Logística Industrial

Programa Académico de
Ingeniería Industrial
Sistemas de Pronósticos de Demanda

Presentado por: Carlos Julio Vidal H.

Escuela de Ingeniería Industrial y Estadística
Universidad del Valle, Cali, Colombia
 Contenido
 Introducción a los pronósticos
 Elementos de tiempo en un sistema de pronósticos
 Causas de imprecisión en un sistema de pronósticos
 El sistema de pronósticos y la clasificación ABC
 Selección de sistemas de pronósticos
 Medición de errores de pronósticos
 Pronósticos de promedio móvil
 Pronósticos de suavización exponencial simple
 Pronósticos de suavización exponencial doble
 Pronósticos de demanda estacional
 Definición de Pronóstico
 Método Estadístico que analiza los datos históricos de la
demanda, para suministrar un valor estimado de esta misma
en un futuro.
 Los sistemas de pronósticos se utilizan usualmente en la
predicción de eventos futuros como:
 Planeación de Producción
 Planeación Financiera
 Control de Procesos
 Planeación de Inversiones
 Planeación de actividades de servicio
 Administración de Inventarios
 Tipos de sistemas de pronósticos
 Métodos cualitativos: Fundamentalmente subjetivos y
cuando hay carencia de datos históricos.
 Métodos de series de tiempo: Métodos cuantitativos
estadísticos que utilizan datos históricos.
 Métodos causales: Asumen alta correlación entre los
pronósticos de demanda y ciertos factores externos, como
por ejemplo, la economía del país, la población, etc.
 Métodos de simulación: Generalmente combinan series
de tiempo con métodos causales.
 Combinaciones de los métodos anteriores: Son
usualmente los métodos más efectivos.
 Pasos fundamentales para implementar un
sistema efectivo de pronósticos (1)
1. Comprender el objetivo de los pronósticos: Un sistema de
pronósticos puede tener diversos objetivos y puede
involucrar varias etapas de la cadena de suministro.
2. Integrar la planeación de la demanda con los
pronósticos: Deben considerarse la planeación de
capacidad, la planeación de producción, el mercadeo y las
promociones y las actividades de compras (Integración a
nivel del sistema de información y del personal).
3. Identificar los factores básicos que influencian el
pronóstico: Factores como demanda (patrón de demanda y
nó de ventas), suministro (especialmente con relación a su
Lead Time) y fenómenos relativos a los productos
(interrelaciones entre productos y pronóstico conjunto).
Pasos fundamentales para implementar un
sistema efectivo de pronósticos (2)
4. Identificar y comprender la segmentación de clientes:
Agrupar clientes por sus similitudes en niveles de servicio,
volúmenes de demanda, frecuencia de órdenes, volatilidad
de la demanda y estacionalidad. Utilizar diferentes métodos
de pronósticos para cada segmento puede ser muy útil.
5. Determinar la técnica apropiada de pronósticos:
Comprender los aspectos relevantes para el sistema de
pronósticos, tales como el área geográfica, los grupos de
productos y la segmentación de clientes.
6. Establecer mediciones del error del pronóstico: Medir
los errores del pronóstico provee de una poderosa
herramienta de control de inventarios.
Ambiente general de un sistema de
pronósticos
DATOS
HISTÓRICOS Posible modificación del
modelo o sus parámetros
Selección e inicialización
del modelo

MODELO
MATEMÁTICO
Demanda real
observada
INTERVENCIÓN Pronóstico
HUMANA estadístico
CÁLCULO DE
PRONÓSTICO DE ERRORES DE
DEMANDA PRONÓSTICO
 Objetivos de los pronósticos
 Inferir mediante herramientas matemáticas y
cualitativas, cual será el comportamiento de la(s)
variable(s) de interés de un proceso en el futuro.
– Conocer la variabilidad del proceso.
– Determinar el tipo de patrón que sigue el proceso
(uniforme, con tendencia, estacional, errático, etc.)
– Establecer herramientas de control, que mantengan el
proceso dentro de ciertos límites especificados.
– Reducir costos por inventarios excesivos.
– Reducir las pérdidas por no tener inventario disponible.
Conflicto de costos en un sistema de
pronósticos
Costo

