Cap 3 - GP Pronosticos

Capitulo 2 Unidad 3
Pronósticos
1
PRONÓSTICOS
Que es y para qué se usan:
Es una predicción de eventos futuros y que es utilizado para

poder planificar.
Es necesario para:
• Determinar que recursos se necesitan.
• Programar los recursos existentes.
• Adquirir recursos adicionales.
Permite que los ingenieros programadores:

• Utilicen eficientemente las capacidades de las máquinas.
• Reducir los tiempos de producción.
• Recortar los inventarios.
Los métodos de pronósticos generalmente se basan en
modelos matemáticos que se respaldan por datos históricos
disponibles.
2
PRONÓSTICOS
 Son estimaciones de la ocurrencia, la cronología o la
magnitud de futuros eventos inciertos.
Objetivos Pronósticos Políticas Presupuestos
Este pronóstico se traduce a su vez en

En el ámbito de las operaciones, la expresión más
El propósito de pronosticar es usar
política la
mediante un presupuesto de
sucinta de los objetivos es el pronóstico de ventas
mejor información disponible
(demanda), que
para guiar
operación, que es la representación
puede considerarse como el
las actividades futuras tendientes al
cuantitativa de la política corporativa.
enunciado cuantitativo de los objetivos corporativos
cumplimientodede las metas
la empresa.
de la
organización.
3
¿En qué se basan ?
 Generalmente, los pronósticos son respaldados por consejeros
económicos, estadísticos, políticos y técnicos, y se basa en
información sobre los aspectos tales como:
 Niveles de producción industrial, tanto nacionales como internacionales.
 Gasto público.
 Disponibilidad de mano de obra.
 Cambios posibles en la estructura de precios.
 Variaciones en los niveles de vida.
 Competencia, tanto nacional como internacional.
 Nuevos productos posibles.
 Mercados potenciales.
 Cambios tecnológicos.
 Recursos e historial de la empresa.
 Objetivos, políticas y planes de la empresa a largo plazo.
 .
4
¿Qué se pronostica?
 Principalmente la DEMANDA... pero también:
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
5
Tipos de Métodos de
Pronósticos
Métodos de
Pronóstico
Previsiones Predicciones
Se emplean cuando la situación es Se emplean cuando la situación
Métodos basados en
“estable” y existen datos no es clara y existen pocos
Cuantitativos opinionesCualitativos
o estimados
“históricos”: Productos existentes, datos: Productos nuevos,
subjetivos o de juicio.
Tecnología actual. Nueva tecnología.
Opinión Ejecutiva
Dependencia de datos históricos
Estadístico que de
Series de
depende, Analogía Histórica
Causal
variables independientes:
fundamentalmente,
Tiempode los Delphi
Campaña de promociones
datos históricos de la demanda. Investigación de Mercad
Condiciones económicas
Actividades de los competidores
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales 13
PRONÓSTICOS
Demanda
Suelen variar considerablemente tanto para bienes y servicios.
Pronosticar la demanda  descubrir los patrones básicos de la

demanda.
Patrones de la Demanda (Para productos y servicios )
Serie de tiempo: Es el orden en que se realiza las observaciones

repetitivas de la demanda, dando origen a cinco patrones básicos.
a. Horizontal.
b. De tendencia.
c. Estacional.
d. Cíclico.
e. Aleatorio.
14
Patrones de Demanda
Cantidad
Tiempo
(a) Horizontal: Cúmulos de datos en torno a una
línea horizontal.
15
Patrones de Demanda
Cantidad
Tiempo
(b) De tendencia: Los datos aumentan o disminuyen de manera
consistente a través del tiempo.
16
Patrones de Demanda
Cantidad
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O N D
Meses
(c) Estacional: Los datos muestran crestas y valles de manera
consistentes.
18
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
20
Variaciones aleatorias
 Son “saltos” en los datos causados por el azar y
situaciones inusuales.
 Son debidas a variaciones aleatorias o a situaciones
imprevistas:
 Huelga.
 Terremoto.
 Inundaciones.
 Son de corta duración y no se repiten.
21
PRONÓSTICOS
Los patrones a, b, c y d (Horizontal, de tendencia, estacionalidad y

cíclico) se combinan en diferentes grados para definir el patrón de
la demanda.
El patrón Aleatorio no se toma en cuenta por ser fortuito.
22
PRONÓSTICOS
Factores que Afectan la Demanda
Factores externos
Se encuentran fuera del control de la gerencia.
Ejemplo: Una economía en auge influye positivamente en la

demanda pero no necesariamente a todos los sectores de
productividad o servicios. (Ej. Eléctricas v/s carbón)
Un factor importante es:
Punto de Inflexión: período en que cambia la tasa de
crecimiento a lo largo de la demanda del producto, difícil de
prever el momento preciso, pero a través de algunas series de
tiempo se tienen dichos puntos y pueden ser útiles para estimar
que ocurrirá en la organización.
23
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el
volumen de la demanda como es:
• Diseño de producto o servicio.
• Los precios y promociones publicitaria
• Diseño de envases.
• Incentivos para los vendedores
• Expansión o contracción del área geográfica seleccionada como

objetivo de mercado.
25
PRONÓSTICOS
Diseño del sistema de Pronóstico
Gerencia frente a un pronóstico debe tomar tres decisiones
 Que va a pronosticar.
 Que tipo de técnica va a aplicar.
 Tipo de hardware o software o ambos que utilizará.
I. Que va a pronosticar
1. Nivel de acumulación
Es agrupar varios productos o servicios similares, con lo cual las
compañías pueden realizar pronósticos más asertivos y derivar
por productos o servicios.
Esta forma con lleva a un error generalmente es  5%.
Al pronosticar por artículo el error es >> 5%.
27
PRONÓSTICOS
Que va a pronosticar (continuación)
Sistema a dos niveles.
1er pronóstico: Familias bienes o servicios con similares características
en:
– Requisitos de demanda
– Procesamiento
– Trabajo y Materiales.
2do pronóstico: de las cifras generales se deriva el pronóstico por
elemento individual.
2. Unidades de medición
De mayor utilidad son las unidades de productos o servicios y no de
dinero.
Ej. Unidades de radios, paquetes por entregar, número de clientes, etc.
¡Cuidado! No es útil ingresos por ventas. (Ej. minoristas)
28
PRONÓSTICOS
Enfoques del Pronóstico
Métodos cualitativos Métodos cuantitativos
Se emplean cuando la Se emplean cuando la
situación no es clara y situación es “estable”
existen pocos datos: y existen datos
Productos nuevos. “históricos”:
Nueva tecnología. Productos
Requieren intuición y existentes.
experiencia: Requieren actual.
Tecnología técnicas
Por ejemplo, el matemáticas:
pronóstico de las Por ejemplo, el
ventas a través de pronóstico de las
Internet. ventas de
televisiones en
color. 29
PRONÓSTICOS
Decisión del tipo de técnica de pronóstico (continuación)
Cualitativos
 Método de juicio: cuando no se dispone de datos históricos
• Opinión de Gerentes y Expertos
• Encuestas de consumidores
• Estimaciones entregadas por área de ventas
Cuantitativos
 Métodos Causales: Dependencia de datos históricos de
variables independientes:
• Campaña de promociones
• Condiciones económicas
• Actividades de los competidores
 Análisis de Serie de Tiempo estadístico que depende,
fundamentalmente, de los datos históricos de la demanda.
31
Factores que Afectan la Demanda
Horizonte de tiempo
Corto plazo Mediano plazo Largo plazo

