P.

Reyes / enero 2010

MÉTODOS DE
PRONÓSTICOS

http://renovables.wordpress.com/2008/03/
1
Pronósticos
El Pronóstico de la Demanda en el Futuro es
esencial para el manejo adecuado de la Cadena
de Suministro.

http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
2
Pronósticos
¿Cuál será la demanda del cliente por
determinado producto en el futuro?
¿En qué parte del proceso está el Inventario?

http://www.psychicguild.com/forecasting/
3
Patrones de demanda
Relaciona cantidades demandadas con
respecto al tiempo.

Por Temporada: los datos muestran

consistentemente “picos” y “valles”.

Cíclico:
se observan incrementos y
decrementos sobre diferentes períodos

4
 Patrones de demanda
Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución en
la serie sobre un periodo amplio.
Cíclico Es la fluctuación en forma de onda
alrededor de la tendencia.
Estacional Es un patrón de cambio que se repite a sí
mismo período tras período ( año tras año,
mes con mes, día con día, etc.)
Aleatorio Mide la variabilidad de las series de tiempo
después de retirar los otros componentes
(tendencias, ciclos, estacionalidad, etc.).

5
Patrones de demanda

http://html.rincondelvago.com/ciclo-economico.html

7
Patrones de demanda
Una curva en S es típica del crecimiento
del producto y el ciclo de madurez

http://samscam.co.uk/blog/410
8
Áreas de toma de decisiones
Decisiones importantes
Mercadotecnia
Manufactura
·Asignación de fuerza
·Planeación de la de trabajo
producción ·Promociones
·Control de Inventarios ·Introducción de Nuevos
·Planeación Agregada Productos

Finanzas Personal
·Inversión de Planta/ ·Planeación de Fuerza
Equipo de Trabajo
·Planeación de Capital ·Contrataciones

10
 Bases para pronósticos
Datos históricos para proyectar el futuro
en base a modelos matemáticos.
Predicción del futuro subjetiva o intuitiva
Modelos causales de regresión

http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
11
 Horizonte de planeación
Horizonte de tiempo
Corto plazo Mediano Plazo Largo Plazo
(0-3 meses) (3 meses- 2 años) (más de 2 años)
Nivel de
Pronóstico Productos y servicios Ventas Totales/ Ventas Totales
Individuales Familias de Productos y
Servicios
Área de Decisión  Manejo de  Planeación de  Localización de
Inventarios puestos directivos Infraestructura
 Programa de  Planeación de la  Planeación de la
ensamble Final producción capacidad
 Programa de fuerza  MPS  Gerencia de
de trabajo  Procuración Procesos
 MPS  Distribución
Técnica de Series de
Pronóstico tiempo/Registro Regresión Regresión Lineal/
Lineal/Pronóstico Lineal/Pronóstico Pronóstico Cualitativo
cualitativo Cualitativo

12
 Insumos para la planeación
Condiciones del Mercado Panorama Económico Otros
•Acciones de la Factores
competencia •Situación del ciclo de
los negocios •Legales
•Gustos del Consumidor
•Indicadores Líderes •Políticos
•Ciclo de vida de los Precios de las
productos acciones •Sociales
Rendimiento de los
•Estación del año bonos •Culturales
Precios de materiales
Oferta de dinero
•Planes de los clientes
Cierre de Negocios
Desempleo

14
 Insumos para la planeación
Plan de Plan Financiero
Plan de Mercadotecnia
Producción
·Nivele y gestión
·Publicidad de la calidad en el ·Políticas de
proceso de crédito
·Fuerza de ventas
producción
·Políticas de
·Precio
·Servicio al cliente facturación
·Ventas históricas
·Capacidad ·Manejo
·Canales de Financiero de
Comercialización ·Costos recursos

15
Influencia del ciclo de vida del producto
 Los bienes y servicios no se venden en forma constante
a través de su vida en el mercado.