Costo Total

Costo del pronóstico

Pérdidas debido
a la
incertidumbre
Nivel de esfuerzo para
Óptimo
generar el pronóstico
 Elementos de tiempo de un sistema
de pronósticos
Período del pronóstico:
Unidad básica de tiempo para la cual será realizado
el pronóstico. Por ejemplo, requerimos un pronóstico
para una semana.
 Horizonte del pronóstico :
Número de períodos en el futuro que será cubierto
por el pronóstico. Por ejemplo requerimos pronósticos
para las próximas diez semanas.
Intervalo del pronóstico :
Es la frecuencia con que el nuevo pronóstico será
preparado. A menudo coincide con el período del
pronóstico.
 Causas de imprecisión en los
sistemas de pronósticos
 Utilización de datos poco confiables
 Utilización de datos de ventas y nó de demanda
 Sesgos en los pronósticos
 Velocidad de respuesta al cambio
 Comportamiento de los proveedores
 Casos especiales de demanda en los pronósticos
 Selección del período de los pronósticos
 Demanda no servida
SEMANA VENTAS SEMANA DEMANDA
1 10 1 10
2 9 2 9
3 3 3 3
4 5 4 5
5 3 5 3
6 3 6 3
7 0 7 4
8 0 8 7
9 0 9 3
10 0 10 5
11 2 11 2
12 2 12 2
n n

x t x t
Demanda Promedio x  t 1
Demanda Promedio x  t 1
n n
Demanda Promedio  3.08 unidades Demanda Promedio  4.67 unidades
n 2 n 2

 x t  x  x t  x
Desviación Estándar  d  t 1
Desviación Estándar  d  t 1
n1 n1
Desviación Estándar  3.40 unidades Desviación Estándar  2.67 unidades
 Sistema de pronósticos y la
clasificación ABC
CARACTERÍSTICAS POLÍTICAS DE MÉTODOS DE
CONTROL CONTROL
 Ítems clase A (los más  Control estricto con  Monitoreo frecuente o
importantes) supervisión personal continuo
 Relativamente pocos  Comunicación directa  Registros precisos
ítems con la administración  Suavización
 El mayor porcentaje y los proveedores exponencial doble
del volumen de ventas  Aproximación a Justo  Políticas basadas en el
(en $) a Tiempo y stock nivel de servicio al
balanceado cliente
 Cubrimiento de
existencias entre 1 y 4
semanas
 Sistema de pronósticos y la
clasificación ABC
CARACTERÍSTICAS POLÍTICAS DE MÉTODOS DE
CONTROL CONTROL
 Ítems clase B  Control clásico de  Sistema de control
 Ítems importantes inventarios computarizado clásico
 Volumen de ventas (en  Administración por  Suavización
$) considerable excepción exponencial simple
 Cubrimiento de  Reporte por
existencias entre 2 y8 excepciones
semanas
 Sistema de pronósticos y la
clasificación ABC
CARACTERÍSTICAS POLÍTICAS DE MÉTODOS DE
CONTROL CONTROL
 Ítems clase C  Supervisión mínima  Sistema de control
 Muchos ítems  Pedidos bajo orden simple
 Bajo volumen de  Tamaños de orden  Promedio móvil
ventas (en $), pocos grandes (aceptar el pronóstico)
movimientos o ítems  Políticas de cero o de  Evitar agotados y
de muy bajo valor alto inventario de exceso de inventario
unitario seguridad  Larga frecuencia de
 Cubrimiento de órdenes
existencias entre 3 y 20  Sistema automático
semanas
 Selección del sistema de
pronósticos
PATRÓN DE DEMANDA SISTEMA DE PRONÓSTICO
RECOMENDADO
Perpetua o uniforme Promedio móvil o suavización exponencial
simple

Con tendencia creciente o Suavización exponencial doble

decreciente

Estacional o periódica Modelos periódicos de Winters

Demandas altamente Métodos integrados de promedios móviles

correlacionadas auto-regresivos (ARIMA)

Errática (Ítems clase A de bajo Pronóstico combinado de tiempo entre la

movimiento) ocurrencia de demandas consecutivas y la
magnitud de las transacciones individuales
(Método de Croston y variaciones)
Medición de errores de pronósticos

Error del pronóstico et  x t  xˆ t

Error absoluto et  x t  xˆ t

Error cuadrático e  ( x t  x t )
2
t
ˆ 2
Medición del error del pronóstico
Desviación Absoluta Media :
n

x t  x̂ t
MAD  t 1
n
Error Cuadrático Medio :
n 2

 x t  xˆ t 
ECM  t 1

n
 Pronósticos de promedio móvil
 Adecuado para un modelo de demanda constante
más una variación aleatoria:
xt  b   t
b es una constante
 t es el error aleatorio  N ( 0 , ) 2

