MÉTODOS

CUANTITATIVOS
Series
Series de
de tiempo
tiempo
Los pronósticos o predicciones son una
herramienta esencial en cualquier
proceso de toma de decisiones.
Para pronosticar tenemos los métodos….

it ati v o s
•C u a l
ta ti vo s
• Cu a nti
 Método
cualitativo

Encuestas Jurado de
Método Fuerza de
a los opinión
Delphi ventas
clientes ejecutiva
 Método
Cuantitativo

Modelo de
Modelos
Serie de
causales
tiempos
Análisis de series de tiempo: Métodos causales: utilizan
método estadístico que depende en datos históricos de variables
alto grado de datos históricos de la independientes como
demanda, con los que se proyectan campañas de promoción,
la demanda futura y reconoce las condiciones económicas y
tendencias y patrones estaciónales. actividades de los
competidores. 
 Método
Cuantitativo

Modelo de
Modelos
Serie de
causales
tiempos

Promedio Suavizado Regresión

móvil exponencial lineal
Métodos de pronóstico cuantitativos

Pronósticos de series de tiempo

Los métodos de análisis de series de tiempo se usan para
hacer análisis detallados de los patrones históricos de la
demanda a lo largo del tiempo y para proyectarlos hacia
el futuro.
 de tie mp o?
e s un a se rie
¿Qué
En pronósticos una serie de tiempo es una
secuencia de observaciones sobre intervalos de
tiempo separados de manera regular.

Utilizamos el termino serie de tiempo para

referirnos a cualquier grupo de información
estadística que se acumula a intervalos regulares.
 de tie mp o?
e s un a se rie
¿Qué
Es un conjunto de valores observados durante una
serie de períodos temporales, secuencialmente
ordenada, tales períodos pueden ser semanales,
mensuales, trimestrales o anuales.

Una serie de tiempo es una colección o conjunto de

mediciones de cierto fenómeno o experimento
registrados secuencialmente en el tiempo, en forma
equiespaciada (a intevalos de tiempo iguales).
 tie m po
e rie d e
s un a s
pl o
Ejem
• Las tasas mensuales de desempleo durante los
cinco años previos.
• La producción diaria en una planta de
manufactura durante un mes.
• La población década por década de un estado
en el siglo anterior.
Aplicación de series del tiempo en…
Componentes de una serie de tiempo
Tendencia (T) es el movimiento gradual,
ascendente o descendente, de los datos a través
del tiempo.
Estacionalidad (S) es el patrón de datos que se
repite a si mismo después de un periodo de días,
semanas, meses, trimestres, estaciones, etc. pero
dentro del año..
Ciclos(C) son patrones que ocurren en los datos
cada varios años.
Variación al azar (R) son variaciones aleatorias
que no obedecen a ningún comportamiento. 
Componentes de una serie de tiempo

Tendencia
La tendencia a largo plazo de una serie
de aumentar o disminuir (tendencia
creciente o tendencia decreciente).
Componentes de una serie de tiempo

Estacionalidad
La fluctuación periódica en las series de
tiempo dentro de un período determinado.
Estas fluctuaciones forman un patrón que
tiende a repetirse de un período estacional
al siguiente.
Estacionalidad

El deporte del esquí sobre

nieve es una industria que
muestra varios patrones
distintos de comportamiento.
Es, principalmente, estacional,
es decir, el invierno, y durante
un periodo muy prolongado
muestra generalmente una
tendencia de crecimiento. Los
factores aleatorios pueden
ocasionar variaciones, o picos y
depresiones abruptas, en la
demanda.
Componentes de una serie de tiempo

Ciclos
Largas desviaciones de la tendencia
debido factores diferentes de la
estacionalidad. Los ciclos por lo general se
producen durante un intervalo de tiempo
extenso, y los tiempos que transcurren
entre los picos o valles sucesivos de un
ciclo no necesariamente son iguales.
Las alzas y las bajas de la economía o de una
industria especificas se representan en variaciones
cíclicas.
Componentes de una serie de tiempo