http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresas-e-innovacion
-a-traves-del-ciclo-de-vida/print/
16
Enfoques para pronósticos
Modelos de
Decisión para
Pronósticos

Pronósticos Pronósticos
Cuantitativos Cualitativos

•Modelos •Aspectos subjetivos

Matemáticos •Intuición,
•Datos Históricos emociones,
experiencias
•Sistema de Valores

17
Forecasting Models
Pronósticos cualitativos
“Grass roots – fuerza de ventas” –
tendencias de clientes

http://technet.microsoft.com/en-us/library/bb687375.aspx
19
 Grass roots Forecasting
Se basa en cuestionar al personal cercano al cliente,
tales como vendedores y distribuidores estables y
con experiencia, sobre lo que piensan vender el
siguiente periodo para considerarse en el pronóstico.

Implica distraer a la fuerza de ventas y puede ser

sesgado. Los pronósticos pueden ajustarse con base
en la correlación histórica de la opinion de la fuerza
de ventas y las ventas reales.

http://firgoa.usc.es/drupal/node/41923/print
20
Pronósticos cualitativos
Investigación de mercado

http://www.elg-asesores.com/serv
icios.html http://customerservicevoodoo.w
ordpress.com/2009/05/

21
Investigación de mercado
Permite determinar si hay demanda
suficiente para el producto o servicio

Permite determinar las necesidades y

deseos del cliente actual o potencial

Hay dos tipos de investigación de

mercado: primaria y secundaria

22
Investigación de mercado
IM Primaria: información directa de
clientes actuales o potenciales, más costosa

◦ Encuestas (mail, teléfono, cara a cara)

◦ Grupos focales (6 – 10)

 Se comentan problemas y bondades del producto

◦ Entrevistas individuales
23
Investigación de mercado
IM secundaria: información que alguien
más ha colectado
◦ Reportes / estudios
◦ Periódicos
◦ Revistas
◦ Bibliotecas (datos estadísticos)
◦ Organismos gubernamentales
◦ Estadísticas en Web
◦ Asociaciones comerciales e industriales

24
Investigación de mercado
IM mientras opera el negocio
◦ Reportes de ventas (seguir productos)

◦ Competencia (cambios)

◦ Encuestas de clientes

◦ Identificar las zonas desde donde llaman los

clientes
25
Pronósticos cualitativos
Consenso de expertos
◦ (evitar juicio de ejecutivos)

http://www.ravenwerks.com/?p=7
26
Pronósticos cualitativos
Analogía histórica (geográfica o histórica)
◦ Ver comportamiento de productos análogos

http://www.chromaservices.ca/multimedia_services/convert_vhs_to_dvd.html
http://www.hdtvexpert.com/pages_b/toshiba_HD-A2.html
27
Ciclo de vida del producto
 Los bienes y servicios no se venden en forma constante
a través de su vida en el mercado.

28
http://exoplanet.as.arizona.edu/~lclose/teaching/a202/lect24.html
29
Pronósticos cualitativos
Analogía histórica
◦ Ver comportamiento de productos análogos

http://www.uiah.fi/projects/metodi/190.htm

30
Pronósticos cualitativos
Método Delphi (Rand Corporation)
◦ Oculta la identidad de las personas que participan

Los pasos de este procedimiento son:

Escoger los expertos que participarán. Debe
haber personas que tengan conocimiento de
distintas áreas.
Por medio de un cuestionario (o correo
electrónico), obtener pronósticos (y las premisas
o calificaciones para estos pronósticos) de todos
los participantes.
31
Pronósticos cualitativos
Resumir los resultados y volver a repartirlos
entre los participantes, con las correspondientes
preguntas nuevas.

Volver a resumir, mejorando los pronósticos y las

condiciones y volver a preparar preguntas
nuevas.

Repetir el paso 4 en caso necesario. Repartir los

resultados finales entre todos los participantes.