 Sugerido para los ítems clase C y posiblemente
para algunos B.
 Se le da el mismo peso a los últimos N datos de
demanda.
 Pronósticos de Promedio Móvil
Suma de demandas últimas N semanas
Pronóstico semanal 
N

xT  xT 1  xT  2  ...  xT  N 1
MT 
N

xT  xT  N
M T  M T 1 
N
 Ejemplo de promedio móvil
Semana Demanda Pronóstico Error Error Abs. Error cuadr.
0 85
1 43
2 47
3 48
4 73
5 23
6 116 Promedio = 59.42
7 67
8 39
9 81
10 67
11 58
12 51
13 52 59,42 -7,42 7,42 55,01
14 51 60,17 -9,17 9,17 84,03
15 65 60,50 4,50 4,50 20,25
16 56 61,92 -5,92 5,92 35,01
35 49 60,08 -11,08 11,08 122,84
36 80 60,33 19,67 19,67 386,78

sumas 19,42 277,92 4313,27

mad o ECM 11,58 179,72
Desv. std. est.  1 = 14,47 13,41
Pronósticos con promedio móvil
Ilustración en hoja de cálculo
Pronóstico de demanda uniforme
Promedio Móvil con N = 12
Demanda Pronóstico

140
120
100
Unidades

80
60
40
20
0
1
4
7
10
13
16
19
22
25
28
31
34
37
Tiempo (Semanas)
Simulación para escoger el mejor
valor de N
N M
AD EC M D
es
viaciónEs
tá
nda
rEs
timada= 1
1 ,2
5 *MA
D R
A I
Z (EC
M)
6 1
1,9
4 2
04,4
6 14,9
2 14,3
0
7 1
2,8
6 2
19,7
2 16,0
7 14,8
2
8 1
2,8
0 2
19,6
5 16,0
0 14,8
2
9 1
1,9
5 1
94,7
4 14,9
4 13,9
5
1
0 1
2,3
1 1
97,8
2 15,3
9 14,0
6
1
1 1
1,9
6 1
91,8
3 14,9
5 13,8
5
1
2 1
1,5
8 1
79,7
2 14,4
7 13,4
1
1
3 1
1,9
1 1
88,1
6 14,8
9 13,7
2
Suavización exponencial simple
 Adecuado para un modelo de demanda constante
más una variación aleatoria:
xt  b   t
b es una constante
 t es el error aleatorio  N ( 0 , ) 2


 Sugerido para los ítems clase B.

 Se le da pesos diferentes a las observaciones de
demanda (exponencial)
 Ecuaciones y arranque de la
suavización simple

ST  xT  (1   ) ST 1

Pronóstico  ST

S 0 se estima de datos históricos (promedio)

 Selección de 
 Se recomiendan valores mayores que 0.01 y
menores que 0.30.
 Se puede determinar un  óptimo, a través de la
simulación del pronóstico y con base en la MAD,
en el ECM o en otro criterio.
 Pueden utilizarse valores de  diferentes
dependiendo de la etapa del pronóstico.
 Existen métodos auto-adaptivos (automáticos).
Ejemplo de suavización simple
Semana Demanda ST Pronóstico Error Error Abs. Error cuadr.
1 85
2 43
3 47
4 48
5 73
6 23
7 116 Promedio = S 0 = 61,38
8 67
9 39
10 81
11 67
12 58
13 51 61,38
14 52 60,92 61,38 -9,38 9,38 88,07
15 51 60,42 60,92 -9,92 9,92 98,31
16 65 60,65 60,42 4,58 4,58 20,98
35 46 60,43 61,19 -15,19 15,19 230,59
36 49 59,85 60,43 -11,43 11,43 130,55
37 80 60,86 59,85 20,15 20,15 405,84

sumas -10,46 289,42 4385,95

ALPHA = 0,05 mad o ECM 12,059012 182,747833
Desv. std. est. 1 = 15,07 13,52
Ejemplo de suavización simple
Suavización simple con alpha = 0,05
Demanda Pronóstico

150
Unidades

100

50

0
1
4
7
10
13
16
19
22
25
28
31
34
37
Tiempo (Semanas)
Simulación para escoger el mejor
valor de  (Suavización simple)
ALPHA MAD ECM Desviación Estándar Estimada =  1
1,25*MAD RAIZ (ECM)
0,010 12,08 178,50 15,10 13,36
0,025 12,07 180,10 15,08 13,42
0,050 12,06 182,75 15,07 13,52
0,075 12,07 185,07 15,08 13,60
0,100 12,09 187,15 15,11 13,68
0,125 12,12 189,14 15,15 13,75
0,150 12,16 191,15 15,19 13,83
0,175 12,20 193,23 15,25 13,90
0,200 12,24 195,42 15,30 13,98
0,225 12,28 197,72 15,35 14,06
0,250 12,33 200,13 15,41 14,15
0,275 12,37 202,65 15,47 14,24
0,300 12,42 205,27 15,52 14,33
 Suavización exponencial doble
 Adecuada para un modelo de demanda con tendencia lineal
(creciente o decreciente) más una variación aleatoria:

x t  b1  b2 t   t ; b1 y b2 constantes
 Sugerida para los ítems clase A (y actualmente también para
los B).
 Ecuaciones y arranque un poco más complejos.
 La constante de suavización se puede escoger y optimizar
de manera semejante a la de la suavización simple.
Regresión lineal simple y
ecuaciones de suavización
exponencial doble
 Suavización doble:
Deducción de ecuaciones (1)
Operador ST  xT  (1   ) ST 1
Sesgo
( = 1 - )