Movimiento irregular
El movimiento que queda después de
explicar los movimientos de tendencia,
estacionales y cíclicos; ruido aleatorio o
error en una serie de tiempo.
Un suceso impredecible, como una guerra, una
huelga, un terremoto o partes de legislación, puede
causar grandes variaciones aleatorias. A diferencia de
las otras tendencias , la variación aleatoria siempre
esta presente.
 Los pronósticos se basan en
patrones de datos existentes.
Por ejemplo, la gerente de un almacén
puede modelar la cantidad de productos
que necesita ordenar para los próximos 3
meses con base en los pedidos de los
últimos 12 meses.
 PRONÓSTICOS DE SERIES DE TIEMPO

Los métodos de análisis de series de tiempo

 se usan para hacer análisis detallados de los
patrones históricos de la demanda a lo largo
del tiempo y para proyectarlos hacia
el futuro.
Los modelos de series de tiempo representan la
variable que se va a pronosticar respecto al tiempo
y basados en estos datos, tratan de predecir lo que
sucederá en el futuro (Box y Jenkins, 1977).
Pasos requeridos para obtener un pronóstico

1. DEFINIR EL PROPÓSITO
2. RECOLECTAR DATOS: fuentes primarias o
secundarias.
3. PREPARAR LOS DATOS: ordenar y clasificar.
4. SELECCIONAR LA TÉCNICA ADECUADA:
cualitativa o cuantitativa.
5. EJECUTAR EL PRONÓSTICO: estimar errores
6. DAR SEGUIMIENTO: confrontar con
información actual.
 n ó sti co
de l p ro
Err o r
El término error se refiere a la
diferencia entre el valor del
pronóstico y lo que ocurrió en
realidad, entre menor medida
(valor) del error, es mejor.
 Error del pronóstico

Error de pronóstico=Demanda real – valor pronosticado

Diferencia entre el valor del

pronóstico y lo que ocurrió en
realidad.
¿Qué utilidad tiene calcular el error de
pronóstico de demanda?

Calcularlo, permite tomar decisiones frente a qué

método de pronóstico es el mejor y logran
detectar cuando algo en nuestra previsión de la
demanda no está marchando bien, con lo que se
consigue cambiar el rumbo de las decisiones a fin
tomar las mejores elecciones.
 Mediciones del error en los pronósticos

• (CFE) Suma acumulada de Los errores

• (MSE - EMC) Cuadrado del error medio /

error cuadrático medio

• (MAD - DAM) Desviación media absoluta

• (MAPE / PEMA) Error porcentual medio

• (SR) Señal de rastreo

 Mediciones del error en los pronósticos

• (CFE) Suma acumulada de Los errores

Es la medida más básica de todas y es la que da origen a

las demás. Es la suma acumulada de los errores de
pronóstico. Nos permite evaluar el sesgo del
pronóstico.
 Mediciones del error en los pronósticos

• (MSE - EMC) Cuadrado del error medio /

error cuadrático medio
Al igual que la DAM, el MSE es una medida de dispersión del
error de pronóstico, sin embargo esta medida maximiza el error
al elevar al cuadrado, castigando aquellos periodos donde la
diferencia fue más alta a comparación de otros. En consecuencia,
se recomienda el uso del MSE para periodos con desviaciones
pequeñas.
 Mediciones del error en los pronósticos

• (MAD - DAM) Desviación media absoluta

Mide la dispersión del error de pronóstico o dicho de
otra forma, la medición del tamaño del error en unidades.
Es el valor absoluto de la diferencia entre la demanda
real y el pronóstico, dividido sobre el número de
periodos.
 Mediciones del error en los pronósticos

• (MAPE / PEMA) Error porcentual medio

Es la desviación en términos porcentuales y no en
unidades como las anteriores medidas. Es el promedio
del error absoluto o diferencia entre la demanda real y el
pronóstico, expresado como un porcentaje de los valores
reales.
 Mediciones del error en los pronósticos

• (SR) Señal de rastreo

Una señal de rastreo es un indicador de cuán bien se
ajustan las predicciones de un pronóstico al
comportamiento real de la demanda. La señal de rastreo se
calcula como la suma de la desviación acumulada (suma
corriente de errores del pronóstico), dividida entre la
desviación media absoluta (DMA):
 En este ejemplo de errores de pronóstico, tomamos la empresa Media-tec que
vende impresoras. La empresa pronosticó la demanda con el método de
promedio móvil simple.