Aplicaciones (0-3 Meses) (3 Meses - 2 Años) (más de 2 Años)
Cantidad pronosticada Productos o Total de ventas Total de ventas
servicios Grupos de familias
individuales de productos o
servicios
Área de decisión Administración Planificación de Localización
de inventario. personal Planificación de
Programación de Planificación de Prod. capacidad
ensamble final. Programación de Administración
Programación de producción de procesos
la fuerza de trabajo. Compras
Programación de Distribución
producción.
Técnica Series de tiempo
de pronóstico Causal Causal Causal
De juicio De Juicio De juicio
37
Análisis de Métodos
Método de Juicio
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios
comprarán los clientes.
•Información útil para administrar inventario, distribución,
formación de equipos de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo
para una región.
39
Método de Juicio (continuación)
Desventajas
• Algunos muy optimistas otros muy cautelosos.
• No diferencian entre lo que el cliente desea y lo que realmente
necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento
parezca bueno, cuando supera la proyección o esforzarse solamente
para alcanzar meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronostico de venta actual, debido a un evento
inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control (sin la aprobación colectiva).
40
3.- Investigación de Mercado
Creación y puesta en marcha de diferentes hipótesis por medio de una encuesta,
para determinar el grado de interés del consumidor.
La investigación incluye:
•Diseño de un cuestionario, para obtener información económica, demográfica e
interés(es) de cada persona.
•Aplicación: - Teléfono ó Correo ó Entrevista
•Selección de la muestra representativa.
•Análisis de la información. Interpretación con criterio estadístico.
Uso, pronosticar la demanda con precisión:
•Excelente a corto plazo.
•Buena a mediano plazo.
•Regular a largo plazo.
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo).
41
4.- Método Delphi
Obtener consenso dentro de un grupo de expertos, pero en anonimato,
sin experiencia en el tema.
El panel de expertos pueden dedicarse a distintos rubros como, política,
negocios, científico, ambientalistas, etc.
Uso
•Pronosticar a largo plazo.
•Proyección de venta de un producto nuevo.
Desventajas
•Puede alargarse por mucho tiempo (más de un año).
•Probabilidad de respuestas menos significativas que si ellos no asumen
el problema.
•Pocas evidencias de alto grado de precisión.
•Los cuestionarios mal planteados conducen a errores.
42
Visión Global de los Métodos
Cuantitativos
Método
 Regresión lineal
causal
 Promedio móviles simples

 Promedio móviles ponderados Modelos de
 Suavización exponencial series temporales
 Proyección de tendencia
43
Método Causal
Regresión Lineal
Se dispone de datos históricos, se puede relacionar lo que se intenta
pronosticar con otros factores externos o internos.
Ventajas
• Posee instrumentos más refinados de pronósticos.
• Excelente para prever puntos de inflexión de la demanda.
• Útil para pronósticos de mediano o largo plazo.
Regresión lineal consiste en que una variable dependiente se relaciona
con una o más variables independiente por medio de una expresión
algebraica.
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construcción
de nuevas viviendas.
Modelo de mayor sencillez: y = a + bx

44
Método Causal
Regresión Lineal
Y Ecuación de
Estimación de regresión:
Y a partir de Y = a + bX
Variable Dependiente
la ecuación
de regresión
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
45
Método Causal
Regresión Lineal
Y Desviación Ecuación de
o error regresión:
Estimación de
Y = a + bX
Y a partir de
Variable Dependiente
la ecuación
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
46
Método Causal Regresión Lineal
Objetivo del análisis de regresión lineal Encontrara los valores de a y b
que minimicen la suma de las desviaciones (errores) al cuadrado de
los puntos reales de la gráfica.
Formas de evaluar la precisión del pronóstico (existen 2)
1.- Coeficiente de correlación de la muestra ( r )
Mide la intensidad y dirección de la relación entre x e y.

r puede fluctuar entre –1 y +1.
r = 0  x no se relaciona con y.
r = +1,00  cambios registrados de uno a otro período, en la dirección
(incrementos o decrementos) de la variable independiente, siempre lo
acompaña los cambios de la variable dependiente en la misma
dirección.
r = - 1,00  los decrementos de x siempre va acompañados de los
incrementos de y , y viceversa.
Cuando más se aproxime el valor de r a  1,00 será más adecuado el
ajuste de la línea de regresión respecto a los puntos de la gráfica.
47
2. Coeficiente de determinación de la muestra ( r 2)
Mide la variación que representa “y” respecto a su valor medio.
Coeficiente de determinación = (Coeficiente de correlación)2 = r 2
r 2 oscila entre 0,00 y 1,00; pero generalmente se analiza como un %.
Si r 2 se acerca a 1,00 significa que las variaciones de “y” y el

pronóstico generado por la ecuación de regresión se encuentran muy
relacionadas, en caso de alejarse (  0,75) significa que existen otras
variables que están afectando.
Desviación Estándar (Syx): Promedio de desviación de las puntuaciones

con respecto a la media.
Cuando mayor sea la dispersión de los datos alrededor de la media
mayor será la desviación estándar.
48
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía,
tiene que elaborar un pronósticos de la demanda de un
producto, a fin de plantear las cantidades de producción más
apropiadas.
Durante un almuerzo de negocios, el gerente de Marketing
aporta información sobre el presupuesto de publicidad destinado
a una bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el mes
entrante US$1.750 en publicidad para el producto. Aplique la
regresión lineal para desarrollar una ecuación y un pronóstico
para ese producto.
49
Ventas Publicidad 000 = miles

Mes (miles de unidades) (miles de $)
1 264 2.5 a = - 8.136
b = 109.229
2 116 1.3
r = 0.98
3 165 1.4 r2 = 0.96
4 101 1.0 syx = 15.61
5 209 2.0
Gasto en publicidad para el mes 6 es de $ 1.750
Antecedentes cuantitativos obtenidos a través de la calculadora
50
Error Típico(Sxy)=
51
300 —
Ventas (miles de unidades)
250 — 000 = miles
a = - 8.136
200 — b = 109.229
r = 0.98
150 — r2 = 0.96
syx = 15.61
100 —
Y = - 8.136 + 109.229X
50 | | | |
1.0 1.5
• El valor de r es2.0
Pronóstico 2.5 6
muy próximo a 1,00 significa que existe una
Pronóstico para
para Mes
Mes 6
fuerte relación
Publicidad (miles de entre ventas y publicidad, la selección es buena.
dólares)
XX == $1750,
$1.750,YY==- 183.015
8.136 + 109.229(1.75)
unidades
• R2 significa que el 96% de la variación observada en las 52
ventas, se atribuye a los gasto involucrados de publicidad.