32
 Pronósticos cualitativos
Método Delphi

http://flickr.com/photos/78846417@N00/2513262775
33
 Pronósticos cuantitativos
Modelos de Modelo Causal
Series de Tiempo

·Predicen sobre la base ·Se incorporan al modelo las

que el futuro está en variables o factores que pueden
función del pasado. influenciar la cantidad que se
pronostica.
·Están expresados en
noción matemática.

34
MODELOS DE SERIES DE
TIEMPO
Métodos cuantitativos de pronóstico

35
 Pronósticos cuantitativos
Método de Cantidad de Datos Patrón de Datos Plazo del Tiempo de Antecedentes
Pronóstico Históricos Pronóstico Preparación del Personal
Método exponencial 5 a 10 observaciones para Los datos deben Corto Breve Poca
simple establecer el peso ser estáticos sofisticación

Método Exponencial 5 a 10 observaciones para Tendencia pero no Corto a Breve Leve

doble establecer los dos pesos estacionalidad mediano sofisticación

Método Exponencial Un mínimo de 4 a 5 Tendencia y Corto a Breve Moderada

de Winters observaciones por estacionalidad mediano sofisticación
temporada

Modelos de 10 a 20; para Tendencia y Corto a Breve Moderada

regresión de estacionalidad un mínimo estacionalidad mediano sofisticación
tendencias de 5 por estación

Modelos de 10 observaciones por Capacidad para Corto, Mucho para Considerable

regresión causal variable independiente manejar patrones mediano o preparación, sofisticación
complejos largo breve para la
aplicación

Descomposición de Basta con ver 2 crestas y Maneja patrones Corto a Breve a Poca
series de tiempo valles cíclicos y mediano moderado sofisticación
estaciónales;
puede identificar
puntos de inflexión

36
 Pronósticos cuantitativos
Promedio ingenuo
◦ Pronóstico t = resultado del mes anterior
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi| (Xi-Fi) 2
*100
Enero 1 52 - - - -  
Febrero 2 81 52 29 29 35.80 841
Marzo 3 47 81 -34 34 72.34 1,156
Abril 4 65 47 18 18 27.69 324
Mayo 5 50 65 -15 15 30.00 225
Junio 6 73 50 23 23 31.51 529
Julio 7 45 73 -28 28 62.22 784
Agosto 8 60 45 15 15 25.00 225
Septiembre 9 50 60 -10 10 20.00 100
Octubre 10 79 50 29 29 36.71 841
Noviembre 11 45 79 -34 34 75.56 1,156
Diciembre 12 62 45 17 17 27.42 289
Suma   709   10 252 444 6,470
          MAD MAPE MSD
Media       0.83 21 37.02 539.17
37
Pronósticos cuantitativos
Promedio ingenuo
◦ Pronóstico t = resultado del mes anterior
90

80

70

60

50
Xi 52
40 Fi -

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11

38
 Pronósticos cuantitativos
Promedio simple
◦ Pronóstico t = promedio de meses anteriores
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2
Enero 1 52 - - - -  
Febrero 2 81 52 29 29 35.80 841
Marzo 3 47 67 -20 19.5 41.49 380
Abril 4 65 60 5 5 7.69 25
Mayo 5 50 61 -11 11.25 22.50 127
Junio 6 73 59 14 14 19.18 196
Julio 7 45 61 -16 16.333 36.30 267
Agosto 8 60 59 1 1 1.67 1
Septiembre 9 50 60 -10 10.143 20.29 103
Octubre 10 79 58 21 20.889 26.44 436
Noviembre 11 45 65 -20 19.5 43.33 380
Diciembre 12 62 59 3 3.1818 5.13 10
Suma   709   -4 150 260 2,766
          MAD MAPE RMS
Media       -0.30 12.483 21.65 230.52

39
Pronósticos cuantitativos
Promedio simple
◦ Pronóstico t = promedio de meses anteriores
90

80

70

60

50
Xi 52
40 Fi -

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11

40
 Pronósticos cuantitativos
Promedio móvil simple
◦ Pronóstico t = promedio de n=3 meses anteriores
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2