Valor Esperado E ( ST )  E ( xT )  b2

 2  2
Doble operador ST  ST  (1   ) ST 1

 2 
Valor Esperado E ( ST )  E ( ST )  b2


b2 



E ( ST )  E ( ST 2  )  
E ( xT )  E ( ST )  b2

 Suavización doble:
Deducción de ecuaciones (2)
Buen estimador de b2 2

T T
ˆb (T )   S  S  2  
Reemplazando E ( xT )  2 E ( ST )  E ( ST 2  )

Buen estimador de xT ˆxT  2 ST  ST 2 

E ( x̂T )  2 E ( ST )  E ( ST 2  )
      
Valor Esperado E ( x̂T )  2 b1  b2T  b2    b1  b2T  b2  b2 
      
E ( x̂T )  b1  b2T (Estimador insesgado de xT )
 Suavización doble:
Deducción de ecuaciones (3)
Pronósticos  períodos adelante xˆ T  (T )  xˆ T  bˆ2 (T )
Reemplazando los estimadores de b2 y xT, se obtiene finalmente:

       2 
xˆ T  (T )   2   ST   1   ST
 1    1  

S 0 y S 0[ 2 ] se estiman de las siguientes ecuaciones :

1    2 1  
S0  b̂1 ( 0 )   b̂2 ( 0 ) S0  b̂1 ( 0 )  2 b̂2 ( 0 )
     
Donde : b̂1 ( 0 )  â1 ( 0 )  m b̂2 ( 0 )
 DEMANDA (Unidades)

0
10
20
30
40
50
60
70
80
1 90
4
7
10
13

a1(0)
16
19
22
25
28
31
34
37
40
43
46
Pendiente = b2(0)

49

SEMANAS
52
GRÁFICO EJEMPLO 3.4

55
58
61
64
b1(0)

67
70
73
76
79
82
85
88
 Ejemplo de suavización doble
Semana Demanda ST ST2 Pronóstico Error Error Abs. Error cuadr.
1 412
2 460
3 395
4 392
5 447
6 452 Pendiente b2 9,318681
7 571 Constante b1 401,153846
8 517 b1 corregido 522,29670
9 397
10 410
11 579
12 473
13 558 173,2046 -175,8876
14 538 182,69 -166,56 531,62 6,38 6,38 40,76
15 570 192,76 -157,22 541,27 28,73 28,73 825,64
16 600 203,35 -147,85 552,08 47,92 47,92 2296,02
35 793 387,52 31,09 741,31 51,69 51,69 2672,11
36 726 396,32 40,58 753,48 -27,48 27,48 754,90
37 777 406,22 50,09 761,56 15,44 15,44 238,35

sumas 277,98 885,33 69431,54

ALPHA = 0,026 mad o ECM 36,888777 2892,980728
Desv. std. est. 1 = 46,11 53,79
 Ejemplo suavización doble
Suavización doble con alpha = 0,026
Demanda Pronóstico

900
800
700
Unidades

600
500
400
300
200
100
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

Tiempo (Meses)
 Usando el modelo incorrecto
Suavización simple con alpha = 0,1
Demanda Pronóstico
900
800
700
Unidades

600
500
400
300
200
100
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

Tiempo (Meses)
 Estimación de la desviación
estándar de la demanda
sobre el Lead Time
1  1.25 * MAD Asume normalidad

1  ECM Válido para cualquier

distribución

Empíricamente se ha
 L  1 L encontrado válido para
muchas distribuciones
 Ejemplo real de un modelo de
despacho automático periódico

Demanda pronóstico simple nivel máximo

140
Demanda (Unidades)

120
100
80
60
40
20
0
1

10

13

16

19

22

25

28

37
31

34
Semanas
 Ejemplo real de un modelo de despacho
automático con demanda creciente (k = 1.65)
Demanda pronóstico doble nivel máximo