Observa como los cálculos de error de pronóstico aplicados para un solo método en un
solo período de tiempo carecen de significado. Su utilidad radica cuando comparamos
los cálculos de error con los cálculos de otros métodos de pronóstico.
Medidas de error - Medidas de exactitud

ME MSE MAD MAPE

MODELO1 3.7037 29074.07 151.85 0.3548
MODELO2 -1.8518 61759.26 209.25 0.4809
MODELO3 24.074 14166.67 98.148 0.2427

Toma decisión cuál modelo/método de

pronóstico es el mejor :

El modelo #3 tiene menor medida de error excepto

para ME. El modelo #3 es el mejor modelo.

36
MAD - DAM MSE - EMC MAPE / PEMA
 Análisis de tendencia
Ajusta un modelo de tendencia general a los datos de
las series de tiempo. Elija entre los modelos de
tendencia lineal, cuadrático, crecimiento o decadencia
exponencial y curva S.
Example of a simple time series plot - Minitab
You are a sales manager and you want to view your
company's quarterly sales for 2001 to 2003. Create a
time series plot.
1    Open the worksheet NEWMARKET.MTW.
2    Choose Graph > Time Series Plot or Stat > Time Series > Time
Series Plot.
3    Choose Simple, then click OK.
4    In Series, enter SalesB.
5    Click Time/Scale.
6    Under Time Scale, choose Calendar. Then, choose Quarter Year.
7    For start values, under Quarter, type 1. Under Year, type 2000.
8    Click OK in each dialog box.

Graph window output

Interpreting the results
Overall sales increased over the three years. Sales may
be cyclical, with lower sales in the first quarter of each
year.
 Ejemplo de un Gráfica de serie de tiempo

Un corredor de bolsa compara el rendimiento mensual

de dos acciones durante los últimos dos años. El
corredor de bolsa crea una gráfica de series de tiempo
para visualizar el rendimiento de las dos acciones.
1.Abra los datos de muestra, PrecioAcción.MTW.
2.Elija Gráfica > Gráfica de serie de
tiempo > Múltiple o Estadísticas > Series de tiempo > Gráfica de serie
de tiempo > Multiple.
3.En Serie, ingrese 'Empresa A' y 'Empresa B'.
4.Haga clic en Tiempo/Escala.
5.En Escala de tiempo, seleccione Calendario y luego seleccione Mes.
6.Haga clic en Aceptar en cada cuadro de diálogo.
 Interpretar los resultados

La línea continua para la

Compañía A muestra un lento
incremento en el período de dos
años. La línea discontinua para la
Compañía B también muestra un
incremento general durante los
dos años, pero fluctúa más que el
de la Compañía A. La Compañía B
comienza más abajo que la
Compañía A, pero la Compañía B
supera a la Compañía A para el
mes de abril.
 Método
Cuantitativo

Modelo de
Modelos
Serie de
causales
tiempos

Promedio Suavizado Regresión

móvil exponencial lineal
 Promedio móvil simple
Combina los datos de la demanda de la mayor parte
de los períodos recientes, siendo su promedio el
pronóstico para el período siguiente.

Suaviza los datos al promediar las observaciones

consecutivas en una serie. Puede usar este
procedimiento cuando los datos no tengan un
componente de tendencia.
 Promedio móvil simple

El método de pronóstico móvil simple se

utiliza cuando se quiere dar más
importancia a conjuntos de datos más
recientes para obtener la previsión. 
Prome
di o m ó
vil simp
le
Promedio móvil simple

Desventaja : requiere una gran cantidad de datos.

Solución del promedio simple
 Gráfico de Promedio móvil simple

Ventas

Actual

Pronóstico

Año
Pro
m e di
om
óvi
les
Promedio móvil simple
Para calcular el pronóstico de una serie de tiempo mediante el método
de promedio móvil simple, hay que proceder de la siguiente manera:

1. Ingresar la serie de tiempo en una sola columna.

2. Seleccionar del menú Stat la opción Time series.
3. Seleccionar la opción Moving average.
a. Seleccionar la variable de interés en el cuadro Variable.
b. En el cuadro MA length escribir el valor deseado de k (número de
períodos a promediar).
c. Seleccionar Generate forecasts.
d. Escribir en el cuadro Number of forecasts la cantidad de pronósticos
deseados.
e. En el cuadro Starting from origin, escribir el número de datos.
4. Oprimir Ok.