300 —
250 — Ventas Publicidad

Mes (000 unidades) (000 $)
200 — a = - 8.136
1 264 2.5 b = 109.229
2 116 1.3 r = 0.98
150
3— 165 1.4 r2 = 0.96
4 101 1.0 syx = 15.61
100
5— 209Y = - 8.136 +2.0
109.229X
|
50 El ingeniero a| cargo de
| producción
| puede utilizar este
1.0
pronóstico 1.5 saber
para 2.0las bisagras
2.5 que necesitará en el mes 6.
Publicidad
Si suponemos(miles
quede
sedólares)
tiene en inventario 62.500 unidades,
¿Cuánto deberá planificar como producción?.
53
300 —
250 — Ventas Publicidad

Mes (000 unidades) (000 $)
200 — a = - 8.136
1 264 2.5 b = 109.229
2 116 1.3 r = 0.98
150
3— 165 1.4 r2 = 0.96
4 101 1.0 syx = 15.61
100
5— 209Y = - 8.136 +2.0
109.229X
50 | | | |
1.0 Se1.5tiene en2.0
inventario
2.5 = 62,500 unidades,
Publicidad (miles de dólares)
Producción = 183,015 - 62,500 = 120,015 unidades
54
El análisis de regresión es una buena guía para decisiones

importantes como:
• Administración de inventarios.
• Planificación de capacidades.
• Administración de procesos.
Análisis de regresión múltiples

Se da cuando la variable dependiente (Y) depende de más de
una variable independiente. (Ej. Bisagra de bronce).
Son costosas, debido a la gran cantidad de datos que se
acumula y su posterior análisis e interpretación.
55
Método Series de Tiempo
Usa solo información referida a la variable dependiente.
Supuesto: La variable dependiente (su patrón) del pasado continua

en el futuro.
Identifica los patrones de la demanda que se combinan para

generar el patrón histórico observado anteriormente en la demanda
dependiente generando un modelo que pueda reproducir dicho
patrón.
56
Modelo de Pronóstico Empírico
• Método sencillo de series de tiempo.

• Se usa con frecuencia.
• Considera que: el pronóstico de la demanda actual es igual al
pronóstico de la demanda del período siguiente. Ejemplo.
Mes 1 : 150.000 art. Mes 2 : 150.000 art.

Martes 35 visitas sitio Miércoles 35 visitas sitio
Jueves 20 enfermos Viernes 20 enfermos
Para demanda de tendencia

Incremento o decremento de la demanda actual se usa para
ajustar la demanda para el siguiente período.
57
Modelo de Pronóstico Empírico (continuación)
1ª semana 2ª semana 3ª semana 4ª semana

108 unid. 120 unid. 120 + 12 = 132
12 Real 127 127 + 7 = 134
Para demanda estacional

Los pronósticos de los meses del año entrante será el reflejo de la
demanda real observada en los mismos meses del año anterior.
Ejemplo:
Julio 2011 Julio 2012
50.000 unid. 50.000 unid.
58
Ventajas del pronóstico empírico
• Simplicidad
• Bajo costo
• Funciona bien cuando las demanda son estables (variaciones al
azar pequeñas)
Estimación del promedio

Cada serie de tiempos de demanda posee a lo menos dos de los
5 patrones posibles de demanda. Ejemplo: Horizontal y Aleatorio
(azar).
Es posible que contenga también: de tendencia o estaciónales o

cíclicos, se hará inicialmente el estudio sin considerar estos.
59
Estimación del promedio (continuación)

El patrón horizontal de una serie de tiempos se basa en la media
de las demandas  poner atención en los métodos de pronósticos
en los que se estima el promedio de una serie de datos a través
del tiempo.
El pronóstico de la demanda para cualquier período futuro es el

promedio de las series de tiempos calculadas en el período actual.
Ejemplo:
60
Ejemplo :
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Llegadas reales
Errores aleatorios: nadie los puede
de pacientes
prever, no quedamos tranquilos al
estimar solo promedios.
Semana
61
Técnicas estadísticas útiles para el pronóstico de series de tiempo:
• Promedio móviles simples.
• Promedio móviles ponderados.
• Suavización exponencial.
Método de Promedio Móviles Simples (MA)
Uso: estima el promedio de una serie de tiempos de demanda y
suprime de esta forma las fluctuaciones al azar.
Útil: cuando la demanda no tiene tendencias pronunciadas ni
influencias estaciónales.
Cálculo: para “n” períodos más recientes, con el fin de usarlos
como pronósticos para el siguiente período.
Pronóstico al período t + 1 
Suma de las n últimas demandas

F t + 1= At =
n
62
Método de Promedio Móviles Simples (MA)
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
F t + 1 = pronóstico para el período t + 1
F t+1 = At ó Ft = At-1
Puede incluirse todos los períodos pasados de demanda que se
desee.
La estabilidad de una serie correspondiente a la demanda
determina cuantos períodos serán necesarios incluir o sea “n”.
Serie de demanda estable son aquellas para los cuales el
promedio cambia solamente en forma infrecuente.
63
Cálculo del Promedio Móvil, At
 Elabore un pronóstico de promedio móvil de tres semanas para
estimar la llegada de pacientes a la clínica médica durante la
cuarta semana. Los datos correspondientes a la llegada de
pacientes durante las últimas tres semanas fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
 Si el número real de llegadas de pacientes durante la semana

cuatro fue de 415 ¿Cuál será el pronóstico para la semana 5?
64
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
A3 =397
400 400
At =( Dt + Dt - 1 +
395Dt - 2 ) / 3
A3 =( D +A
F3t = D2t -+
390D ) / 3
1 1
385
A3 =( 411F+=380
A + 400 ) / 3
4 3
380 380
F4 = 397375
0 1 2 3 4 5Semana 6
65
D1 =400
D2 =380
420
D3 = 411
415 415
D4
410 = 415 411
405
A4 =402 400 400
At =( Dt + Dt - 1 + D )/3
395 t - 2
A4 =( D +A
F4t = D3t -+ D2 ) / 3
390
1
A3 =( 415F+ 411 385

5 = A 4
+ 380 ) / 3
380 380
F5 = 402375
0 1 2 3 4 5 6
Semana
66
Promedios Móviles Simples
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
67
450 —
430 —
410 —
390 —
370 — Llegadas reales

de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
68
450 —
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
69
Pronóstico MA
450 — Pronóstico MA
6-semanas
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
70
Promedio Móvil Ponderado, AWt
Promedios Móviles Ponderados
Cada una de las tendencias históricas que intervienen en el

promedio pueden tener su ponderación, la suma de estas debe
ser 1,00.
Ejemplo: En tres períodos, al más reciente puede asignarse

ponderación 0,50, al segundo más reciente 0,30 y el tercero más
reciente 0,20.
El promedio se obtiene como:
A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2
Ft+1 = A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2
72
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo
calcula promedios de la demanda en el pasado.
Se observa mucho mejor el retraso cuando existe una tendencia,
ya que el promedio de serie de tiempos va en incremento o
disminución en forma sistemática.
73
 El analista que está a cargo de la clínica médica ha

asignado ponderaciones de 0.70 a la demanda más
reciente, 0.20 a la demanda de hace una semana y 0.10 a
la demanda de hace dos semanas. Use los datos
correspondientes a las tres primeras semanas para
calcular el pronóstico de promedio móvil ponderado para la
semana cuatro.
Semana Llegada de pacientes Ponderación