Enero 1 52 - - - -  
Febrero 2 81 - - - - -
Marzo 3 47          
Abril 4 65 64.33 1 0.6667 1.03 0
Mayo 5 50 54.00 -4 4 8.00 16
Junio 6 73 62.67 10 10.333 14.16 107
Julio 7 45 56.00 -11 11 24.44 121
Agosto 8 60 59.33 1 0.6667 1.11 0
Septiembre 9 50 51.67 -2 1.6667 3.33 3
Octubre 10 79 63.00 16 16 20.25 256
Noviembre 11 45 58.00 -13 13 28.89 169
Diciembre 12 62 62.00 0 0 0.00 0
Suma   709   -2 57 101 672
          MAD MAPE RMS
Media       -0.17 4.7778 8.43 56.04
41
Pronósticos cuantitativos
Promedio móvil simple
◦ Pronóstico t = promedio de n=3 meses anteriores

42
Promedio móvil simple

43
Promedio móvil simple

http://www.fxwords.com/m/moving-averages.html
44
 Pronósticos cuantitativos
Promedio móvil ponderado (pesos 0.6, 0.3, 0.1)
◦ Pronóstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2
Enero 1 52 - - - -  
Febrero 2 81 - - - - -
Marzo 3 47          
Abril 4 65 57.70 7 7.3 11.23 53
Mayo 5 50 61.20 -11 11.2 22.40 125
Junio 6 73 54.20 19 18.8 25.75 353
Julio 7 45 65.30 -20 20.3 45.11 412
Agosto 8 60 53.90 6 6.1 10.17 37
Septiembre 9 50 56.80 -7 6.8 13.60 46
Octubre 10 79 52.50 27 26.5 33.54 702
Noviembre 11 45 68.40 -23 23.4 52.00 548
Diciembre 12 62 55.70 6 6.3 10.16 40
Suma   709   3 127 224 2,317
          MAD MAPE RMS
Media       0.27 10.558 18.66 193.10

45
Pronósticos cuantitativos
Promedio móvil ponderado (pesos 0.6, 0.3, 0.1)
◦ Pronóstico t = Resultado mes anterior*0.6 + Res. de
hace dos meses*0.3 + Res. de hace tres meses*0.1
90

80

70

60

50
Xi 52 81
40 Fi - -

30

20

10

0
1 2 3 4 5 6 7 8 9 10

46
Pronósticos cuantitativos
Promedio móvil ponderado

http://www.marketoracle.co.uk/Article9875.html

47
Pronósticos cuantitativos
Suavizamiento exponencial simple (alfa =0.2)
◦ Asigna la ponderación mayor a los valores
observados más recientes, y ponderaciones
decrecientes a los valores más antiguos.
◦ Minitab usa el promedio de las primeros 6
observaciones (o N, si N < 6) para el valor inicial
estimado en tiempo uno.
◦ Los valores subsecuentes se calculan con la fórmula:

◦ Pronóstico t = Resultado mes anterior*Alfa + (1-Alfa)

*pronóstico del mes anterior

48
 Pronósticos cuantitativos
◦ F1 = promedio de las primeras 6 observaciones

Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2

Enero 1 52 61.33 -9.33 9.33 17.95 87.11
Febrero 2 81 59.47 21.53 21.53 26.58 463.68
Marzo 3 47 63.77 -16.77 16.77 35.69 281.34
Abril 4 65 60.42 4.58 4.58 7.05 20.99
Mayo 5 50 61.33 -11.33 11.33 22.67 128.48
Junio 6 73 59.07 13.93 13.93 19.09 194.10
Julio 7 45 61.85 -16.85 16.85 37.45 284.07
Agosto 8 60 58.48 1.52 1.52 2.53 2.30
Septiembre 9 50 58.79 -8.79 8.79 17.57 77.21
Octubre 10 79 57.03 21.97 21.97 27.81 482.71
Noviembre 11 45 61.42 -16.42 16.42 36.50 269.73
Diciembre 12 62 58.14 3.86 3.86 6.23 14.91
Suma   709   -12.11 146.90 257.11 2,306.64
          MAD MAPE MSD
Media       -1.01 12.24 21.43 192.22

