestre I:
I (1.30)($100,000) $130,000
y
Trimestre II: y
II (.90)($120,000) $108,000
Trimestre III: y
(.70)($140,000) $98,000
III
Trimestre IV:y
IV (1.10)($160,000) $176,000

4 - 98
Pronstico Asociativo
Usado cuando cambios en una o ms variables
independientes pueden ser usadas para predecir
los cambios en la variable dependiente
La tcnica ms comn que se usa
es el anlisis de regresin lineal
Esta tcnica se aplica como como se
aplic en el ejemplo de series de tiempo
4 - 99
Pronstico Asociativo
Pronstico de un resultado basado en
variables predecibles usando la tcnica de
mnimos cuadrados
^
y = a + bx
^

donde y = valor de la variable dependiente (en el

ejemplo, ventas)
a
= intercepto de eje y
b
= pendiente de la lnea de regresin
x
= variable independiente
4 - 100
Ejemplo de Pronstico
Asociativo
VENTAS DE NODEL
(EN $ MILLONES), y
REA DE NMINA
(EN $ BILLONES), x
VENTAS DE NODEL
(EN $ MILLONES), y
REA DE NMINA
(EN $ BILLONES), x
2.0
2.0
3.0
2.0
2.5
3.5
Ventas de Nodel
(en$ millones)
4.0
3.0
2.0
1.0
rea de nomina (en $ billones)

4 - 101
Ejemplo de Pronostico
Asociativo
Ventas, y
2.0
3.0
2.5
2.0
2.0
3.5
y = 15.0
Nmina, x
x2
1
1
3
9
4
16
2
4
1
1
7
49
x = 18
x2 = 80
x = x/6 = 18/6 = 3
y = y/6 = 15/6 = 2.5
b=
xy - nxy
x2 - nx2
xy
2.0
9.0
10.0
4.0
2.0
24.5
xy = 51.5
51.5 - (6)(3)(2.5)
80 - (6)(32)
= .25
a = y - bx = 2.5 - (.25)(3) = 1.75

4 - 102
Asociativo
y 1.75 .25 x
Nmina, x Ventas x12.75 .25(n min
xy a )
Ventas de Nodel
(en $ millones)
Ventas, y
2.0
1
3.0
3
2.5
4
2.0
2
2.0 4.0
1
3.5
7
y = 15.0 3.0 x = 18
2.0
x = x/6 = 18/6 =1.03 b =

y = y/6 = 15/6 = 2.5
0
1
9
16
4
1
49
x2 = 80
xy - nxy
x2 - nx2
|
=
|
2.0
9.0
10.0
4.0
2.0
24.5
xy = 51.5
51.5 - (6)(3)(2.5)
80 - (6)(32)
|
= .25
a=
= 1.75
2 y -3 bx =
4 2.5
5 - (.25)(3)
6
7
rea de nomina (en $ billones)

4 - 103
Asociativo
Si la nmina el
siguiente ao se
estima que ser $6
billones, entonces:
Ventas = 1.75 + .25(6)
Ventas = $3,250, 000
Ventas = 1.75 + .25(nmina)

4.0
3.25
3.0
Ventas
y^ = 1.75 + .25x
2.0
1.0

|
1
|
2
|
|
3 4
Nmina
|
5
|
6
|
7
4 - 104
Ventas
Un pronostico es solamente un punto

estimado de un valor futuro
Este punto
4.0
realmente es
3.25
la media de
3.0
una distribucin
2.0
de probabilidades

y 1.75 .25x
1.0
0
Figura 4.9
Lnea de regresin
|
1
|
2
|
|
3 4
Nmina
|
5
|
6
|
7
4 - 105

Sy,x =
donde
y
=
punto
(y - yc)2
n-2
valor de y de cada
yc
=
valor computado de la
variable dependiente, de la
ecuacin de regresin
n
nmero de puntos
4 - 106

Esta ecuacin es considerablemente
ms fcil de usar
Sy,x =
y2 - ay - bxy
n-2
Se usa el error estndar para fijar

intervalos de prediccin alrededor del
punto estimado
4 - 107

Sy,x =
39.5 - 1.75(15) - .25(51.5)

6-2
y2 - ay - bxy
=
n-2
Sy,x = .306 (en millones)
4.0
El error estndar del

estimado es
$306,000 en ventas
Ventas
3.25
3.0
2.0
1.0

|
1
|
2
|
|
3
4
Nmina
|
5
|
6
|
7
4 - 108
Correlacin
Qu tan fuerte es la relacin
lineal entre las variables?
Correlacin no necesariamente
implica casualidad!
El coeficiente de correlacin, r,
mide el grado de asociacin
Rango de valores de -1 a +1

