PRONOSTICOS

FACULTAD DE INGENIERIAS
Programa de Tecnología en Industrial
Modelos de Pronósticos 1
 Regresión lineal
Es una técnica que
Actual
establece una relación observation Deviation
entre variables. Una de las
variables se conoce y se

Values of Dependent Variable

Deviation
utiliza para pronosticar el Deviation

valor de la variable Deviation

Point on
Deviation
aleatoria desconocida. De regression
los datos anteriores se Deviation
line
Deviation
establece una relación
funcional entre las Yˆ  a  bx
variables. Time
La representación de la
relación entre las dos
variables es una Línea
Recta.

Modelos de Pronósticos 2
 Regresión lineal
Este método se utiliza cuando la
gráfica de los datos sugiere que
el patrón subyacente es una
línea recta o casi, además,
cuando los datos son lineales y
estables.
Su desventaja radica en que
requiere muchos datos y además
es costoso, si se realiza las
operaciones aritmética requeridas
periodo por periodo o semanal
para miles de productos
procedentes del proceso
productivo

Modelos de Pronósticos 3
 Regresión lineal

Explica la relación entre una variable dependiente y

una independiente.
Ejemplo: Demanda vs tiempo

Y-intercepto Pendiente

^
Yi = a + bX i
Variable Dependiente Variable independiente

Modelos de Pronósticos 4
 Regresión lineal
Hay que tener en cuenta que de acuerdo a la relación que
exista entre las variables el valor de b puede tomar valores
positivos o negativos

Yi  a  bX i
Y b>0
a

b<0

a
Time, X
Modelos de Pronósticos 6
 Regresión lineal
La forma del cálculo es la siguiente:

n ( Xt . Dt )  ( Xt )( Dt )
Regresión Lineal Y = a + bX b
Donde: Y: Variable Independiente
n (  X t 2 )  (  Xt ) 2
a: Intersección con el eje “y”.  Dt  b ( Xt )
b: pendiente de la Recta. a
X: Variable dependiente n
Dt: Demanda Histórica

Regresión Lineal por Y = a + bX ( Xt . Dt )  nXt . D t

b
mínimos cuadrados ( Xt 2 )  nXt 2
Donde: Y: Promedio de la
Demanda a  D t  bXt
histórica
X: Promedio de las x.

Modelos de Pronósticos 7
 Coeficiente de
Correlación
Establece que tan fuerte
es la relación entre las
variables
El coeficiente de
correlación se denota por r
Toma Valores entre -1 y +1
Es una mediada de
agregación de los datos
Se calcula por definición

Modelos de Pronósticos 8
 Coeficiente de
Correlación

Perfect Perfect
Negative No Correlation Positive
Correlation Correlation

-1.0 -.5 0 +.5 +1.0

Increasing degree of Increasing degree of

negative correlation positive correlation

Modelos de Pronósticos 9
Coeficiente de Correlación

Modelos de Pronósticos 10
 Coeficiente de
Correlación
La forma del cálculo es la siguiente:
n
 ( yi  Y i )
2
 Y 2  a  Y  b  XY
Determinación Sxy  t 1
Sxy 
del Error n2 n2
Donde: Yi: Valor de las Y teniendo en cuenta la ecuación de la recta
yi: Valor de las y del problema
n: Número de datos.

Coeficiente de Determinación (r2) : Representa la proporción de variación

en“D” que se explica por la relación con “x”. El valor restante , es decir,
(1-r2) representa la variación debido al azar o a factores externos a x.
Ejemplo: el valor de r2 = 0.8 indica que el 80% de los datos de la demanda
se pueden predecir mediante la línea de regresión con x, solo el 20% se debe
al azar
r2 

n( Xt . Dt )  ( Xt )( Dt )
  
2

  
n(  Xt 2 )  (  Xt ) 2 * n(  Dt 2 )  (  Dt ) 2 
Modelos de Pronósticos 11
 Ejemplo aplicativo

Semana Pacientes
450 — 1 400
2 380
430 —
3 411
4 415
410 —
5 392
Pacientes

6 375
390 —
7 410
370 — Demanda
actual de Pacientes

| | | | | |
0 5 10 15 20 25 30
Semanas
Modelos de Pronósticos 12
 Regresión lineal