1 400 0,1
2 380 0,2
3 411 0.7
74
N
D1 =400 W1 = 0,1 AW t   D t  j1  Wt  j1
j1
D2 =380 W2 = 0,2
415
D = 411 W3 = 0,7 411
4103
405
A3 = W3*D3 + W2*D2 + W1*D1
400 400
A3 = 0,7*411 + 0,2*380
395
+ 0,1*400
A3 = 403,7
390 =404
385
Ft
380 = A t-1 380
F
375
4 =A 3
0 1 2 3 4 5Semana 6
F4 = 404
75
450 —
Supongamos que la demanda real para

430 — la semana 4 fuera de 415 pacientes.
Entonces el pronóstico para la semana
410 — 5 seria:
390 —
370 — Actual patient

arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
76
Llegada de
450 —
Semana pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
F5 = 0,7(415) + 0,2(411) + 0,1(380)
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
77
Llegada de
450 —
Semana pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
F5 = 410,7 = 411 pacientes
arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
78
79
Suavizamiento Exponencial Simple
D t =  + et
 El modelo refleja un error aleatorio alrededor de una tendencia central
estable. Donde et se distribuye normalmente con media cero.
 El método consiste en estimar la demanda promedio suavizada

(ajustada) para el periodo venidero (At) sumando o substrayendo a los
pronósticos promedios precedentes (A t - 1) un porcentaje () de la
diferencia entre la demanda actual (Dt) y los pronósticos promedios
precedentes (Ft - 1)
At =  Dt + ( 1 -  ) A t - 1
80
 La constante de suavizamiento o tasa de respuesta ,

representa la proporción del peso que se da a la
nueva demanda contra el promedio anterior
  varia en general de 0.01 a 0.3
A t =  Dt + ( 1 -  ) A t - 1
 A t -1 refleja la historia
 Si se cree en la última demanda
=1
 Si se cree en la historia
=0
81
At =  Dt + ( 1 -  ) A t – 1 ó At = A t - 1 +  ( Dt - At-1 )
Ft+1 = A t ó Ft+1 =  Dt + ( 1 -  ) F t
et = D t – F t
Donde: At = Nuevo promedio suavizado

A t - 1 = Antiguo promedio exponencial
 = Constante de Suavizamiento Exponencial, 0 <  < 1
Dt = Demanda real actual
Ft+1 = Pronóstico para el periodo t+1
et = error aleatorio para el periodo t
82
Método de promedio móvil ponderado muy refinado.

Calcula el promedio de una serie de tiempo, asignado a las
demandas recientes mayores ponderaciones que a las demandas
anteriores.
Su uso es de mayor frecuencia por su simplicidad y reducida
cantidad de datos que se necesita.
Requiere solo de tres tipos de datos:
• El pronóstico del último período
• Demanda de ese período
• Un parámetro suavizador , cuyo valor fluctúa entre 0 y 1,0
83
F t+1 =  (Demanda para ese período) + (1 - )(Pronóstico calculado
para ese último período)

F t+1 =  D t + (1 -  ) F t equivalente a:
Es igual al pronóstico del período

F t+1 = F t +  ( D t - F t ) actual más una proporción del
error del pronóstico
correspondiente al mismo período
actual.
84
Formas de Uso
 Se requiere de las demandas históricas (Dt) y del pronóstico más
reciente (Ao = F1)
 A1 =  D1 + (1 - ) A0 ó F2 =  D1 + ( 1 -  ) F1
 A2 =  D2 + (1 - ) A1 ó F3 =  D2 + ( 1 -  ) F2
 Se va calibrando 
 También se puede utilizar la formula general:

t 1
Ft    (1   ) k Dt  k (1   )t F1
k 0
Ft 1   * Dt  (1   ) * Ft
 Donde F1 es la estimación inicial de 

85
 Ejemplo:
 Suponiendo alfa = 0.20 , el pronóstico para el periodo t+1 es:
 Ft+1 = 0.20 Dt + 0.80Ft

 Ft = 0.20Dt-1 + 0.80 Ft-1 (Reemplacemos en la anterior)
 Ft+1 = 0.20 Dt + 0.80 (0.20Dt-1 + 0.80 Ft-1) = 0.20Dt + 0.16Dt-1 + 0.64Ft-1
 Si continuamos expandiéndola, obtenemos:

 Ft+1 = 0.20Dt + 0.16Dt-1 + 0.128Dt-2 + 0.1024Dt-3 + ....
 Este método es similar al método de los promedios móviles

ponderados, donde la suma de las ponderaciones debe ser igual a
uno.
86
En la práctica se ensaya con diversos valores de  y se

selecciona el que produzca los mejores pronósticos, estos
valores puede ser altos o pequeños.
El trabajo con la suavización exponencial requiere de un

pronóstico inicial que se puede obtener de dos formas:
1. Usar la demanda del último período.

2. Con datos históricos, calcular el promedio de varios
períodos recientes de demanda.
87
 El analista que está a cargo de la clínica médica utilizará el

método de suavización exponencial con alfa = 0,1 para
estimar la demanda del tercer periodo. Use el promedio
correspondientes a las dos primeras semanas para estimar un
pronóstico inicial y calcular el pronóstico de la semana 4
Semana Llegada de pacientes

1 400
2 380
3 411
88
D1 =400
D2 =380
D3 = 411
415
410 411
405
Pronóstico Inicial
F = (D + D )/2 400 400
3 1 2
395
F = (400 + 380)/2 = 390
3
390
Para = 0.1 385
F
t+1 = 0.1*Dt + (1 - 0.1)*Ft
380 380
F
4 = 0.1*D3 + (1 375
- 0.1)*F3
F
4 = 0.1*411 + (1 - 0.1)*390
0 1 2 3 4 5Semana 6
F = 392,1
4
89
D1 =400
D2 =380
420
D3 = 411
415 415
D4
410 = 415 411
405
400 400
395
 Si la demanda real390
D4 = 415
F = 0.1*415 + 0.9*392.1 = 394.1
385
5
380 380
375
0 1 2 3 4 5 6
Semana
90
450 —
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
92
450 —
430 —
410 —
390 —
370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
93
Pronóstico MA Pronóstico MA
450 — 3-semanas 6-semanas
430 —
410 —
390 —
370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
94
Inclusión de una Tendencia
Tendencia
• Incrementos o decrementos sistemáticos de los promedios de la
serie a través del tiempo.
• Suavización exponencial será modificado ya que los resultados
estará por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razón de 10 unidades en cada período, al
considerar  = 0,3 se tiene:
Períod Demanda Pronóstico para t Resultado
o real
1 10 F1 = 10
2 20 F2 = 0,3(10) + 10
0,7(10) =
3 30 F3 = 0,3(20) + 13
0,7(10) =
4 40 F4 = 0,3(30) + 18,1 95
0,7(13) =
Método de suavización Exponencial
Ajustada a la Tendencia
Serán suavizadas
• Las estimaciones para el Promedio  
• La Tendencia  
Promedio (At)
Demanda en Promedio + Estimación de
A t=  + (1 - )
este período la Tendencia (en el último
período)
A t =  D t + (1 - ) (A t -1 + T t–1 )
Tendencia (T t)
Estimación de la Tendencia
T t =  Promedio de - Promedio del + (1 - )
este período último período en el último período
T t =  (A t - A t–1 ) + (1 - ) T t – 1
96
ajustada a la Tendencia
F t+1= A t + T t
At -1 y T t – 1 : Promedio y Tendencia del último período, lo
que se puede obtener por medio de:
Datos del pasado.
Estimaciones aproximadas al no existir
históricos.
 y  : Se encuentran ajustando hasta obtener errores de
pronósticos lo más bajo posible, el valor para ambos
entre 0 y 1.
F t + 1 : Pronóstico para el período t + 1
97
 Médica SA, ofrece servicios de laboratorio clínico a los Recopilación de Antecedentes
pacientes del Hospital
Providencia, una agrupación de 10 médicos familiares asociados que brindan
un nuevo programa de mantenimiento de la salud. Los gerentes están
interesados en pronosticar el número de pacientes que van a requerir análisis
de sangre cada semana. Es preciso comprar suministrosAy0 tomar
= 28unapacientes
decisión
acerca del número de muestras sanguíneas que serán enviadas a otro
T0 = 3del
laboratorio, para compensar las limitaciones de la capacidad pacientes
laboratorio
principal.
D1 = 27 pacientes
 Las informaciones recientes acerca de los efectos nocivos que provoca el
colesterol en el corazón han generado un incremento  en=las0.20 y  =de
solicitudes 0.20
análisis ordinarios de sangre en todo el país. En promedio el laboratorio realizó
28 análisis de sangre cada semana durante las 4 últimas semanas. La
tendencia durante en ese periodo fue de tres pacientes adicionales por semana.
 La demanda de esta semana fue de 27 análisis de sangre.
 Utilizar  = 0.20 y  =0.20 para calcular el pronóstico correspondiente a la