100
Demanda (Unidades)

80

60

40

20

0
19
10
13
16

22
25
28
31
34
37
1
4
7

Semanas
 Ejemplo real de un modelo de despacho
automático con demanda creciente (k = 1.45)
Demanda pronóstico doble nivel máximo

100
80
Demanda (Unidades)

60
40
20
0
1

13

16

19

22

28

31

34

37
10

25
Semanas
 Objetivo principal del
sistema de pronósticos
Especificación del valor Características principales
mínimo de k aceptable
Regla de decisión para
determinar el factor de
seguridad k
relativas al ítem:
(Q, v, r, etc.)
SISTEMA DE
PRONÓSTICOS:
ˆ 1  ECM , ó
ˆ 1  1.25 * MAD
d̂  Pr onóstico

Desviación estándar, ˆ L  ˆ 1 L
s  x̂ L  kˆ L Pronóstico de demanda, x̂ L  d̂L

Ajuste manual del

punto de reorden s

Figura 5.3. Metodología general para determinar el punto de reorden s

[Fuente: Complementada de Silver et al. (1998)]
Pronósticos de Demanda Estacional
x t  (b1  b2 t )ct   t

Componente permanente: a1 (T )  b1  b2T

Factor estacional multiplicativo: ct

Componente aleatoria: t
Longitud del período estacional: L periodos
Se dispone de datos para las últimas m estaciones
Actualización de los parámetros del modelo
Componente permanente:

aˆ1 (T )  
xT
cˆT (T  L)

 (1   ) aˆ1 (T  1)  bˆ2 (T  1) 
Tendencia: bˆ2 (T )    aˆ 1 (T )  aˆ 1 (T  1)  (1   )bˆ2 (T  1)

xT
Factor estacional:
cˆT (T )    (1   )cˆT (T  L)
aˆ 1 (T )
Fórmula para calcular el pronóstico:

 
xˆ T  (T )  aˆ1 (T )  bˆ2 (T ) cˆT  (T    L)
Inicialización del sistema de pronósticos
Tendencia: ˆb (0)  x m  x1
2
( m  1) L

Lˆ
Componente permanente: aˆ 1 (0)  x1  b2 (0)
2
Factores estacionales:
xt
cˆ t  , para t  1,2,..., mL
x i   ( L  1) / 2  j  bˆ2 (0)

L
1 m 1 cˆ t (0)  c t , para t  1,2,..., L
c t   cˆ t  kL , para t  1,2,..., L
L

m k 0 c
t 1
t
Ejemplo de demanda estacional: Consumo de
gas natural en EEUU (1987 – 1992)
1.800,0

1.600,0

1.400,0
Demanda (Trillones de BTU)

1.200,0

1.000,0

800,0

600,0

400,0

200,0

0,0
1

25

28

46

64

70
10

13

16

19

22

31

34

37

40

43

49

52

55

58

61

67
Mes
Ejemplo de demanda estacional
M ES D EMA ND A ME S D E MAN DA ME S D EMA ND A
1 1 .4 9 9 ,2 13 1 .6 3 3 , 2 25 1 .3 6 1 , 0
2 1 .3 1 6 ,5 14 1 .4 6 2 , 6 26 1 .4 1 6 , 3
3 1 .1 5 5 ,5 15 1 .1 7 8 , 1 27 1 .2 6 5 , 7
4 92 6 ,0 16 8 3 0 ,0 28 85 1 ,3
5 63 0 ,5 17 6 0 6 ,5 29 60 4 ,8
6 52 0 ,3 18 5 1 3 ,7 30 47 4 ,6
7 53 1 ,6 19 5 4 3 ,4 31 50 7 ,3
8 58 6 ,2 20 6 0 4 ,8 32 51 9 ,8
9 51 8 ,8 21 5 2 8 ,0 33 47 1 ,4
10 70 4 ,2 22 6 7 1 ,3 34 69 4 ,9
11 87 8 ,4 23 8 8 9 ,7 35 90 1 ,3
12 1 .2 7 6 ,2 24 1 .2 4 4 , 0 36 1 .4 8 2 , 7

