2.

Continuación UNIDAD III

Modelos Proyección de la Demanda

Dr. Ing. Ángel Miguel López Aguilar

PROMEDIO MOVIL DOBLE

Es una técnica usada para de pronosticar series de tiempo que tiene

una tendencia lineal
1) Calcular un conjunto de promedios móviles

1) Se calcula un segundo conjunto con los promedios móviles

calculados en 1
Yt + Yt-1 + Yt-2 + ... + Yt-n+1
Mt = Ŷt+1 = --------------------------------------------
n

Yt + Yt-1 + Yt-2 + ... + Yt-n+1

M‘t = Ŷ’t+1 = --------------------------------------------
n
3) Calcular la diferencia entre ambos promedios
at = 2Mt – M’t

4) Utilizar un factor de ajuste adicional, similar a la medición de la

pendiente que cambia a través de la serie
2
bt = -------- (Mt – M’t)
n–1

5) Para hacer el pronóstico de periodos n en el futuro, utilizar la

siguiente ecuación

Ŷt+p = at + bt*p
En donde:
p = número de periodos a pronosticar hacia el futuro
n = número de periodos en el promedio móvil
Yt = valor real de la serie en el periodo t
Ejemplo: Las ventas de un producto en los últimas 16 meses son los que se indican
en la tabla. Pronosticar para el periodo 16 utilizando promedio móvil de 16, y n = 3.
P. Móvil Promedio
ventas tres móvil Valor Pronóstico
periodo semana semanas doble de Valor de (p = 1)
t Yt Mt M't at bt Yt et
1 654 - - - - -
2 658 - - - - -
3 665 659 - - - -
4 672 665 - - - -
5 673 670 665 675 5-
6 671 672 669 675 3 681 -10
7 693 679 674 684 5 678 15
8 694 686 679 693 7 690 4
9 701 696 687 705 9 700 1
10 703 699 694 705 6 714 -11
11 702 702 699 705 3 710 -8
12 710 705 702 708 3 708 2
13 712 708 705 711 3 711 1
14 711 711 708 714 3 714 -3
15 728 717 712 722 5 717 11
16 727

n 3
Análisis de Regresión Lineal

La regresión se puede definir como la relación funcional entre dos o

más variables correlacionadas

La Regresión lineal se refiere a la predicción del valor de una

variable a partir de otra.
y = f(x)  y = a + bx

En ocasiones se denomina a la variable dependiente (y) variable de

respuesta y a la variable independiente (x) variable de predicción.

La línea que mejor se ajuste a un conjunto de dato X-Y, es

aquella que minimiza la suma de distancias al cuadrado de los
puntos a la línea, medidas en dirección vertical o hacia Y
 Línea de regresión
El método de mínimos cuadrados se utiliza para encontrar los valores
de a y b

Ajuste de una línea de tendencia

Las ventas de una línea de productos de una empresa durante los
últimos 8 años, fueron:
Año Periodo t Demanda (Yt)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
La empresa desea proyectar los siguientes tres meses. Los datos
se presentan en una curva ajustada manualmente (Excel)

80

75
70

65
60
55
50
45

40
35
30
1994 1995 1996 1997 1998 1999 2000 2001
Tendencia lineal: fórmulas

n xy   x  y
b
n x   x 2 2

a
 y
b
 x
n n
 Año Periodo t Demanda (Yt) tY t^2 Pronostico Ŷt Yt - Ŷt (Yt - Ŷt)^2

1994 1 35 35 1 35.1668 -0.1668 0.02782224

1995 2 42 84 4 40.6906 1.3094 1.71452836
1996 3 48 144 9 46.2144 1.7856 3.18836736
1997 4 51 204 16 51.7382 -0.7382 0.54493924
1998 5 54 270 25 57.262 -3.262 10.640644
1999 6 60 360 36 62.7858 -2.7858 7.76068164
2000 7 71 497 49 68.3096 2.6904 7.23825216
2001 8 75 600 64 73.8334 1.1666 1.36095556
36 436 2194 204 32.4761906

a= 29.643
b= 5.5238 80
y = 5.5238x + 29.643
70
Error Estándar
Syt = 2.33
60

Syt = √∑(Yt - Ŷt)^2)/n-2 50

Demanda (Yt)
40
Pronostico Ŷt
Mide la cantidad estándar en Linear (Demanda (Yt))
30
la cual los valores reales de Y
difieren de los valores 20
estimados de Y
10

0
0 2 4 6 8 10
Pronósticos de rango
Los pronósticos para periodos futuros son solo estimados y
están sujetos a errores.
Una manera de manejar la incertidumbre es desarrollar el
mejor pronóstico posible y los rangos dentro de los cuales es
probable que caigan los datos reales.
Los rangos de un pronóstico están definidos por los límites de
un intervalo de confianza. Los límites del pronóstico se
estiman como:

Límite superior = Ŷ + K(Syx)

Límite inferior = Ŷ - K(Syx)
donde:
Ŷ = pronóstico
K = número de desviaciones estándar
Syx = desviación estándar del pronóstico
PROYECCION DE LA RELACION CAUSAL

Cuando la ocurrencia de un evento causa la ocurrencia de otro.