semana siguiente
98
A0 = 28 pacientes
T0 = 3 pacientes
80 D
—1 = 27 pacientes = 0,2
1A
AA=t1 =0,2 D D
t +
*27+1 (1 -–)*(
+(1(1 –0,2)*(
0,2)*(
-1 A
A t28 ++ +3)
0T tT 0)) 30,2
- 1=
 = 0.20 y  = 0.20
70 — (30,2
T1 T=1t 0,2
= 0,2
(A(A – 28)
t -1 A A (1-)
))++(1- 0,2)
0,2)*3
T t-1T0 = 2,8
t-10
FF2 =
Ft+1230,2
= A 1t++2,8
T1t = 33
60 —
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana 99
A1 = 30,2 pacientes
T1 = 2,8 pacientes
Si la demanda real del periodo 2 es de 44
80 D—2 = de
análisis 44 sangre
pacientes
A2 = 0,2 *44+ (1–0,2)*( 30,2+2,8) = 35,2
 = 0.20 y  = 0.20
¿Cuál
70 — será el pronóstico para el T
periodo
2 = 0,2 3?
(35,2 – 30,2) + (1- 0,2)*2,8 = 3,2
F3 = 35,2 + 3,2 = 38,4

60 —
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
100
Semana
80 —
70 —
60 —
50 —
Número real
de análisis
40 —
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
101
Pronóstico
80 — ajustado a la
Tendencia
70 —
60 —
50 —
Número real
de análisis
40 —
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
102
Patrones Estaciónales
• Son movimientos ascendentes o descendentes de la demanda,
• Son repetitivos
• Se limitan en general a períodos menores de un año, como
horas, días, meses, trimestres, etc.
• A cada período de tiempo se le denomina estaciones.
Empresa Patrón estacional Estación

Comida rápida Un día hora
Peluquería Semana día
Renovación Mes día
licencia de
conducir
Neumáticos Año mes
autos
103
Método Estacional Multiplicativo
Este es uno de los métodos de pronósticos, el más usual.
Metodología: promedios simples de la demanda pretérita.
Ejemplo: Patrón estacional: un año, estación: un mes
1. Para cada año se obtiene la demanda promedio por estación, esto es

dividiendo la demanda anual por el número de estaciones perteneciente al
año.
Ejemplo: demanda total en un año 6000 y estación mes  6000/12 = 500
unid.
2. Genere un índice estacional para cada estación del año, su valor es el nivel de
demanda en relación con la demanda promedio.
Cálculo: para cada año, divida la demanda real de una estación entre la
demanda promedio por estación.
Ejemplo: Mes Junio demanda 620.
Por lo tanto el índice estacional = 620/500 = 1.24
 que la demanda en junio es de 24 % mayor que la demanda promedio por
mes.
104
3. Obtenga el índice estacional promedio para cada estación
Sume los índices estaciónales para una estación dada y
divídalos entre el número de años que abarquen los datos.
Ejemplo: Mes junio
Año 2002 2003 2004

Índice 1,24 1,18 1,06
estacional
junio
índice estacional promedio = (1,24 + 1,18 + 1,06) / 3 = 1,16
Este valor es usado para pronosticar la demanda de junio de
próximo año (2005).
4. Calcule el pronóstico de cada estación para el año siguiente.
105
Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de
limpieza de alfombras, necesita un pronóstico trimestral del
número esperado de clientes para el año siguiente. El negocio de
la limpieza de alfombras es estacional, con un punto máximo en el
tercer trimestre y un uno mínimo en el primer trimestre. Se
presenta a continuación los datos de la demanda trimestral
registrada en los cuatros años más recientes.
Patrón Estacional = Año

Estación = Trimestre
106
Trimestre Año 1 Año 2 Año 3 Año 4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
El gerente desea hacer un pronóstico de la demanda de los clientes

para cada uno de los trimestres del año cinco, basándose en su
estimación de que la demanda total durante el año 5 será de 2600
clientes, debido a que el incremento anual observado en la
demanda es de 400 servicios por año.
107

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Promedio 250 300 450 550
Demanda Actual
Índice estacional =
Promedio Demanda
108

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Promedio 250 300 450 550
45
Índice estacional = = 0.18
250
109

1 45/250 = 0.18 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Promedio 250 300 450 550
45
Índice estacional = = 0.18
250
110

1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre Índice estacional promedio

1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2
3
4
112

1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre Índice estacional promedio

1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50
113
El incremento promedio al año es de 400 clientes, se

Trimestre prolonga
Año 1 esa tendencia
Año 2 proyectandoAño 3una demanda
Año 4
1 anual=para
45/250 0.18 el año cinco
70/300 de 2200
= 0.23 + 400
100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 Anual
Proyección 370/300 = 1.23 = 2600
Demanda 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08
Promedio 590/300Demanda
Trimestral = 1.97 = 830/450
2600/4==1.84
650 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre Índice estacional promedio Pronóstico

1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50
114

1 45/250 = 0.18 70/300
Proyección = 0.23
Anual 100/450
Demanda = 0.22 100/550 = 0.18
= 2600
2 335/250 = 1.34 370/300
Promedio = 1.23 Demanda
Trimestral 585/450 == 2600/4
1.30 = 725/550
650 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre Índice estacional promedio Pronóstico

1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50
115

1 45/250 = 0.18 70/300 = 0.23 100/450 = 0.22 100/550 = 0.18
2 335/250 = 1.34 370/300 = 1.23 585/450 = 1.30 725/550 = 1.32
3 520/250 = 2.08 590/300 = 1.97 830/450 = 1.84 1160/550 = 2.11
4 100/250 = 0.40 170/300 = 0.57 285/450 = 0.63 215/550 = 0.39
Trimestre Índice estacional promedio Pronóstico Año 5