49
Pronósticos cuantitativos
◦ F1 = promedio de las primeras 6 observaciones

Smoothing Plot for Xi

Single Exponential Method

90 Variable
Actual
Fits
80 Forecasts
95.0% PI

70 Smoothing Constant
A lpha 0.2

Accuracy Measures
60
Xi

MAPE 21.426
MAD 12.242
MSD 192.220
50

40

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index

50
Pronósticos cuantitativos
 Suavizamiento exponencial doble
◦ Considera la tendencia
◦ Lt es el nivel en tiempo t, alfa es el peso para el nivel
◦ ·Tt es el nivel de tendencia en tiempo t, g es el peso
para la tendencia t
◦ ·Y es el valor observado en tiempo t, Yest es el valor
estimado un paso adelante en tiempo t

51
Pronósticos cuantitativos
 Los valores de estimaciones iniciales son:
  S1= X1 T1 = X2 - X1
 Las proyecciones o pronósticos se obtienen con las
siguientes ecuaciones:

 St equivalente del valor suavizado exponencial único

 Beta coeficiente de suavizamiento, análogo a αlfa
 Tt tendencia suavizada en la serie de datos.
 m número de períodos a pronosticar 1,2,3……
52
 Pronósticos cuantitativos
◦ Suavizamiento exponencial doble
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi|*100 (Xi-Fi) 2
Enero 1 52 60.29 -8.29 8.29 15.95 68.80
Febrero 2 81 58.08 22.92 22.92 28.29 525.15
Marzo 3 47 63.03 -16.03 16.03 34.11 257.01
Abril 4 65 59.55 5.45 5.45 8.39 29.72
Mayo 5 50 60.58 -10.58 10.58 21.16 111.94
Junio 6 73 57.98 15.02 15.02 20.57 225.53
Julio 7 45 61.10 -16.10 16.10 35.79 259.36
Agosto 8 60 57.36 2.64 2.64 4.40 6.98
Septiembre 9 50 57.47 -7.47 7.47 14.93 55.76
Octubre 10 79 55.26 23.74 23.74 30.06 563.81
Noviembre 11 45 60.24 -15.24 15.24 33.86 232.13
Diciembre 12 62 56.81 5.19 5.19 8.37 26.93
Suma   709   1.25 148.68 255.88 2,363.12
          MAD MAPE MSD
Media       0.10 12.39 21.32 196.93

53
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad

54
 Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad
Mes i Xi Fi Xi-Fi |Xi-Fi| |(Xi-Fi)/Xi| (Xi-Fi) 2
*100
Enero 1 52 52 0.00 0.00 0.00 0.00
Febrero 2 81 81 0.00 0.00 0.00 0.00
Marzo 3 47 47 0.00 0.00 0.00 0.00
Abril 4 65 65 0.00 0.00 0.00 0.00
Mayo 5 50 50 0.00 0.00 0.00 0.00
Junio 6 73 73 0.00 0.00 0.00 0.00
Julio 7 45 45 0.00 0.00 0.00 0.00
Agosto 8 60 60 0.00 0.00 0.00 0.00
Septiembre 9 50 50 0.00 0.00 0.00 0.00
Octubre 10 79 79 0.00 0.00 0.00 0.00
Noviembre 11 45 45 0.00 0.00 0.00 0.00
Diciembre 12 62 62 0.00 0.00 0.00 0.00
Suma   709   0.00 0.00 0.00 0.00
          MAD MAPE MSD
Media       0.00 0.00 0.00 0.00