ANALISIS DE REGRESION
Caso:

Una empresa que fabrica cajas de cartón hace cajas de pizzas. El

departamento de planeación de operaciones sabe que un pronóstico
adecuado y preciso de cajas de pizza de un cliente está en relación
estrecha con los gastos de promoción de éste, el cual se puede
obtener por adelantado antes de realizar el gasto. El departamento de
planeación de operaciones está interesado en establecer la relación
entre la promoción de la empresa de pizzas y las ventas. Una vez que
eso se haya establecido, las órdenes de compra de las cajas para
pizzas, en dólares, pueden expresarse como porcentaje fijo de
ventas.
Haciendo el cálculo de b y a, donde la publicidad es Xt para el
trimestre t, las ventas son Dt para el trimestre t y Ft es el pronóstico
para el futuro periodo t.
Por lo tanto, la recta estimada de regresión, la relación entre las
ventas futuras (Ft) y la publicidad (Xi) es:
Ft = 0.22 + 0.29Xt

En el ejemplo, quien hace la planeación de las operaciones puede

investigar los gastos planeados en publicidad y sobre esas ventas
puede hacer el pronóstico. Por ejemplo, la publicidad del próximo
trimestre se espera que tenga un monto de 1’100,000 dólares.
Sustituyendo 11 para Xt en la ecuación anterior se tendrá:
Ft = 0.22 + 0.29(11) = 3.41
COEFICIENTE DE CORRELACION:
El coeficiente de correlación lineal nos permite determinar si,
efectivamente, existe relación entre las dos variables. Una vez que
se concluye que sí existe relación, la regresión nos permite definir
la recta que mejor se ajusta a esta nube de puntos.

ANALISIS DE REGRESION

Dos variables con una relación perfecta lineal negativa tienen un

coeficiente de correlación igual a -1. En el otro extremo, dos
variables con una relación perfecta positiva tienen un coeficiente de
correlación de +1.

Por lo tanto, el coeficiente de correlación varía entre -1 y +1

incluyéndolos.
COEFICIENTE DE CORRELACION:
El diagrama de dispersión (a) de la
figura ilustra una situación que
produciría un coeficiente de
correlación de +1.

El diagrama de dispersión (b) de esa

misma figura tiene un coeficiente de
correlación de -1.

Los diagramas (e) y (f) muestran dos

variables que no están linealmente
relacionadas. El coeficiente de
correlación para esta relación es igual
a 0, es decir, no hay relación lineal
presente.
COEFICIENTE DE CORRELACION:

Cuando se toma una muestra aleatoria de datos n de una población

bajo investigación. La fórmula para el coeficiente de correlación es:
Ejemplo
Coeficiente de correlación
Coeficiente de determinación
r2 = (.9829)2 = .966
Métodos Estacionales

• Los datos muestran alguna tendencia creciente a lo largo del

tiempo, además de una marcada estacionalidad. Se procederá a
desestacionalizar los datos, lo que permite observar hasta donde
las variaciones se deben a efectos estacionales o bien, a otros
factores.

• El proceso de ajuste estacional se realizará a través del cálculo de

factores estacionales:

• Factor estacional = Prom. periodo / prom. global

Año Trim. Yt
1 1 136
2 129
3 131
4 165
2 1 145
2 141
3 156
4 174
3 1 140
2 136
3 159
4 193
Aplicación de varios métodos a datos desestacionalizados

20000

19000

18000

17000

16000

15000

14000

13000

12000

11000

10000
1 2 3 4 1 2 3 4 1 2 3 4
Trim estres
Año Trim. Yt Yt ajust.
1 1 136 145.77
2 129 143.38
3 131 132.54
4 165 139.96
2 1 145 155.42
2 141 156.71
3 156 157.84
4 174 147.59
3 1 140 150.06
2 136 151.16
3 159 160.87
4 193 16371
 Año Factor
T 1 2 3 Suma Prom Estac.
1 136 145 140 421 140.33 0.9330
2 129 141 136 406 135.33 0.8997
3 131 155 159 446 148.67 0.9884
4 165 174 193 532 177.33 1.1789
Total 601.67
Prom. 150.42
Año Trim. Yt Yt ajust.
1 1 136 145.77
2 129 143.38
3 131 132.54
4 165 139.96
2 1 145 155.42
2 141 156.71
3 156 157.84
4 174 147.59
3 1 140 150.06
2 136 151.16
3 159 160.87
4 193 16371