1 (0.18 + 0.23 + 0.22 + 0.18)/4 = 0.20 650(0.20) = 130
2 (1.34 + 1.23 + 1.30 + 1.32)/4 = 1.30 650(1.30) = 845
3 (2.08 + 1.97 + 1.84 + 2.11)/4 = 2.00 650(2.00) = 1300
4 (0.40 + 0.57 + 0.63 + 0.39)/4 = 0.50 650(0.50) = 325
Total = 2600
116
Promedio
TRIM.00 Año 1 Año 2 Año 3 Año 4 PROMEDIO INDICE AÑO 5 PRONÓSTICO
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200 2600 2600
Promedio 250 300 450 550
Promedio
TRIM. Año 1 Año 2 Año 3 Año 4 PROMEDIO INDICE AÑO 5 PRONÓSTICO
1 45 70 100 100 79 0,20 650 132
2 335 370 585 725 504 1,30 650 845
3 520 590 830 1160 775 2,00 650 1300
4 100 170 285 215 193 0,50 650 323
Total 1000 1200 1800 2200 2600 2600
Promedio 250 300 450 550 388
Selección de un Método
con series de Tiempo
Error de Pronóstico
• Los pronósticos siempre contienen errores.
• Los errores se clasifican en:
 Errores de Sesgo.
 Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemáticas  que el pronóstico
siempre sea muy alto o muy bajo.
¿por qué?
Son resultados de ignorar o no estimar correctamente ciertos
patrones de demanda como ejemplo de tendencia, estaciónales o
cíclicos.
Errores Aleatorios
Resultado de factores imprevisibles  El pronóstico se ve obligado
a desviarse de la demanda real.
119
Mediciones del Error de Pronóstico
Antes de minimizar, se debe tener un medio de medición:

Error de pronóstico
Es de carácter puntual
Et = Dt - Ft
E t = error de pronóstico para el período t

D t = demanda real para el período t
F t = pronóstico para el período t
Pero la tendencia es medir el error para a lo largo período,

lo que da origen a:
120
Suma Acumulativa de errores de Pronósticos (CFE)
Mide el error total de un pronóstico
Ventajas CFE = Et

• Los errores positivos grandes tienden a anular a los errores
negativos grandes.
• Es útil para evaluar el sesgo de un pronóstico, por ejemplo:
Si F t siempre es más bajo que D t entonces CFE cada vez será
mayor (+).
Este error creciente indica deficiencias continuas en el enfoque
del pronóstico, que puede deberse a:
 Omisión de un elemento de tendencia o patrón cíclico.
 Influencias estaciónales cambiaron frente al patrón
histórico.
CFE = Et
Error de pronóstico promedio E= n
n
121
La dispersión de los errores de pronóstico suelen ser medidas por:
Cuadrado de Error Medio MSE =

E t
2
Desviación estándar  = (E - E ) t

2
n-1
Desviación Media Absoluta MAD =

|E | t
n
122
MAD ;  ; MSE si los valores que entregan son:

Pequeños; el pronóstico dado generalmente se aproxima a la demanda
real.
Grandes: enuncia la posibilidad de errores de pronóstico considerable.
Los errores grandes reciben mayor ponderación en MSE y  por elevarse

el error al cuadrado.
MAD entrega un valor común de error, el que no detecta, si el error

consistió en estimaciones excesivas o de subestimaciones.
123
Error Porcentual Absoluto
APE = [ |E | / D ] (100)
t t
Error Porcentual Medio Absoluto (MAPE)

• Relaciona el error del pronóstico con el nivel de la demanda.
• Útil para colocar el rendimiento del pronóstico en su correcta
dirección.
MAPE =
[ |E | (100) ] / D
t t
n
124
La siguiente tabla muestra, las ventas reales de sillas tapizadas

que realizó un fabricante de muebles y los pronósticos
correspondiente a cada uno de los últimos ocho meses.
Se debe calcular CFE, MSE, , MAD y MAPE para este

producto.
125
Error
Cuadrado Error porcentual
Mes, Demanda,Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
126
Mediciónes del Error

Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico,Error, del Error , absoluto, absoluto,
t Dt Ft Et Et2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
127
Mediciones del Error

Suma acumulativa de errores de pronósticos
Error
CFE = E t = - 15 Cuadrado Error porcentual
Mes,
Indica que Demanda,
el pronóstico Pronóstico,
tiene la Error, del Error, absoluto, absoluto,
tendenciat de sobrestimar
Dt la Ft Et Et2 |Et| (|Et|/Dt)(100)
demanda1 200 225 -25 625 25 12.5%
2 > Demanda
Pronóstico 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
128

Error
CFE = - 15 Cuadrado Error porcentual
Error de pronóstico promedio
Mes, Demanda, Pronóstico, Error, del Error, absoluto, absoluto,
- 15 D
E =t = -t 1,875 Ft Et Et2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12.5%
Tendencia 2del Pronóstico
240 > Demanda
220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
129

Error
Mes, Demanda, Pronóstico, Error, , del Error absoluto, absoluto,
- 15 D
E =t = -t 1.875 Ft Et Et2 |Et| (|Et|/Dt)(100)
8
Cuadrado1 del error 200
medio 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4 285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
Proporciona5 medida230 250
de la variabilidad -20 400 20 8.7
6 pronóstico
del error de 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
130

Error
Mes, Demanda, Pronóstico, Error, del Error, absoluto, absoluto,
- 15 D
8
1 200 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4
285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
Desviación estándar
5 230 250 -20 400 20 8.7
6  = 27.4
260 240 20 400 20 7.7
Indica que7 la distribución
210 de errores
250 -40 1600 40 19.0
de pronóstico
8 dentro de una muestra
275 240 35 1225 35 12.7
tiene una desviación estándar de
Total -15 5275 195 81.3%
27,4 unidades.
131

Erro
Mes,Demanda, Pronóstico,Error, del error, absoluto,absolutor,
- 15
E= = - 1.875
t 8 Dt Ft Et Et2 |Et| (|Et|/Dt)(100)
1 5275200 225 -25 625 25 12.5%
MSE 2= 240 = 659.4 220 20 400 20 8.3
3 8 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5  = 27.4
230 250 -20 400 20 8.7
Desviación media absoluta
6 260 240 20 400 20 7.7
MAD 7 = 195 210= 24.4 250 -40 1600 40 19.0
8 8275 240 35 1225 35 12.7
Indica que el error de pronósticoTotal -15 5275 195 81.3%
promedio fue de 24,4 unidades en
valor absoluto.
132

Erro
CFE = - 15 Cuadrado, Error porcentual
Mes, Demanda, Pronóstico, Error, del error absoluto,absolutor,
- 15
E =t =D-t 1.875 Ft Et Et2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3
MSE 3= 300 = 659.4
285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6  = 27.4
260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 195
275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
Error porcentual medio absoluto
81.3% Indica que, en promedio, el error de
MAPE = = 10.2% pronóstico fue de más o menos el 10% de la
8 133
demanda real observada.