4 - 109
Coeficiente de Correlacin
r=

nxy - xy
[nx2 - (x)2][ny2 - (y)2]
4 - 110
r=
nxy - xy
[nxx2 - (x)2][ny2 - (y)2]
(a) Correlacin
perfecta positiva:
r = +1
(b) Correlacin
positiva:
0<r<1
(c) No correlacin:
r=0
(d) Correlacin perfecta x

negativa:
r = -1
4 - 111
Correlation Coefficient
y
r=
nxy - xy
[nx2 - (x)2][ny2 - (y)2]
(a) Perfect positive x

correlation:
r = +1
(b) Positive
correlation:
0<r<1
(c) No correlation:
r=0
(d) Perfect negative x

correlation:
r = -1
4 - 112
y
y =
x2
xy
y2
2.0
2.0
4.0
3.0
9.0
9.0
2.5
16
10.0
6.25
2.0
4.0
4.0
2.0
2.0
4.0
3.5
49
24.5
12.25
15.0
x =
x2 =
80
xy =
51.5
y2 =
39.5
(6)(51.5) (18)(15.0)
(6)(80) (18) 2 (16)(39.5) (15.0) 2

18
309 270
(156)(12)
39
1,872
39
.901
43.3
4 - 113
Correlacin
El Coeficiente de Determinacin,
r2, mide el porcentaje de cambio en
y pronosticado para el cambio en x
Rango de valores de 0 a 1
Fcil de interpretar
Para el ejemplo de la compaa Nodel Construction:
r = .901
r2 = .81
4 - 114
Anlisis de Regresin
Mltiple
Si ms de una variable independiente se usa en
el modelo, la regresin lineal puede ser
extendida a regresin mltiple para acomodar
varias variables independientes
^y = a + b x + b x
1 1
2 2
Computacionalmente, esto es bastante
complejo y generalmente se hace por medio de
una computadora
4 - 115
Anlisis de Regresin
Mltiple
En el ejemplo de Nodel, incluyendo las tasas de
inters en el modelo da la nueva ecuacin:
^y = 1.80 + .30x - 5.0x
1
2
Un coeficiente de correlacin mejorado de r = .96
quiere decir que este modelo hace mejor trabajo de
predecir el cambio en las ventas de construcciones
Ventas = 1.80 + .30(6) - 5.0(.12) = 3.00
Ventas = $3,000,000
4 - 116
Monitoreo y Control de
Pronsticos
Seal de Seguimiento
Mide que tan bien el pronostico predice
valores actuales
Razn de la suma de los errores del
pronsticos (RSFE) a la Media de
Desviacin Absoluta (MAD)
Una buena seal de seguimiento tiene
valores bajos
Si los pronsticos continuamente son altos
o bajos, el pronostico tiene un error
predispuesto
4 - 117
Monitoreo y Control de
Pronsticos
Seal de
seguimiento
Seal de
seguimiento
RSFE
MAD
(demanda actual en
periodo i demanda pronosticada en
period i)
|actual - pronosticada|/n)
4 - 118
Seal de Seguimiento
Seal excediendo lmite
Seal de seguimiento
+
Lmite de control superior
0 MADs
Rango
aceptable
Lmite de control inferior

Tiempo

4 - 119
Ejemplo de Seal de
Seguimiento
Tri
1
2
3
4
5
6
Demanda Demanda
Actual Pronosticada Error
90
95
115
100
125
140
100
100
100
110
110
110

-10
-5
+15
-10
+15
+30
RSFE
-10
-15
0
-10
+5
+35
Error
Pronostico
Absoluto
10
5
15
10
15
30
Error
Pronostico
Absoluto
Cumulativo MAD
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
4 - 120
Ejemplo de Seal de
Seguimiento
Tri
1
2
3
4
5
6
Seal de
Seguimiento
Demanda
Demanda
Actual(RSFE/MAD)
Pronosticada
Error
90
-10/10
100
= -1 -10
95
-15/7.5
100= -2 -5
1150/10100
= 0 +15
100
-10/10
110
= -1 -10
125
+5/11110
= +0.5+15
+35/14.2
140
110
= +2.5
+30
RSFE
-10
-15
0
-10
+5
+35
Error
Pronostico
Absoluto
10
5
15
10
15
30
Error
Pronostico
Absoluto
Cumulativo MAD
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
La variacin de la seal de seguimiento entre