Semana Pacientes
450 — 1 400 n XY – X  Y
2 380 b=
430 — 3 411 n X 2 – (X) 2
4 415
410 — 5 392 a = Y – b X
6 375
n
Pacientes

390 — 7 410

370 — Actual patient

arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 13
 Regresión lineal

Sem Pacientes
(X) (Y) (XY) X2 Y2
450 —
1 400 400 1 160.000
430 — 2 380 760 4 144.400
3 411 1233 9 168.921
410 — 4 415 1660 16 172.225
5 392 1960 25 153.664
Pacientes

390 — 6 375 2250 36 140.625

7 410 2870 49 168.100
370 — Actual patient
arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 14
 Regresión lineal

Sem Pacientes
(X) (Y) (XY) X2 Y2
450 —
1 400 400 1 160.000
430 — 2 380 760 4 144.400
3 411 1233 9 168.921
410 — 4 415 1660 16 172.225
5 392 1960 25 153.664
Pacientes

390 — 6 375 2250 36 140.625

7 410 2870 49 168.100
370 — Actual28patient 2.783 11133 140 1.107.935
arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 15
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

arrivals n XY – X  Y
b =|
| |
n X 2 –
|
(X) 2 | |
0 5 10 15 20 25 30

Modelos de Pronósticos 16
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

arrivals

| |
b =| 7 (11.133) – (28)(2783)
7| (140)– (28)
| 2 |
0 5 10 15 20 25 30

Modelos de Pronósticos 17
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

arrivals

| |
b =| 0.04 | | |
0 5 10 15 20 25 30

Modelos de Pronósticos 18
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

arrivals
a= Y  – b X
| | | n | | |
0 5 10 15 20 25 30

Modelos de Pronósticos 19
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

arrivals

| |
a =| (2783) |– (0.04)(28)
| |
7
0 5 10 15 20 25 30

Modelos de Pronósticos 20
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

arrivals

| |
a =| 397.43| | |
0 5 10 15 20 25 30

Modelos de Pronósticos 21
 Regresión lineal
Sem Pacientes
(X) (Y) (XY) X2 Y2
450 — 1 400 400 1 160.000
2 380 760 4 144.400
430 — 3 411 1233 9 168.921
4 415 1660 16 172.225
410 — 5 392 1960 25 153.664
6 375 2250 36 140.625
Pacientes

7 410 2870 49 168.100

390 —
28 2.783 11133 140 1.107.935

370 — Actual patient

Y=a
arrivals + bX
| | Y=| 397.43| + 0.04X
| |
0 5 10 15 20 25 30

Modelos de Pronósticos 22
 Regresión lineal

450 — Y= 397.43 + 0.04X

430 —

410 —
Pacientes

390 —

370 — Actual patient

arrivals

| | | | | |
0 5 10 15 20 25 30

Modelos de Pronósticos 23
 Regresión lineal

Ventas Publicidad
Mes (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0

Modelos de Pronósticos 24
 Regresión lineal

Ventas Publicidad
Mes (000 units) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0

XY – nXY
a = Y – bX b=
X 2 – nX 2
Modelos de Pronósticos 25
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681

XY – nXY
a = Y – bX b=
X 2 – nX 2

Modelos de Pronósticos 26
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

XY – nXY
a = Y – bX b=
X 2 – nX 2
Modelos de Pronósticos 27
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
1560.8 – 5(1.64)(171)
a = Y – bX b=
14.90 – 5(1.64)2

Modelos de Pronósticos 28
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

a = Y – bX b = 109.229

Modelos de Pronósticos 29
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

a = 171 – 109.229(1.64) b = 109.229

Modelos de Pronósticos 30
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

a = – 8.136 b = 109.229

Modelos de Pronósticos 31
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

a = – 8.136 b = 109.229
Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 32
 Regresión lineal
300 —

Sales (thousands of units) Sales,

— Y
Advertising, X
250
Month (000 units) (000 $) XY X2 Y2
1 200264
— 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 150101
— 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 100855
— 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
| | | |
50 1.0 1.5 2.0 2.5
a = - 8.136 = 109.229
Advertisingb(thousands of dollars)

Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 33
 Regresión lineal
300 —

Sales (thousands of units) Sales,

— Y
Advertising, X
250
Month (000 units) (000 $) XY X2 Y2
1 200264
— 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 150101
— 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 100855
— 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
| | | |
50 1.0 1.5 2.0 2.5
a = - 8.136 = 109.229
Advertisingb(thousands of dollars)

Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 34
 Regresión lineal
300 —

Sales (thousands of units) Sales,

— Y
Advertising, X
250
Month (000 units) (000 $) XY X2 Y2
1 200264
— 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 150101
— 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 100855
— 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
| | | |
50 1.0 1.5 2.0 2.5
a = - 8.136 = 109.229
Advertisingb(thousands of dollars)

Y = – 8.136 + 109.229(X)
Modelos de Pronósticos 35
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

Modelos de Pronósticos 36
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

nXY – X Y
r=
[nX 2 – (X) 2][nY 2 – (Y) 2]

Modelos de Pronósticos 37
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

r = 0.98

Modelos de Pronósticos 38
 Regresión lineal

Ventas, Y Publicidad, X
Mes (000 units) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

r = 0.98 r 2 = 0.96 YX = 15.61

Modelos de Pronósticos 39
 Regresión lineal

Sales, Y Advertising, X
Month (000 units) (000 $) XY X2 Y2
1
El 264
Pronostico 2.5
de las Ventas
660.0
para
6.25 69,696
2 el116
mes 6: 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 de publicidad
Gastos 1.0 101.0
= $17501.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2109.229(1.75)
Y = - 8.136 + 1560.8 14.90 164,259
Y = 171 X = 1.64

r = 0.98 r 2 = 0.96 YX = 15.61

Modelos de Pronósticos 40
 Regresión lineal

Sales, Y Advertising, X
Month (000 units) (000 $) XY X2 Y2
1
El 264
Pronostico 2.5
para el660.0
mes 6: 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 Y 165
= 183.015 unidades
1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64

r = 0.98 r 2 = 0.96 YX = 15.61

Modelos de Pronósticos 41
Suavizamiento exponencial con
tendencia
Una tendencia ascendente o
descendente de los datos
recopilados durante una secuencia
de periodos de tiempo hace que la
proyección por medio del
Suavizamiento Exponencial Simple
se quede siempre detrás (por
encima o por debajo). Teniendo en
cuenta esta situación se puede
realizar una aproximación más
cercana a la demanda incluyendo
dentro de la ecuación de
Suavizamiento Exponencial
Simple un ajuste por medio de un
Factor de Tendencia o constante
de ajuste Beta (), la cual reduce el
impacto del error que se presenta
entre la realidad y la proyección

Modelos de Pronósticos 42
Suavizamiento exponencial con
tendencia
La forma del cálculo del pronóstico es la siguiente:

PTAt  K  PSt  KTt

Donde:
PSt+1 = Valor Suavizado exponencialmente para el periodo
t+1
α = Valor seleccionado para alfa.
Dt = Demanda Real del periodo t.
Tt = Estimado de la Tendencia para el periodo t.
 = valor estimado para Beta.
PTAt = Predicción de tendencia ajustada para el periodo t

Modelos de Pronósticos 43
Suavizamiento exponencial con
tendencia
La forma del cálculo del pronóstico es la siguiente:

PTAt  K  PSt  KTt

PSt 1  PTAt   (Dt  PTAt )

Tt 1  Tt   (Dt  PTAt )

Modelos de Pronósticos 44
Selección de la constante Alfa
(α)
Claramente, los resultados de los
pronósticos de suavización
exponencial dependen del valor de la
constante de suavización α. El valor
de α no debe ser ni muy grande que
el pronóstico responda
aceleradamente a cambios aleatorios
normales del proceso, ni muy
pequeño, con el efecto contrario de
no responder a posibles cambios
reales.

Una forma eficiente de determinar

el valor adecuado de α es a través
de la simulación del pronóstico.