Error
Mes, Demanda, Pronóstico, Error, del error, absoluto, absoluto,
- 15 D
8
1 200 225 -25 625 25 12.5%
2 240
5275 220 20 400 20 8.3
MSE 3= 300 = 659.4
285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6  = 27.4
260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 195
275= 24.4 240 35 1225 35 12.7
MAD =
8 Total -15 5275 195 81.3%
81.3%
MAPE = = 10.2%
8 134
Señales de rastreo
Es una medida que nos dice si el método de pronóstico utilizado esta
previendo con precisión los cambios reales de la demanda.
CFE
Señal de rastreo =
MAD
CFE y MAD en cada período son actualizados para observar el error
actual y compararlo con señales determinadas anteriormente.
Posibilidades de cálculo para MAD |Et |
1. Promedio simple de todos los errores absolutos MAD =
n
2. Promedio ponderado mediante el
método de suavización exponencial
MAD =  Et + (1 - )MAD t - 1
Ventajas de 2.
•No es necesario tantos datos históricos
•  no tiene porque ser igual al valor utilizado en el modelo de pronóstico.
• Frecuentemente se usa  0,1 para suavizar los efectos de los
errores recientes en al pasado. 135
Señales de rastreo
Señal de rastreo = CFE
MAD
+2.0 —
Límite de control
+1.5 —
Señal de rastreo
+1.0 —
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones 136
Señales de rastreo
CFE
Señal de rastreo = MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
Señal de rastreo
+1.0 —
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones 137
Criterios para la Selección de
Métodos con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando
se debe seleccionar un método de pronóstico tanto para manufactura
como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado en
el método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
 y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el
parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.
138
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3
139
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
0,7 ; 0,2 ; 0,1 14,0 18,4
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3
Promedio móvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicarían que los
pronósticos son muy bajos, n = 3 sería el mejor.
Suavización exponencial: MAD muy parecidos, CFE distintos  = 0,2
se prefiere.
140
0,7 ; 0,2 ; 0,1 14,0 18,4
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3
De los tres métodos con n = 3 y  = 0,2 NO se asigna una mayor
ponderación a los niveles de demanda más recientes.
Note que Promedio móvil ponderado con ponderación 0,7 para la
demanda más reciente entrega un Sesgo (CFE) más bajo y MAD
levemente superior.
En consecuencia “Promedio Ponderado” sería el método elegido.
141
Criterio Expectativas de Gerencia
Frente a los diversos factores internos como externos (un cambio

en el promedio, en la tendencia, etc) se tiene las siguientes
posibilidades:
a) Proyecciones basadas en patrones de demanda estables, usar

valores de  más bajos o valores de n más altos, con el fin de
dar importancia a los datos históricos.
b) Proyecciones basadas en patrones de demanda dinámicas,

usar valores de  más altos o valores de n más bajos, como
los datos históricos están cambiando se pone énfasis a la
historia más nueva.
142
Criterio Expectativas de Gerencia
Uso del último período en el error de pronósticos
¿Siempre se obtiene un mejor pronóstico cuando se utiliza un

modelo de pronóstico más sofisticado?
¿Existe una técnica de pronóstico óptima para todos los

productos o servicios?
Para ambas preguntas NO
Da origen(particularmente) al Pronóstico enfocado que surge

de seleccionar el mejor pronóstico a partir de un grupo de
pronósticos generados por medio de técnicas sencillas
143
Fin Capitulo de Pronósticos
144
Problema
Las ventas realizadas en los últimos 12 meses por
Dalwoorth Compañía son las que se muestran.
a) Utilice un promedio móvil ponderado de tres
meses para pronosticar las ventas en los
Ventas meses transcurridos entre abril y diciembre.
Mes Millon. US$ Use ponderaciones de 3/6 , 2/6 y 1/6,
Enero 20 asignando ponderación mayor a los datos más
Febrero 24 recientes.
Marzo 27
31 b) Use la suavización exponencial con  = 0,6
Abril
para pronosticar las ventas en los meses
Mayo 37
comprendidos entre abril y diciembre. Suponga
Junio 47
que el pronóstico inicial para enero haya sido
Julio 53 de US$22 millones.
62
Agosto 54 c) Compare el rendimiento de los dos métodos
Septiembre 36 usando Desviación media absoluta (MAD),
Octubre 32 Error porcentual medio absoluto (MAPE) y
Noviembre 29 Cuadrado del error medio (MSE) como criterios
Diciembre de rendimientos. En cada caso ¿Cuál de esos
métodos recomendaría usted?
145
Mes Venta real Cada tres meses Error Error % Error
(000s) Pronóstico medio Ponderado absoluto absoluto cuadrado
Ener. 20
Febr. 24
Mar. 27
Solución Abr. 31 [(3x27)+(2x24)+(lx20)]/6 = 24.83 6.17 19.90 38.07
May 37 [(3x31)+(2x27)+(lx24)]/6 = 28.50 8.50 22.97 72.25
Junio 47 [(3x37)+(2x31)+(lx27)]/6 = 33.33 13.67 29.09 186.87
Julio 53 [(3x47)+2x37)+(lx31)]/6 = 41.00 12.00 22.64 144.00
Agosto 62 [(3x53)+(2x47)+(lx37)]/6 = 48.33 13.67 22.05 186.87
Sept. 54 [(3x62)+(2x53)+(lx47)]/6 = 56.50 2.50 4.63 6.25
Oct. 36 [(3x54)+(2x62)+(lx53)]/6 = 56.50 20.50 56.94 420.25
Nov. 32 [(3x36)+(2x54)+(lx62)]/6 = 46.33 14.33 44.78 205.35
Dic. 29 [(3x32)+(2x36)+(lx54)]/6 = 37.00 8.00 27.59 64.00
Total 99.34 250.59 1,323.91
Prom. 11.04 27.84 147.09
Mes Dt Ft Ft+1 = Ft + (Dt-Ft) Error Error % Error
(t) (millones) Absoluto Absoluto
cuadrado
Ener. 20 22.00 20.80
Febr. 24 20.80 22.72
Mar. 27 22.72 25.29
Abr. 31 25.29 28.72 5.71 18.41 32.60
May 37 28.72 33.69 8.28 22.38 68.56
Junio 47 33.69 41.67 13.31 28.32 177.16
Julio 53 41.67 48.47 11.33 21.38 128.37
Agost. 62 48.47 56.59 13.53 21.82 183.06
Sept. 54 56.59 55.04 2.59 4.80 6.71
Oct. 36 55.04 43.62 19.04 52.88 362.52
Nov. 32 43.61 36.64 11.61 36.28 134.79
Dic. 29 36.65 32.06 7.65 26.38 58.52
Total 93.05 232.65 1,152.29
Promedio 10.34 25.85 128.03
PMP Exponencial Recomendación
c.MAD 11.04 10.34 Suavización Exponencial
d.MAPE 27.84 25.85 Suavización Exponencial
e.MSE 147.10 128.03 Suavización Exponencial
146
Integración y Tipos de Pronósticos
 Los sistemas de pronósticos consideran la utilización de 3
tipos de pronósticos:
Pronósticos Tipo 1: Pronósticos a detalle de corto plazo para
la planeación operativa de artículos.
Pronósticos Tipo 2: Pronósticos agregados de mediano y
largo plazo para la planeación estratégica, financiera, de
mercado y operativa.
Pronósticos Tipo 3: Pronósticos agregados de largo plazo
para análisis estratégico y toma de decisiones que integra el
corto y largo plazo.
 Los pronósticos operativos de corto plazo deben hacerse
en semanas o meses.
 Los pronósticos para planeación de largo plazo deben
hacerse en trimestres o años.
147
El patrón o comportamiento está formado
por cuatro componentes
 Desplazamiento gradual de
 Horizontal Cúmulos de datos
la serie de
en torno atiempo.
Activa
una
 Tendencia
Volumen
Volumen
Volumen
 Influyen factores
línea horizontal a largo plazo
Volumen
 Cíclico como modificaciones de
Cualquier secuencia recurrente
ladepoblación,
Verano
puntos encima sus
Movimiento y abajo
de una deLínea
la de de
serie
 Estacional características
línea de tendencia que dure
Tendencia
tiempo que ocurre en el
Factor residual
más de o
un “todo
año lo que sobra” de
 Aleatoria demográficas,
Tiempo período la
deTiempo
un año.
Tiempo
una serie, toma en consideración las
Tiempo
tecnología
desviaciones de y lalospreferencia
valores reales de la
Tendencia Tendencia lineal Sin
del
serieconsumidor
de tiempo en comparación tendencia
con los
no lineal declinante
esperados. Está causado por factores a
corto plazo no previstos.
148
Problema
La demanda de cambios de aceite registrada en el Taller ha sido la siguiente
Mes Nº de cambios de aceite
Enero 41
Febrero 46
Marzo 57
Abril 52
Mayo 59
Junio 51
Julio 60
a. Agostode regresión lineal simple y62
Aplique el análisis elabore un método de pronóstico
para la demanda mensual. En esta aplicación Y (variable dependiente)
corresponde a la demanda mensual, X (variable independiente) representa el
mes, para enero X = 1, para febrero X = 2, y así sucesivamente.
b. Utilizando el modelo realice un pronóstico de demanda para septiembre,
octubre y noviembre.
b = 2,45 a = 42,475
r = 0,817 r2 = 0,668 149
Solución
a. a = 2,45 b = 42.475 r = 0,817 r2 = 0,668
Y = 42,475 + 2,45X
b. Y(sep) = 42,475 + 2,45 (9) = 64,525 o 65
Y(oct) = 42,475 + 2,45 (10) = 66,975 o 67
Y(nov) = 42,475 + 2,45 (11) = 69,425 o 69
150
Problema
Nicos y Cia Ltda. Vende y repara máquinas de fotocopiado. El