M ES D EMA ND A ME S D E MAN DA ME S D EMA ND A

37 1 .4 3 7 ,5 49 1 .5 1 2 , 9 61 1 .3 9 5 , 3
38 1 .1 6 7 ,7 50 1 .1 9 2 , 0 62 1 .1 9 4 , 1
39 1 .0 5 5 ,7 51 1 .0 7 5 , 6 63 1 .0 7 0 , 8
40 82 4 ,7 52 7 6 3 ,0 64 83 4 ,4
41 59 8 ,9 53 5 5 1 ,9 65 57 5 ,9
42 48 3 ,2 54 4 3 4 ,0 66 45 8 ,3
43 47 8 ,1 55 4 7 2 ,3 67 43 1 ,0
44 52 3 ,3 56 4 3 8 ,8 68 44 1 ,8
45 49 8 ,1 57 4 4 8 ,2 69 46 2 ,6
46 63 5 ,5 58 6 1 7 ,9 70 70 0 ,9
47 83 4 ,6 59 9 0 0 ,7 71 99 6 ,6
48 1 .3 0 4 ,5 60 1 .1 9 4 , 3 72 1 .3 4 4 , 8
 Componente permanente, tendencia y
factores estacionales de inicio
m  4 estaciones disponibles;
Longitud de cada estación L  12 meses x  x1 820.15  878.6167
bˆ2 ( 0)  m   1.62407
x1  878.6167 x2  892.1083 ( m  1) L ( 4  1)  12
x 3  879.2583 x m  x4  820.1500

Lˆ 12
aˆ1 (0)  x1  b2 (0)  878.6167  ( 1.62407)  888.3611
2 2 P e r ío d o Va lo r d e j Es tim a c ió n P e r ío d o Va lo r d e j Es tim a c ió n
1 1 1 , 68 9 1 4 6 25 1 1 , 53 2 3 2 9
2 2 1 , 48 6 0 1 7 26 2 1 , 59 7 5 1 1
3 3 1 , 30 6 6 8 2 27 3 1 , 43 0 2 6 2
xt 4 28
cˆt  , para t  1,2,..., mL
4 1 , 04 9 0 8 2 4 0 , 96 3 7 5 2

xi   ( L  1) / 2  j  bˆ2 (0)
5 5 0 , 71 5 6 2 1 29 5 0 , 68 5 9 5 2
6 6 0 , 59 1 6 3 4 30 6 0 , 53 9 2 7 5
7 7 0 , 60 5 6 0 2 31 7 0 , 57 7 4 9 7
x1 8 8 0 , 66 9 0 4 0 32 8 0 , 59 2 8 2 3
cˆ1 
x1   ( L  1) / 2  j  bˆ2 (0)
9 9 0 , 59 3 2 1 5 33 9 0 , 53 8 6 2 1
10 10 0 , 80 6 7 0 6 34 10 0 , 79 5 4 6 8
11 11 1 , 00 8 1 3 9 35 11 1 , 03 3 6 6 0
1,499.2 12 12 1 , 46 7 4 2 9 36 12 1 , 70 3 6 1 5
cˆ1   1.689146
878.6167   (12  1) / 2  1 (-1.62407)
13 1 1 , 81 2 5 7 1 37 1 1 , 73 3 8 4 5
14 2 1 , 62 6 1 6 5 38 2 1 , 41 1 1 8 9
15 3 1 , 31 2 2 1 8 39 3 1 , 27 8 3 4 4
1,316.5 16 4 0 , 92 6 1 6 5 40 4 1 , 00 0 5 9 4
cˆ2   1.486017
878.6167   (12  1) / 2  2 (-1.62407)
17 5 0 , 67 7 9 9 9 41 5 0 , 72 8 0 7 0
18 6 0 , 57 5 3 0 3 42 6 0 , 58 8 5 7 8
19 7 0 , 60 9 6 7 4 43 7 0 , 58 3 5 2 0

1,155.5 20 8 0 , 67 9 8 0 1 44 8 0 , 63 9 9 5 5
cˆ3   1.306682
878.6167   (12  1) / 2  3 (-1.62407)
21 9 0 , 59 4 5 6 2 45 9 0 , 61 0 3 4 9
22 10 0 , 75 7 3 1 2 46 10 0 , 78 0 2 6 6
23 11 1 , 00 5 5 3 8 47 11 1 , 02 6 7 6 8
24 12 1 , 40 8 5 5 3 48 12 1 , 60 8 0 7 7
 Continuación factores estacionales
1 3
c1   cˆ112 k , para t  1
4 k 0
1 1
c1  (cˆ1  cˆ13  cˆ 25  cˆ37 )  (1.689146  1.812571  1.532329  1.733845)
4 4
c1  1.691972

MES Pro me dio No rmalizado s

1 1,691972 1,693578
2 1,530221 1,531673
3 1,331877 1,333140
4 0,984898 0,985833
L 5 0,701910 0,702576
cˆ t (0)  c t L
, para t  1,2,..., L 6 0,573698 0,574242

c
t 1
t
7
8
0,594073
0,645405
0,594637
0,646017
9 0,584187 0,584741
10 0,784938 0,785683
11 1,018526 1,019493
12 1,546918 1,548386