Minitab desplegará en el panel de la sesión, la cantidad de pronósticos

definidos en el paso (d) con los límites que conforman el intervalo de
predicción, así como los valores de las mediciones de error MAPE, MAD (o
MAE) y MSD (o MSE). También desplegará un gráfico con la serie de tiempo
original y la suavizada.
Ejemplo de Promedio móvil
Un vendedor de pasta de dientes recopila datos con
respecto a las ventas y el número de anuncios
comerciales que se transmitieron durante las últimas
60 semanas. El comerciante crea un modelo de
series de tiempo para la predicción de las ventas.

1.Abra los datos de muestra, VentasPastaDental.MTW

2.Elija Estadísticas > Series de tiempo > Promedio móvil.
3.En Variable, ingrese Ventas.
4.En Longitud de MA, ingrese 2.
5.Seleccione Generar pronósticos. En Número de pronósticos, ingrese 6.
6.Haga clic en Aceptar.
Interpretar los resultados
En la gráfica de promedio móvil, los pronósticos y la línea siguen
estrechamente a los datos, particularmente al final de las series.
El minorista puede estar 95% seguro de que las ventas se
ubicarán entre aproximadamente 53 y 67 durante los 6 meses
siguientes.
Promedio móvil de Ventas
Método
Datos Ventas
Longitud 101
Número de valores faltantes 0

Promedio móvil

Longitud 2

Medidas de exactitud
MAPE 8.8780
MAD 2.9242
MSD 13.8308
Pronósticos
Período Pronóstico Inferior Superior
102 60 52.7109 67.2891
103 60 52.7109 67.2891
104 60 52.7109 67.2891
105 60 52.7109 67.2891
106 60 52.7109 67.2891
107 60 52.7109 67.2891
Gráfica de promedio móvil de Ventas
 Suavizado exponencial

 Los pronósticos de producción desarrollados con series

de tiempo hacen uso de los datos del pasado para
predecir el comportamiento de la demanda en el futuro.

Sin embargo, y a diferencia de otros métodos, el suavizado

o alisamiento exponencial funciona con muy pocos
registros de periodos anteriores, destacando los hechos
más recientes sobre los más antiguos.
Suavizado exponencial

Es el método de pronóstico más

usado por su simpleza, tanto por
pequeñas y grandes empresas, sea en un
sencillo archivo de Excel o un software
como forecast pro. 
 Sus ventajas son:
• Formulación es sencilla, pues solo requiere el
pronóstico anterior, la demanda real del periodo
de pronóstico y la constante de suavización.

• No requiere de gran volumen de datos históricos.

• Al ser un modelo exponencial, es más preciso.

• Es flexible al conseguir darle más importancia a la

demanda más reciente o a la antigua.
Suavizado exponencial

El método de suavización exponencial simple

trabaja a través de una constante de
suavización alfa (α) que tiene un valor
comprendido entre 0 y 1, aunque en la
aplicación real su valor suele variar entre 0,05 y
0,50.
La constante funciona como un factor de
ponderación y su variación se hace de acuerdo a
nuestra necesidad de darle más peso a datos
recientes (alfa α más elevado) o a datos anteriores
(alfa α más bajo). En este sentido, si α=1,
nuestro pronóstico de demanda del próximo
periodo será exactamente igual al del periodo
actual.
 En consecuencia, el alfa que elijamos estará
relacionado con el índice de respuesta y la
naturaleza del producto. 

Por ejemplo, teniendo un producto o servicio con

demanda estable a través del año, nuestra constante
de suavización tenderá a ser pequeña (0,10 por
ejemplo), debido a que, no requerimos un elevado
índice de respuesta frente a los cambios entre la
demanda real y la demanda pronosticada.
Caso contrario es cuando la compañía comienza a tener un
crecimiento en su demanda, lo que va a requerir un alfa más
elevado (0,30 por ejemplo) para dar mayor importancia a la
demanda reciente.
 Cómo calcular un pronóstico con
suavización exponencial

El cálculo es simple, se requiere el pronóstico anterior, la

demanda real del periodo de pronóstico y la constante
de suavización.