gerente necesita pronósticos semanales de las solicitudes de
servicio, a fin de poder programar las actividades de su personal
de servicio.
El pronóstico correspondiente a la semana del 3 de julio fue de 24
llamadas para servicio. El gerente aplica suavización exponencial
con  = 0,20. Pronostique usted el número de llamadas para
servicio correspondiente a la semana del 7 de agosto,
suponiendo que esta sea la semana próxima.
Número real de llamadas
Semana del para el servicio
3 de julio 24
10 de julio 32
17 de julio 36
24 de julio 23
31 de julio 25
Obtener, CFE, MSE, , MAD y MAPE

Para las cinco primeras semanas
151
Solución
Sem ana Nº Llam adas At Ft Et ( Dt - Ft) ¡Et¡ Et x Et APE (Et/Dt)x100

24
3 de Julio 24 0,2 x 24 + 0,8 x 24 = 24 24 0,00 0,00 0,00 0,00
10 de Julio 32 0,2 x 32 + 0,8 x 24 = 25,6 24 8,00 8,00 64,00 0,25
17 de Julio 36 0,2 x 36 + 0,8 x 25,6 = 27,7 25,6 10,40 10,40 108,16 0,29
24 de Julio 23 0,2 x 23 + 0,8 x 27,7 = 26,7 27,7 -4,68 4,68 21,90 0,20
31 de Julio 25 0,2 x 25 + 0,8 x 27,7 = 26,4 26,7 -1,74 1,74 3,04 0,07
Sum 11,98 24,82 197,10 0,81
Prom 2,40 4,96 39,42 16,24%
E Prom MAD MSE MAPE
(Et - E )2 = (Et – 2,396 )2

= = 6,49
n-1 5-1
152

Cap 3 - GP Pronosticos

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

Cap 3 - GP Pronosticos

Cargado por

Copyright:

Formatos disponibles

Capitulo 2 Unidad 3

Es una predicción de eventos futuros y que es utilizado para

Permite que los ingenieros programadores:

Objetivos Pronósticos Políticas Presupuestos

Este pronóstico se traduce a su vez en

Pronosticar la demanda  descubrir los patrones básicos de la

Serie de tiempo: Es el orden en que se realiza las observaciones

Los patrones a, b, c y d (Horizontal, de tendencia, estacionalidad y

El patrón Aleatorio no se toma en cuenta por ser fortuito.

Ejemplo: Una economía en auge influye positivamente en la

• Diseño de producto o servicio.

• Los precios y promociones publicitaria

• Incentivos para los vendedores

• Expansión o contracción del área geográfica seleccionada como

¡Cuidado! No es útil ingresos por ventas. (Ej. minoristas)

Corto plazo Mediano plazo Largo plazo

 Promedio móviles simples

Modelo de mayor sencillez: y = a + bx

1.- Coeficiente de correlación de la muestra ( r )

Mide la intensidad y dirección de la relación entre x e y.

Mide la variación que representa “y” respecto a su valor medio.

Coeficiente de determinación = (Coeficiente de correlación)2 = r 2

r 2 oscila entre 0,00 y 1,00; pero generalmente se analiza como un %.

Si r 2 se acerca a 1,00 significa que las variaciones de “y” y el

Desviación Estándar (Syx): Promedio de desviación de las puntuaciones

Ventas Publicidad 000 = miles

Gasto en publicidad para el mes 6 es de $ 1.750

Antecedentes cuantitativos obtenidos a través de la calculadora

250 — 000 = miles

ventas, se atribuye a los gasto involucrados de publicidad.

250 — Ventas Publicidad

250 — Ventas Publicidad

El análisis de regresión es una buena guía para decisiones

Análisis de regresión múltiples

Usa solo información referida a la variable dependiente.

Supuesto: La variable dependiente (su patrón) del pasado continua

Identifica los patrones de la demanda que se combinan para

• Método sencillo de series de tiempo.

Mes 1 : 150.000 art. Mes 2 : 150.000 art.

Para demanda de tendencia

Modelo de Pronóstico Empírico (continuación)

1ª semana 2ª semana 3ª semana 4ª semana

Para demanda estacional

Estimación del promedio

Es posible que contenga también: de tendencia o estaciónales o

Estimación del promedio (continuación)

El pronóstico de la demanda para cualquier período futuro es el

Suma de las n últimas demandas

 Si el número real de llegadas de pacientes durante la semana

A3 =( 415F+ 411 385

370 — Llegadas reales

Promedios Móviles Ponderados

Cada una de las tendencias históricas que intervienen en el

Ejemplo: En tres períodos, al más reciente puede asignarse

A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2

Ft+1 = A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2

 El analista que está a cargo de la clínica médica ha

Semana Llegada de pacientes Ponderación

Supongamos que la demanda real para

370 — Actual patient

 El método consiste en estimar la demanda promedio suavizada

 La constante de suavizamiento o tasa de respuesta ,

  varia en general de 0.01 a 0.3