S uma = 11,988623 12,000000

Cálculos para actualizar el origen de tiempo
aˆ1 (T )  
xT
cˆT (T  L)

 (1   ) aˆ1 (T  1)  bˆ2 (T  1) 
1,499.2
aˆ1 (1)  (0.1390)  (0.861) 888.3611  ( 1.6241)
1.693578
aˆ1 (1)  886.5271
  xT
  cˆT (T )    (1   )cˆT (T  L)
bˆ2 (T )    aˆ1 (T )  aˆ1 (T  1)  (1   )bˆ2 (T  1) ˆa1 (T )
bˆ2 (1)  (0.01) 886.5271  888.3611  (0.99)(1.6241) cˆ1 (1)  (0.5374)
1,499.2
 (0.4626)(1.693578)
bˆ2 (1)  1.6262
886.5271
cˆ1 (1)  1.6922

Pronóstico:
 
xˆ T  (T )  aˆ1 (T )  bˆ2 (T ) cˆT  (T    L)

 
xˆ 01 (0)  aˆ1 (0)  bˆ2 (0) cˆ 01 (T    L)
xˆ 1 (0)   888.3611  ( 1.6241) (1.693578)
xˆ 1 (0)  1,501.7584
Valores de inicio: Nuevo origen de tiempo
ME S D EM A ND A a 1( T ) b 2( T ) c T
(T ) P ro n ó s tic o E rro r
8 8 8 , 36 1 1 -1 , 6 24 1
1 1 . 4 99 , 2 8 8 6 , 52 7 1 -1 , 6 26 2 1 , 69 2 2 1 .5 0 1 , 7 5 84 -2 , 5 58 4
2 1 . 3 16 , 5 8 8 1 , 37 3 9 -1 , 6 61 4 1 , 51 1 3 1 .3 5 5 , 3 7 87 -3 8 , 87 8 7
3 1 . 1 55 , 5 8 7 7 , 91 1 4 -1 , 6 79 5 1 , 32 4 0 1 .1 7 2 , 7 8 03 -1 7 , 28 0 3
4 9 2 6, 0 8 8 4 , 99 6 3 -1 , 5 91 8 1 , 01 8 3 8 6 3 , 81 8 2 6 2 , 18 1 8
5 6 3 0, 5 8 8 5 , 35 0 8 -1 , 5 72 3 0 , 70 7 7 6 2 0 , 65 9 2 9 , 8 40 8
6 5 2 0, 3 8 8 6 , 87 5 1 -1 , 5 41 4 0 , 58 0 9 5 0 7 , 50 2 7 1 2 , 79 7 3
7 5 3 1, 6 8 8 6 , 53 6 6 -1 , 5 29 4 0 , 59 7 3 5 2 6 , 45 2 0 5 , 1 48 0
8 5 8 6, 2 8 8 8 , 11 9 7 -1 , 4 98 2 0 , 65 3 6 5 7 1 , 72 9 8 1 4 , 47 0 2
9 5 1 8, 8 8 8 6 , 70 6 0 -1 , 4 97 4 0 , 58 4 9 5 1 8 , 44 4 2 0 , 3 55 8
10 7 0 4, 2 8 8 6 , 74 8 4 -1 , 4 82 0 0 , 79 0 2 6 9 5 , 49 3 4 8 , 7 06 6
11 8 7 8, 4 8 8 1 , 97 8 6 -1 , 5 14 9 1 , 00 6 8 9 0 2 , 52 2 9 -2 4 , 12 2 9
12 1 . 2 76 , 2 8 7 2 , 64 7 6 -1 , 5 93 0 1 , 50 2 2 1 .3 6 3 , 2 9 80 -8 7 , 09 8 0
13 1 . 6 33 , 2 8 8 4 , 12 3 7 -1 , 4 62 3 1 , 77 5 5 1 .4 7 4 , 0 3 58 1 5 9 , 1 64 2
.. . . . . . . .. . . . . . . . . .. . . .. . . . . . . . . .. . . .. . . . . . . .. . . .. . . .. . . . . . . .. . . . . . . . . . .. . . .. . . .. . . . . . .. . . .
36 1 . 4 82 , 7 8 6 9 , 46 6 3 -1 , 2 74 3 1 , 59 3 0 1 .2 3 7 , 6 3 71 2 4 5 , 0 62 9
37 1 . 4 37 , 5 8 6 6 , 68 3 0 -1 , 2 89 4 1 , 66 7 0 1 .4 5 5 , 7 0 94 -1 8 , 20 9 4
38 1 . 1 67 , 7 8 4 5 , 59 4 2 -1 , 4 87 4 1 , 48 9 3 1 .3 9 7 , 8 6 46 -2 3 0 , 16 4 6
39 1 . 0 55 , 7 8 3 2 , 23 5 5 -1 , 6 06 1 1 , 32 5 4 1 .1 7 4 , 5 8 39 -1 1 8 , 88 3 9
40 8 2 4, 7 8 3 2 , 42 0 3 -1 , 5 88 2 0 , 98 4 7 8 1 2 , 09 9 5 1 2 , 60 0 5
41 5 9 8, 9 8 3 4 , 65 7 4 -1 , 5 49 9 0 , 70 8 4 5 7 9 , 69 1 6 1 9 , 20 8 4