55
Pronósticos cuantitativos
◦ Modelo aditivo, la variación aleatoria permanece
constante durante la tendencia o en el tiempo

http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
56
Pronósticos cuantitativos
◦ Modelo multiplicativo, la variación aleatoria se
incrementa durante la tendencia o en el tiempo

http://www.stats.govt.nz/reports/seasonal-adjustment/the-underlying-model.aspx
57
Pronósticos cuantitativos
◦ Suavizamiento exponencial de Winters para tendencia
y estacionalidad

Winters' Method Plot for Xi

Additive Method
Variable
80 A ctual
Fits

Smoothing Constants
A lpha (level) 0.2
70 Gamma (trend) 0.2
Delta (seasonal) 0.2

A ccuracy Measures
Xi

MA PE 0.0000000
60
MA D 0.0000000
MSD 0.0000000

50

40
1 2 3 4 5 6 7 8 9 10 11 12
Index

58
Pronósticos cuantitativos
◦ Método de descomposición
Time Series Decomposition Plot for Xi
A dditiv e M odel

80 Variable
Actual
Fits
70 Trend
Forecasts
60
Xi

Accuracy Measures
MAPE 8.6063
MAD 5.5407
50
MSD 62.7065

40
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index

Component Analysis for Xi

A dditiv e M odel
Original Data Detrended Data
80 20

65
0
50
-20
2 4 6 8 10 12 2 4 6 8 10 12
Index Index

Seasonally Adjusted Data Seas. Adj. and Detr. Data

80
12
65
0
50
-12
2 4 6 8 10 12 2 4 6 8 10 12
Index Index

59
Errores de pronóstico
Es la diferencia entre el valor del
pronóstico y lo ocurrido en realidad. En
estadística a estos errores se les llama
residuales

60
Errores de pronóstico MAD
 Esel promedio de las desviaciones absolutas de los
valores reales menos los pronosticados
Mes i Xi Fi Xi-Fi |Xi-Fi|

Enero 1 52 - - -
Febrero 2 81 - - -
Marzo 3 47      
Abril 4 65 64.33 1 0.67
Mayo 5 50 54.00 -4 4.00
Junio 6 73 62.67 10 10.33
Julio 7 45 56.00 -11 11.00
Agosto 8 60 59.33 1 0.67
Septiembre 9 50 51.67 -2 1.67
Octubre 10 79 63.00 16 16.00
Noviembre 11 45 58.00 -13 13.00
Diciembre 12 62 62.00 0 0.00
Suma   709   -2 57.33
          MAD
Media       -0.17 4.78
61
Errores de pronóstico MAPE
 Esel porcentaje de error promedio absoluto de las
desviaciones de los valores reales menos pronóstico
entre valor real Mes i Xi Fi Xi-Fi |(Xi-Fi)/Xi|*100

Enero 1 52 - - -
Febrero 2 81 - - -
Marzo 3 47      
Abril 4 65 64.33 1 1.03
Mayo 5 50 54.00 -4 8.00
Junio 6 73 62.67 10 14.16
Julio 7 45 56.00 -11 24.44
Agosto 8 60 59.33 1 1.11
Septiembre 9 50 51.67 -2 3.33
Octubre 10 79 63.00 16 20.25
Noviembre 11 45 58.00 -13 28.89
Diciembre 12 62 62.00 0 0.00
Suma   709   -2 101
          MAPE
Media       -0.17 8.43

62
Errores de pronóstico MSD
 Esel promedio de las desviaciones al cuadrado de los
valores reales menos pronóstico (amplifica las
diferencias grandes) Mes i Xi Fi Xi-Fi (Xi-Fi) 2

Enero 1 52 - -  
Febrero 2 81 - - -
Marzo 3 47      
Abril 4 65 64.33 1 0
Mayo 5 50 54.00 -4 16
Junio 6 73 62.67 10 107
Julio 7 45 56.00 -11 121
Agosto 8 60 59.33 1 0
Septiembre 9 50 51.67 -2 3
Octubre 10 79 63.00 16 256
Noviembre 11 45 58.00 -13 169
Diciembre 12 62 62.00 0 0
Suma   709   -2 672
          MSD
Media       -0.17 56.04