Modelos de Pronósticos 45
 Selección de la constante Alfa
(α)
Demanda Estable
Valor de Alfa (α):
0.1< α < 0.3

Demanda Medio Estable Demanda Inestable

Valor de Alfa (α): Valor de Alfa (α):
0.4< α < 0.6 0.7< α < 0.9

Modelos de Pronósticos 46
Selección de la constante Beta
(β)
Demanda Estable
Valor de Beta (β):
0.1< β< 0.3

Demanda Medio Estable Demanda Inestable

Valor de Beta (β): Valor de Beta (β):
0.4< β< 0.6 0.7< β< 0.9

Modelos de Pronósticos 47
Relación entre Alfa (α) y Beta
(β)

Alfa = 0.9

Beta = 0.1

Modelos de Pronósticos 48
 Ejemplo aplicativo

Semana Pacientes
450 — 1 400
2 380
430 —
3 411
4 415
410 —
5 392
Pacientes

6 375
390 —
7 410
370 — Demanda
actual de Pacientes

| | | | | |
0 5 10 15 20 25 30
Semanas
Modelos de Pronósticos 49
 Suavizamiento exponencial con
tendencia
Lo primero que se debe
determinar son los valores
450 — correspondientes a la regresión
lineal para definir la característica
430 — de la tendencia:

410 —
Pacientes

390 —

370 — Actual patient

arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 50
 Suavizamiento exponencial con
tendencia

450 — Y= 398.94 + 0.44X

430 —

410 —
Pacientes

390 —

370 — Actual patient

arrivals

| | | | | |
0 5 10 15 20 25 30

Modelos de Pronósticos 51
 Suavizamiento exponencial con
tendencia
Constantes:
Alfa (α) = 0.6
450 — El valor de beta se puede definir
entre 0.1 y 0.3, por lo tanto
430 — asumimos:
Beta (β) = 0.3
410 — El valor de T inicial es igual al
valor de b de la regresión lineal:
Pacientes

390 — T2 = 0.04
Con esto realizamos los cálculos
370 — Actual patient
arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 52
 Suavizamiento exponencial con
tendencia

Como se requiere un valor de un

450 — pronostico inicial se asume como
valor la demanda real de la
430 — primera semana

410 — Semana Pacientes

1 400
Pacientes

390 —
F1 = 400
370 —

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 53
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 2 es igual a:
430 — PTAt +1 = PSt + kTt
PSt +1 = PTAt + (Dt – PTAt )
410 —
PS2 = 400 + 0.60(400-400)
Pacientes

390 —
PS2 = 400
370 — Actual patient
arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 54
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 2 es igual a:
430 — PTAt +1 = PSt + kTt
Tt +1 = Tt + β(Dt – PTAt )
410 —
T2 = 0.04
Pacientes

390 —
PTA2 = 400 +0.04
370 — Actual patient
PTA = 400.04
arrivals 2

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 55
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 2 es igual a:
430 — PTAt +1 = PSt + kTt
Tt +1 = Tt + β(Dt – PTAt )
410 —
T2 = 0.04
Pacientes

390 —
PTA2 = 400 +0.44
370 — Actual patient
PTA = 400.44
arrivals 2

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 56
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 3 es igual a:
430 — PTAt +1 = PSt + kTt
PSt +1 = PTAt + (Dt – PTAt )
410 —
PS3 = 400.44 + 0.60(380-400.44)
Pacientes

390 —
PS3 = 388.18
370 — Actual patient
arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 57
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 3 es igual a:
430 — PTAt +1 = PSt + kTt
Tt +1 = Tt + β(Dt – PTAt )
410 —
T3 = 0.44 + 0.6*0.3*(380-400.44)
Pacientes

390 —
T3 = - 3.24
370 — Actual patient
PTA = 388.18 – 3.24
arrivals 3

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 58
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 3 es igual a:
430 — PTAt +1 = PSt + kTt
PSt +1 = PTAt + (Dt – PTAt )
410 —
Tt +1 = Tt + β(Dt – PTAt )
Pacientes

390 —
PTA3 = 388.18 – 3.24
370 — Actual patient
PTA = 384.94
arrivals 3

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 59
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 4 es igual a:
430 — PTAt +1 = PSt + kTt
PSt +1 = PTAt + (Dt – PTAt )
410 —
PS4 = 384.94 + 0.60(411- 384.94)
Pacientes

390 —
PS4 = 400.58
370 — Actual patient
arrivals

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 60
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 4 es igual a:
430 — PTAt +1 = PSt + kTt
Tt +1 = Tt + β(Dt – PTAt )
410 —
T4 = - 3.24 + 0.6*0.3*(411- 384.94)
Pacientes