42 4 8 3, 2 8 3 5 , 80 6 3 -1 , 5 22 9 0 , 57 2 9 4 7 2 , 19 1 7 1 1 , 00 8 3
43 4 7 8, 1 8 2 9 , 01 2 5 -1 , 5 75 6 0 , 58 7 7 5 0 0 , 87 3 5 -2 2 , 77 3 5
44 5 2 3, 3 8 2 5 , 83 7 4 -1 , 5 91 6 0 , 63 7 2 5 3 0 , 68 2 8 -7 , 3 82 8
45 4 9 8, 1 8 2 9 , 72 2 5 -1 , 5 36 9 0 , 58 9 4 4 7 5 , 36 8 3 2 2 , 73 1 7
46 6 3 5, 5 8 2 3 , 16 8 8 -1 , 5 87 0 0 , 78 6 0 6 6 4 , 46 7 4 -2 8 , 96 7 4
47 8 3 4, 6 8 1 9 , 09 7 0 -1 , 6 11 9 1 , 02 8 0 8 5 3 , 17 0 2 -1 8 , 57 0 2
48 1 . 3 04 , 5 8 1 7 , 67 8 8 -1 , 6 09 9 1 , 59 4 3 1 .3 0 2 , 2 7 85 2 , 2 21 5
 MES DEMANDA a 1 (T ) b 2 (T ) c T (T ) Pro nó s tic o Erro r
37 1,6670
38 1,4893
39 1,3254
40 0,9847
41 0,7084
42 0,5729
43 0,5877
44 0,6372
45 0,5894
46 0,7860
47 1,0280
48 817,6788 -1,6099 1,5943
49 1.512,9 828,782156 -1,482814 1,752147 1.360,38 152,52
50 1.192,0 823,555121 -1,520256 1,466794 1.232,13 -40,13
51 1.075,6 820,574076 -1,534864 1,317553 1.089,53 -13,93
52 763,0 812,900214 -1,596254 0,959932 806,50 -43,50
53 551,9 806,830441 -1,640989 0,695294 574,71 -22,81
54 434,0 798,573795 -1,707146 0,557074 461,28 -27,28
55 472,3 797,817046 -1,697642 0,589984 468,28 4,02
56 438,8 781,181538 -1,847020 0,596643 507,30 -68,50
57 448,2 776,706789 -1,873298 0,582768 459,35 -11,15
58 617,9 776,398810 -1,857645 0,791311 609,05 8,85
59 900,7 788,667311 -1,716383 1,089272 796,20 104,50
60 1.194,3 781,693158 -1,768961 1,558577 1.254,63 -60,33
61 1.395,3 782,204838 -1,746154 1,769159 1.366,54 28,76
62 1.194,1 785,131608 -1,699425 1,495866 1.144,77 49,33
63 1.070,8 787,501559 -1,658731 1,340226 1.032,21 38,59
64 834,4 797,429375 -1,542866 1,006380 754,36 80,04
65 575,9 800,388070 -1,497850 0,708316 553,37 22,53
66 458,3 802,197513 -1,464777 0,564722 445,04 13,26
67 431,0 790,977781 -1,562327 0,565753 472,42 -41,42
68 441,8 782,615266 -1,630329 0,579379 471,00 -29,20
69 462,6 782,765321 -1,612525 0,587182 455,13 7,47
70 700,9 795,686092 -1,467192 0,839443 618,13 82,77
71 996,6 810,990875 -1,299472 1,164291 865,12 131,48
72 1.344,8 817,076239 -1,225624 1,605487 1.261,97 82,83
73 1.443,37

Valo r de k = 1,96 MAD 48,55 ECM 3.881,56

De s v. Es t. (MAD) 60,69 De s v. Es t. (ECM) 62,30
 Pronósticos de demanda estacional
DEMANDA Pronóstico Inv. Máximo

1800

1600

1400
Demanda (Trillones de BTU)

1200

1000

800

600

400

200

0
1

10

13

16

22

25

28

31

34

37

40

46

55

61

70
19

43

49

52

58

64

67

73
Mes