63
Límites de predicción / señal de
rastreo
 Límite superior = Pronóstico + 1.96*1.25*MAD
Límite inferior = Pronóstico - 1.96*1.25*MAD
 Desviación estándar = 1.25*MAD

 Una señal de rastreo es una medida que indica si el

promedio del pronóstico está siguiendo el ritmo de un
verdadero cambio ascendente o descendente en la
demanda. Constituye el número de desviaciones medias
absolutas en que el valor del pronóstico está por arriba o
por abajo de los hechos.

64
Ejercicio 1
 Los datos de la demanda para el último año se muestran
a continuación, calcular el pronóstico para los siguientes
tres meses, indicar los errores. Si se utiliza métodos de
suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama =
0.3 Mes Demanda
Ene 62
Feb 65
Mar 67
Abr 68
May 71
Jun 73
Jul 76
Ago 78
Sep 78
Oct 80
Nov 84
Dic 85
65
Ejercicios
Winters' Method Plot for Demanda
Additive Method
95 Variable
A ctual
90 Fits
Forecasts
95.0% PI
85
Smoothing C onstants
A lpha (lev el) 0.3
Demanda

80 Gamma (trend) 0.3

Delta (seasonal) 0.3

75 A ccuracy Measures
MA PE 0.685849
MA D 0.503828
70 MSD 0.420778

65

60
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Period Forecast
Index

13 87.5444
14 89.9401
15 90.8469
66
 Análisis de tendencia con regresión lineal
Regresión es la relación funcional de dos o más
variables crrelacionadas.
La usamos para prever una variable, dada otra
variable
Presupone que los datos del pasado y las
proyecciones del futuro quedan aproximadamente
en línea recta

http://serc.carleton.edu/introgeo/teachingwdata/StatRegression.html

67
 Análisis de tendencia con regresión lineal
 Unaempresa hace publicidad de un nuevo producto y se
desea pronosticar los clientes nuevos para los periodos 13 y
14 con base en los datos de los últimos 12 meses
Trend Analysis Plot for Clientes
Mes Clientes Linear Trend Model
Yt = 43.85 - 1.41259*t
1 41
45 Variable
2 43 A ctual
Fits
3 39 Forecasts
40
4 37 Accuracy Measures
MAPE 4.43754
5 42 MAD 1.57265
Clientes

35 MSD 4.61033
6 35
7 30
30
8 31
9 32
25
10 30
11 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index
12 28

68
Ejercicio 2
Estimar el pronóstico para el cuarto trimestre de ventas de
una empresa considerando los datos de ventas reales de
los últimos 21 meses Si se utiliza métodos de
suavizamiento utilizar alfa = 0.3, Beta = 0.3, Gama =
0.3
Año Mes Ventas 2001 Ene 275
2000 Ene 300 2001 Feb 375
2000 Feb 400 2001 Mar 350
2000 Mar 425 2001 Abr 425
2000 Abr 450 2001 May 400
2000 May 400 2001 Jun 350
2000 Jun 460 2001 Jul 275
2000 Jul 400 2001 Ago 350
2000 Ago 300 2001 Sep 375
2000 Sep 375
2000 Oct 500
2000 Nov 550
2000 Dic 500

69
Ejercicio 2

Period Forecast
22 409.229
23 403.609
24 387.989
70
MODELOS CAUSALES
Regresión lineal y múltiple

71
Modelos de regresión lineal
 Seasume que una variable dependiente Y depende de
otra variable independiente X, tal como ventas y
cantidad de lluvia

72
Regresión lineal

http://serc.carleton.edu/introgeo/teachingwdata/S
tatRegression.html

73
Modelos de regresión múltiple
 Seasume que una variable dependiente Y depende de
otras variable independiente X’s, tal como ventas
depende de la publicidad, ingreso, etc.