390 —
T4 = 1.46
370 — Actual patient
PTA = 400.58 + 1.46
arrivals 4

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 61
 Suavizamiento exponencial con
tendencia

El valor del pronostico para la

450 — semana 4 es igual a:
430 — PTAt +1 = PSt + kTt
PSt +1 = PTAt + (Dt – PTAt )
410 —
Tt +1 = Tt + β(Dt – PTAt )
Pacientes

390 —
PTA4 = 400.58 + 1.46
370 — Actual patient
PTA = 402.03
arrivals 4

| | | | | |
0 5 10 15 20 25 30
Semana
Modelos de Pronósticos 62
 Suavizamiento exponencial con
tendencia

450 — Suavizamiento
Exponencial Doble
430 —
Patient arrivals

410 —

390 —

370 — Demanda de
Pacientes
Actual
| | | | | |
0 5 10 15 20 25 30
Week
Modelos de Pronósticos 63
 Suavizamiento exponencial con
tendencia
SUAVIZAMIENTO EXPONENCIAL DOBLE
DEMANDA SEÑAL DE
PERIODO SEMANA PS T PTA DMA SESGO ECM EPMA
(PACIENTES) RASTREO

1 1 400 400 0,00 0,00 0 0,00%

2 2 380 400,00 0,04 400,04 20,04 -20,04 401 5,27%
3 3 411 388,01 -3,57 384,44 26,56 26,56 705 6,46%
4 4 415 400,38 1,21 401,59 13,41 13,41 180 3,23%
5 5 392 409,63 3,62 413,26 21,26 -21,26 452 5,42%
6 6 375 400,50 -0,20 400,30 25,30 -25,30 640 6,75%
7 7 410 385,12 -4,76 380,36 29,64 29,64 878 7,23%

SUMATORIAS 136,20 3,01 3256,96 34,36%

PROMEDIO 19,46 0,43 0,15 465,28 4,91%

ALFA 0,6
BETA 0,3
T INICIAL 0,04

PRONOSTICO SUAVIZAMIENTO EXPONENCIAL DOBLE

DE LA DEMANDA
420

410
DEMANDA (Unidades)

400 DEMANDA
(PACIENTES)

390

380
Modelos de Pronósticos 64
370
Suavizamiento exponencial con
tendencia

RESUMEN DATOS OBTENIDOS

DMA 19.46 Pacientes

SESGO 0.43 Pacientes
SR 0.25
ECM 465.28 Pacientes2
EPMA 4.91%

Modelos de Pronósticos 65
 Ejercicio aplicativo

80 — Semana Req
bolsas
70 — de sangre
1 28
Patient arrivals

60 — 2 45
3 38
50 — 4 35
5 55
40 — 6 40
7 62
30 — 8 68
9 40
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10
10 11 12 13 58
14 15
Week
Modelos de Pronósticos 66
 Desestacionalización
La Descomposición se refiere básicamente a identificar y separar
los componentes de estacionalidad. En la práctica es fácil identificar
los elementos de la tendencia y el componente estacional. Es más
difícil identificar los ciclos, la autocorrelación y los
componentes estacionales.

Modelos de Pronósticos 67
 Desestacionalización
Existen dos tipos de efectos de tendencia: la Variación
Estacional aditiva y la multiplicativa.

(b) Additive pattern (a) Multiplicative pattern

Demand
Demand

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16 0 2 4 5 8 10 12 14 16
Period Period

Modelos de Pronósticos 68
 Desestacionalización
Existen tres experiencias
en particular o modelos de
estacionalidad:
Proporción simple
Desestacionalización con
tendencia ajustada
manualmente
Desestacionalización con
Regresión lineal

Modelos de Pronósticos 69
 Desestacionalización con tendencia
ajustada Manualmente

650 —

550 —
AÑO PERIODO TRIMESTRE DEMANDA

450 — 1 I 300
2 II 200
96
Unidades

3 III 220
350 — 4 IV 530
5 I 520
250 — 6 II 420
97
7 III 400
8 IV 700
| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 70
 Desestacionalización con tendencia
ajustada Manualmente