Si es la primera vez que usamos el método, el pronóstico

anterior puede ser un estimado o el resultado de un
promedio simple, por ejemplo.
Cómo calcular un pronóstico con suavización
exponencial

Donde
F = Nuevo pronóstico
t

F = Pronóstico del periodo anterior

t-1

α = constante de suavización
A = demanda real del periodo anterior
t-1
Ejemplo de suavización exponencial

AXXA ha decidido expandir su mercado a la ciudad

capital de un país. Por ser la ciudad que congrega
más habitantes, han decidido comenzar ofreciendo
servicio de seguro para autos.
Como ejercicio inicial, la empresa desea pronosticar cuántos
seguros de vehículo serán contratados por las personas de la
ciudad capital, para lo cual usarán como dato inicial los seguros
de vehículos contratados en otra ciudad con menos habitantes,
pero con mayor posicionamiento en el mercado.

El pronóstico de demanda del período 1 es 2869 seguros de

carro adquiridos por personas, pero la demanda para ese
periodo fue de 3200. La compañía según su criterio asigna
α=0,35.
La demanda del próximo periodo es:
Ft= 2869+0.35(3200-2869)=2984.85
Este mismo ejercicio se realizó a través del año, obteniendo la
siguiente tabla comparativa entre lo realmente obtenido (demanda
– segunda columna) y lo pronosticado en ese momento (tercera
columna).
Gráficamente, esa tabla sería algo como esto:

Demanda pronosticada con método de suavización exponencial

4000
3500
3000
2500
Unidades

2000
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
Periodos

Demanda Pronóstico
Regresión lineal:
Pronóstico de la demanda

El objetivo del análisis de regresión como

método causal es pronosticar la demanda
a partir de una o más causas (variables
independientes), las cuales pueden ser por
ejemplo el tiempo, precios de partes,
producto o servicio, precios de la
competencia, economía del país, acciones del
gobierno o fomentos publicitarios.
Algo importante sobre este método son:
•En el primer caso, se ubica la demanda histórica del bien o
servicio para que cambie en función del tiempo. El segundo
caso es cuando la variable a pronosticar cambia en función
de otra (variable causal).

•Lineal significa que los datos del periodo anterior y la

proyección para el periodo futuro a obtener caen sobre una
recta.

•Si hablamos de una sola variable independiente, es una

regresión lineal simple, contrario a si son dos o más
variables independientes, donde hablaríamos de regresión
lineal múltiple.
¿Cuándo utilizar un pronóstico de regresión lineal?

El pronóstico de regresión lineal simple es un modelo óptimo para

patrones de demanda con tendencia (creciente o decreciente), es
decir, patrones que presenten una relación de linealidad entre la
demanda y el tiempo.

Existen medidas de la intensidad de la relación que presentan las

variables que son fundamentales para determinar en qué momento es
conveniente utilizar regresión lineal.
Regresión lineal:
Pronóstico de la demanda

El análisis de regresión es pertinente cuando se

evidencia una tendencia en los datos históricos
del pronóstico. ¿es creciente o decreciente?
Regresión lineal

¿Cómo es la relación entre la demanda y el

tiempo?

Para responder esta pregunta, haremos uso

del coeficiente de correlación (r).

Este coeficiente, informa qué tanta correlación

existe entre la demanda y el tiempo.
•Correlación perfecta: Cuando el resultado de
coeficiente es igual a 1 o -1. En este caso existe
una relación directamente proporcional entre la
demanda y el tiempo.

•Correlación fuerte: Cuando el resultado es

mayor a 0.5 y menor que 1 (correlación positiva)
o menor a -0.5 y mayor que -1(correlación
negativa).

•Correlación débil: Valores que están entre -0.5 y

0.5.
Correlation Coefficient

90 Perfect Positive 100

Correlation Perfect Negative
80 90
Correlation
70
80
60
70
Y

Y
50
60
40
50
30
r = +1.0 r = -1.0
20 40
10 20 30
10 20 30
X X
76
r = 0.0
75

74 No Correlation
Y

73

72

71

10 20 30
Copyright © 2001-2005
Six Sigma Academy International, LLC X
Correlation And Simple Regression Pg 77
All rights reserved; for use only in
compliance with SSA license.
Qué variables podemos colocar aquí?
"Diagrama de Dispersión y correlación entre las variables
Temperatura y Ozono para airquality"
Correlation vs. Causation
• Data shows that the average life expectancy increased when the divorce
rate went up!
• Is there a Correlation between shark attacks and ice cream sales?