74
Ejemplo de Regresión múltiple
No se sabe si los precios o la publicidad
influyen más en las ventas de la empresa
para analizar lo anterior se toman las
ventas reales en millares de 12 años con
sus correspondientes datos de
precios/unidad y publicidad en ($000)

75
Regresión múltiple
Año Ventas Precio Publicidad
1990 400 280 600
1991 700 215 835
1992 900 211 1100
1993 1300 210 1400
1994 1150 215 1200
1995 1200 200 1300
1996 900 225 900
1997 1100 207 1100
1998 980 220 700
1999 1234 211 900
2000 925 227 700
2001 800 245 690

76
Regresión múltiple
a) Ecuación de regresión
Ventas = 2191 - 6.91 Precio + 0.325 Publicidad

b) Identificar los factores significativos con influencia en

la respuesta
P value de Precio = 0.042 Si P <=0.05 es significativo
P value Publicidad= 0.206 no tiene influencia en ventas

c) Si el precio es de 300 y la publicidad es de 900 ¿Cuál

es el nivel de ventas esperado?
Ventas = 2191 - 6.91*300 + 0.325*900 = 410.5

77
Regresión múltiple
d) Obtener la gráfica de regresión lineal entre Ventas y
precio
Fitted Line Plot
Ventas = 3129 - 9.737 Precio
S 152.777
1300
R-Sq 67.5%
1200 R-Sq(adj) 64.3%

1100

1000
Ventas

900

800
700

600

500
400

190 200 210 220 230 240 250 260 270 280
Precio

78
Regresión múltiple
d) Obtener la gráfica de regresión lineal entre Ventas y
publicidad

79
I. Cualitativas Subjetivas: de Raíz de Pasto “Grass Roots” Deriva un pronóstico reuniendo información de las personas
juicio. Basadas en que están en un extremo de la jerarquía y que se ocupan de
estimados y aquello que se pronosticará.
opiniones. Investigación de Mercado Reúne datos por distintos medios (encuestas, entrevistas, etc.)
a efecto de comprobar hipótesis sobre el mercado.
Consenso de jurado Intercambio franco y libre de juntas.
Analogía histórica Relaciona lo que se pronostica con un elemento similar.
Método Delphi Un grupo de expertos contesta un cuestionario. Un moderador
compila los resultados y prepara otro cuestionario que
también le presenta al grupo.

I. Análisis de Se basa en la idea Promedio Móvil Simple Se obtiene el promedio de un periodo específico que contiene
Series de de que podemos una serie de datos dividiendo la suma de los valores de éstos
Tiempo usar la historia de entre el número de valores.
los hechos Promedio Móvil Ponderado Se ponderan puntos específicos, adjudicándoles mayor o
ocurridos para menor valor que a otros, según los aconseje la experiencia.
prever el futuro. Método de suavizamiento Se ponderan los puntos de datos recientes con un valor más
exponencial alto, y su peso va disminuyendo exponencialmente a medida
que los datos envejecen.
Análisis de Regresión Se adapta una línea recta los datos del pasado, normalmente
relacionando el valor de los datos con el tiempo.
Proyecciones de Tendencias Aplica una línea matemática de tendencias a los puntos de
datos y los proyecta al futuro.
I. Causales Trata de entender Análisis de Regresión Su base es que el pronóstico se deriva de otros hechos que han
el sistema básico ocurrido.
en torno al Modelos Econométricos Tratan de describir algún sector de la economía mediante una
elemento que será serie de ecuaciones interdependientes.
pronosticado. Modelos de Insumos / Se concentran en las ventas que cada industria hace a otras
Productos empresas y gobiernos.
Indicadores Líderes Representan estadísticas que se mueven en la misma dirección
que la serie que se está pronosticando, pero que se mueven
antes que la serie.

80
Índices estacionales
 Un factor estacional es la cantidad de corrección que
necesita una serie de tiempo para ajustarse a la estación
de año

81
Índices estacionales

82
Índices estacionales

83