650 —

550 —

450 —
Unidades

350 —

250 — Calculamos Gráficamente la

demanda Promedio de los datos
trazando una línea recta que
| | | | | | | |
0 1 2 3 4 pase
5 por
6 el medio
7 8 de ellos
Trimestres
Modelos de Pronósticos 71
 Desestacionalización con tendencia
ajustada Manualmente

Y = 220 + 53.3 X
Punto 2 (4, 406.6)
650 —

550 —
Punto 1 (2, 300) Encontramos el valor de la
450 — ecuación de la recta Y = a +
bX
Unidades

350 —
Donde a = 220 y
250 — b = Y2 – Y1
X2 – X1
| | | | | b| = 406.6
| – 300
| = 53.3
0 1 2 3 4 5 6 47- 2 8
Trimestres
Modelos de Pronósticos 72
 Desestacionalización con tendencia
ajustada Manualmente

Encontramos los valores de la

650 —
demanda promedio por medio
de la ecuación de la recta y
550 —
calculamos los factores de
estacionalidad en cada periodo
450 —
Unidades

350 —

250 —

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 73
 Desestacionalización con tendencia
ajustada Manualmente
ECUACION FACTOR FACTOR
AÑO PERIODO TRIMESTRE DEMANDA ESTACIONAL PROMEDIO
RECTA
1 I 300 273 1,10 1,08
2 II 200 327 0,61 0,70
96
650 — 3 III 220 380 0,58 0,63
4 IV 530 433 1,22 1,15
5 I 520 487 1,07
6 II 420 540 0,78
550 — 97
7 III 400 593 0,67
8 IV 700 647 1,08
9 I 758 700
450 — 10 II 524 753
98
11 III 505 807
Unidades

12 IV 991 860
350 —

250 —
Demanda trim I 98:
Demanda Real = FE * Dem. Prom.
Demanda Real = 1.08 * 700
| | | | | | Real
Demanda | = 758
|
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 74
 Desestacionalización con tendencia
ajustada con Regresión Lineal
Existen cuatro elementos x ciclo

650 —

550 —

450 —
Unidades

350 —

250 — Primero se identifica cuales son

los elementos que componen el
| | | | |ciclo,| es decir,
| |donde se repite el
0 1 2 3 4 5comportamiento
6 7 8 gráficamente
Trimestres
Modelos de Pronósticos 75
 Desestacionalización con tendencia
ajustada con Regresión Lineal
Calculamos el Promedio General de los datos:
Prom. General = (300+200+220+530+520+420+400+700)
650 — 8
Prom. General = 411.25
550 —

450 —
Unidades

350 —

250 —

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 76
 Desestacionalización con tendencia
ajustada con Regresión Lineal

Calculamos el Promedio por cada

elemento del ciclo:
650 —
Prom. Trim 1 ciclo = (300+520)/2 = 410
550 —
Prom. Trim 2 ciclo = (200+420)/2 = 310
450 —
Unidades

Prom. Trim 3 ciclo = (220+400)/2 = 310

350 —

Prom. Trim 4 ciclo = (530+700)/2 = 615

250 —

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 77
 Desestacionalización con tendencia
ajustada con Regresión Lineal

Calculamos el Factor de
650 — Estacionalidad:

550 — FE 1 ciclo = 410/411.25 = 1.00

450 — FE 2 ciclo = 310/411.25 = 0.75

Unidades

350 — FE 3 ciclo = 310/411.25 = 0.75

250 — FE 4 ciclo = 615/411.25 = 1.50

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 78
 Desestacionalización con tendencia
ajustada con Regresión Lineal

650 —

550 —

450 —
Unidades

350 —

250 —

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 79
 Desestacionalización con tendencia
ajustada con Regresión Lineal
Y = 176 + 52,3 X

650 —

550 —

450 —
Unidades

350 —

250 —

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 80
 Desestacionalización con tendencia
ajustada con Regresión Lineal

650 —

550 —

450 —
Unidades

350 —

250 —

| | | | | | | |
0 1 2 3 4 5 6 7 8
Trimestres
Modelos de Pronósticos 81
 Desestacionalización con tendencia
ajustada con Regresión Lineal

1050 —

850 —

650 —

450 —

250 —
Unidades

| | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10
Trimestres
Modelos de Pronósticos 82
MUCHAS
GRACIAS¡
Modelos de Pronósticos 83