-2.0 y +2.5 esta dentro de los lmites
aceptables
4 - 121
Suavizacin Adaptativa
Es posible usar la computadora
para monitorear continuamente el error
del pronostico y ajustar los
valores de
los coeficientes de y usados en la
suavizacin
exponencial para
continuamente
minimizar el error del
pronostico
Esta tcnica se llama suavizacin
adaptable
4 - 122
Pronstico Enfocado
Desarrollado en la compaa American Hardware

Supply, el pronostico enfocado esta basado en
dos principios:
1. Los modelos de pronsticos sofisticados no
siempre son mejores que los modelos sencillos
2. No hay una tcnica sencilla que se pueda usar
para todos los productos o servicios
Este enfoque usa datos histricos para probar
modelos de pronstico mltiples para

artculos
individuales
El modelo de pronsticos con el menor error es
entonces usado para pronosticar la siguiente demanda
4 - 123
Pronsticos en el Sector
Servicios
Presenta retos no usuales
Necesidad especial de records de corto
tiempo
Las necesidades difieren grandemente en
funcin de la industria y producto
Das festivos y otros eventos de
calendario
Eventos no usuales

4 - 124
Pronstico de un Restaurante
de Comida Rpida
Porcentaje de ventas
Por hora del da
20%
15%
10%
5%
11-12
12-1
(Comida)
1-2
2-3
3-4
4-5
5-6
6-7
(Cena)
Hora del da
7-8
8-9
9-10
10-11
Figura 4.12 4 - 125
Pronstico del Centro de Atencin

de FedEx
12%
10%
8%
6%
4%
2%
0%
2
6
8
A.M.
10
12
Hora del da
6
8
P.M.
10
12
Figura 4.12
4 - 126

Capt 4

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

Capt 4

Cargado por

Copyright:

Formatos disponibles

Administracin de Operaciones

Presentacin traducida y editada por Mtro. Ignacio Fco. Romero Magaa

Siete Pasos en el Sistema de

Pronsticos de Series de Tiempo

Pronsticos en el Sector Servicios

Ing. MBA Ignacio F. Romero M.

Ing. MBA Ignacio F. Romero M.

Los Pronsticos Proporcionan

El portafolio global incluye parques en

Los Pronsticos Proporcionan

Los Pronsticos Proporcionan

20% de los clientes provienen de fuera

Los Pronsticos Proporcionan

Horizontes de Tiempo del

Pronostico a mediano plazo

Pronostico a largo plazo

Influencia del Ciclo de Vida

Ciclo de Vida del Producto

Ing. MBA Ignacio F. Romero M.

Ciclo de Vida del Producto

Ing. MBA Ignacio F. Romero M.

Siete Pasos de los Pronsticos

involucran intuicin, experiencia

Involucran tcnicas matemticas

Ing. MBA Ignacio F. Romero M.

Encuesta del mercado de

Jurado de Opinin Ejecutiva

Ing. MBA Ignacio F. Romero M.

Pronostico Basado en Series

Pronostico basado solamente en

Ing. MBA Ignacio F. Romero M.

Demanda de producto o servicio

Ing. MBA Ignacio F. Romero M.

Ing. MBA Ignacio F. Romero M.

Algunas veces eficiente en costo

Mtodo del Promedio Movible

Ing. MBA Ignacio F. Romero M.

demanda de n periodos previos

Ejemplo de Promedio Movible

(10 + 12 + 13)/3 = 11 2/3

(12 + 13 + 16)/3 = 13 2/3

(16 + 19 + 23)/3 = 19 1/3

(19 + 23 + 26)/3 = 22 2/3

(23 + 26 + 30)/3 = 26 1/3

(30 + 28 + 18)/3 = 25 1/3

(28 + 18 + 16)/3 = 20 2/3

Ing. MBA Ignacio F. Romero M.

PROMEDIO MOVIBLE DE 3 MESES

Promedio Movible Ponderado

Pesos basados en experiencia e

Ing. MBA Ignacio F. Romero M.

(peso para periodo n)

Promedio Movible Ponderado

PROMEDIO MOVIBLE PONDERADO DE

[(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6

Ing. MBA Ignacio F. Romero M.

Promedio Movible Ponderado

[(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6

[(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2

[(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3

[(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3

[(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3

Ing. MBA Ignacio F. Romero M.