# of Shark Attack
Average Life
Expectancy

Divorce Rate Ice Cream Sale

Correlation does not imply causation! A third variable may

be ‘lurking’ that causes both x and y to vary.

Copyright © 2001-2005
Six Sigma Academy International, LLC
Correlation And Simple Regression Pg 80
All rights reserved; for use only in
compliance with SSA license.
En conclusión…

Entre más cercano se encuentre el coeficiente de

correlación a +1 o -1 más fuerte será la tendencia y más
apropiado será aplicar un modelo de regresión lineal. Por
ejemplo, si la correlación es igual a 1, observaremos que la
relación entre las variables es directamente proporcional,
en el sentido que, si uno aumenta, la otra también lo hará.
Strength And Direction Of Correlation

Copyright © 2001-2005
Six Sigma Academy International, LLC
Correlation And Simple Regression Pg 82
All rights reserved; for use only in
compliance with SSA license.
Por ejemplo, en la Industria Química

La concentración de un elemento es uno de los parámetros

de mayor importancia en los procesos químicos aplicados en
la industria. Esta cuantificación se puede obtener mediante
un espectrofotómetro, dispositivo que requiere se calibrado.
Para ello se elabora una recta de calibración que se obtiene a
partir de la correlación entre la absorbancia de un patrón y la
concentración de la sustancia a controlar.
EJEMPLO: Proceso químico de destilación

Correlation Coefficient = 0,936715

Business Process Example:
Cereal Sales
A market research analyst for a brand of cereal is interested in finding out if there is a
relationship between the sales generated and shelf space used to display the cereal.
She conducted a study and collected data from 12 different stores selling this brand of
cereal.

Shelf Space, Sq in Sales, $

574 960
635 1709
The data contains sales $ generated for
533 651
a certain month and the shelf space
560 831
dedicated to the product.
628 1460
615 1473
540 751
587 1238 Data is in file:
656 1924 Regression.mpj
594 1370 Make worksheet ”Sales” active.
622 1609
567 1120
Correlation And Simple Regression Pg 85
El análisis de regresión en el pronóstico de
demanda

Esta es la ecuación de la recta. En ella:

•La b es la inclinación de la recta.

•La a es la secante o la altura en la que la recta corta al eje y.
•La X es nuestra variable independiente.
•La Y es nuestra variable dependiente, nuestro pronóstico
calculado para un periodo.
Ejemplo de regresión lineal para pronosticar la demanda:

Las ventas de la empresa ”Librostodos”

durante los últimos 10 trimestres son las
siguientes:
Pronostica la demanda de los trimestres 13, 14 y 15 a
través de un análisis de regresión lineal

1. Hay que estimar los parámetros.

2. Lo podemos lograr con el método de mínimos

cuadrados, que nos permite encontrar la recta que
mejor se ajusta a un conjunto de datos dados. En
este caso, este conjunto está dado por las ventas
trimestrales (variable dependiente).

3. La variable independiente es el tiempo. Vamos

entonces a la siguiente fórmula para determinar a y b:
•La y “minúscula” es el valor “y” de cada punto de datos.
•La n es el número de punto de datos.
En la siguiente se encuentran los cálculos realizados para los 12
trimestres según lo requerido por las ecuaciones:

Con los valores de la última fila de la tabla, podemos calcular a y b, con los
cuales logramos calcular los valores de la última columna (Y) que es la
recta que más se ajusta a la demanda y.
 Con los valores de la última fila de la tabla, podemos calcular a y b, con los
cuales logramos calcular los valores de la última columna (Y) que es la recta
que más se ajusta a la demanda y.

Procedemos igual para los demás trimestres.                 

Y14=63,657(14)+72,894=964.09
Y15=63,657(15)+72,894=1027.75
 P ron ó sti cos ? ?
i a Q uí m i ca. .
Industr

Toma de decisiones para las operaciones:

• Asegurar que los bienes y servicios de la empresa se

proporcione en cuanto se necesiten.
• Capacidad de la fábrica.
• No. de trabajadores requeridos.
• Decisiones respecto a inventarios.
• Planes y programas de Producción.
• Requisición de materiales e insumos.