Facultad de Ingeniería

Escuela Profesional de Ingeniería Industrial

Licenciamiento Institucional
Resolución del Consejo Directivo N° 040-2016-
SUNEDU-CD
Docente: Mg. Ing. Gustavo Raúl Quispe Canales

Asignatura:
Planeamiento y control de operaciones
Ciclo: VIII
Sesión 08: Estrategia del Pronóstico
 Contenido
¨ ¿Qué es la prevision o pronóstico?
¨ Horizontes temporales de la previsión
¨ La influencia del ciclo de vida del producto

¨ Tipos de previsiones
¨ La importancia estratégica de la previsión
¨ Recursos humanos
¨ Capacidad
¨ Gestión de la cadena de suministros

¨ Siete etapas en el sistema de previsión

 Contenido
¨ Enfoques de la previsión
¨ Visión global de los métodos cualitativos
¨ Visión global de los métodos cuantitativos
¨ Previsión de series temporales
¨ Descomposición de una serie temporal
¨ Enfoque simple
¨ Medias móviles
¨ Alisado exponencial
¨ Alisado exponencial con ajuste de tendencia
¨ Proyecciones de la tendencia
¨ Variaciones estacionales en los datos
¨ Variaciones cíclicas en los datos
 Contenido
¨Métodos de previsión causal: análisis de
regresión y correlación
¨ Utilización del análisis de regresión para realizar
previsiones
¨ Error estándar de la estimación
¨ Coeficientes de correlación para las rectas de regresión
¨ Análisis de regresión múltiple
¨Seguimiento y control de las previsiones
¨ Alisado adaptable
¨ Previsión enfocada
¨Previsión en el sector servicios
 La previsión de Tupperware
¨Cada uno de los 50 centros de beneficio en todo
el mundo es responsable del cálculo de las
proyecciones de las ventas con carácter
mensual, trimestral y anual.
¨Estas proyecciones se agrupan por regiones y,
globalmente, en la sede central de Tupperware.
¨Tupperware utiliza todas las técnicas tratadas
en este capítulo.
Tres factores clave para Tupperware
¨El número de “consultores” o representantes de
ventas que están registrados.
¨El porcentaje de estos distribuidores que está
actualmente en “activo” (este número varía cada
semana y mes).
¨Las ventas por distribuidor activo en base
semanal.
 Tupperware - Previsión por
consenso

¨Los factores de producción provienen de las

ventas, marketing, finanzas y producción,
aunque la previsión final es fruto del consenso
de todos los directivos participantes.
¨El último paso es la versión de Tupperware del
“jurado de opinión ejecutiva”.
 ¿Qué es la prevision o pronóstico?
¨ Arte y ciencia de predecir
acontecimientos futuros.
¡Venderá 200
¨ Base de todas las millones de
dólares!
decisiones
empresariales:
¨ Producción.
¨ Inventario.
¨ Personal.
¨ Instalaciones.
 Tipos de horizontes temporales de la
previsión
¨Previsión a corto plazo:
¨ Cobertura de hasta un año, generalmente inferior a los tres
meses.
¨ Programación de trabajos, asignación de tareas.

¨Previsión a medio plazo:

¨ Entre tres meses y tres años.
¨ Planificación de las ventas, de la producción y del
presupuesto.
¨Previsiones a largo plazo:
¨ Periodos superiores a tres años.
¨ Planificación de nuevos productos, localización de las
instalaciones.
 Previsiones a corto plazo frente a
previsiones a largo plazo
¨Las previsiones a medio y largo plazo tratan de
asuntos más extensos, y apoyan las decisiones
de gestión que conciernen a la planificación y
los productos, las plantas y los procesos.
¨Las previsiones a corto plazo normalmente
emplean metodologías diferentes a las
utilizadas en las previsiones a largo plazo.
¨Las previsiones a corto plazo tienden a ser más
exactas que las realizadas a largo plazo.
 La influencia del ciclo de vida del
producto
¨Las etapas de introducción y crecimiento
necesitan previsiones más largas que las de
madurez y declive.
¨Las previsiones son útiles para proyectar
¨ los diferentes niveles de personal
¨ los diferentes niveles de inventarios
¨ los diferentes niveles de capacidad de producción

mientras el producto pasa de la primera a la

última etapa.
 Estrategia durante el ciclo de vida
de un producto
Introducción
Mejor periodo para
aumentar la cuota de
mercado
Es vital planear la I + D
Estrategias de la compañía
Ventas
Impresoras a
color
HDTV
La planificación y desarrollo del
producto son vitales
Cambios frecuentes en
Estrategias de la OM
planificación del producto y
proceso
Lotes de producción pequeños
Altos costes de producción
Número de modelos limitado
Atención a la calidad
Crecimiento
Buen momento para cambiar
el precio o la imagen de
calidad
Fortalecer el segmento de
mercado
Restaurantes para
en el coche
CD-ROM
Internet
La previsión es muy
importante
Fiabilidad del producto y
proceso
Posibilidades y mejoras del
producto competitivas
Aumento de la capacidad
Cambio de tendencia para
centrarse en el producto
Atención a la distribución
Madurez Declive
Mal momento para cambiar la Es vital controlar el
imagen, el precio o la calidad coste
Los costes competitivos son
ahora muy importantes
Defender la posición en el
comer
mercado
Celulares
VW Autos
Escarabajos
Furgonetas
Estandarización Poca diferenciación del
producto
Cambios de producto menos
rápidos; más cambios Minimización de costes
minuciosos
Sobrecapacidad en la industria
Capacidad óptima
Estabilidad creciente del Eliminación de productos que
proceso de producción no proporcionan un margen
aceptable
Grandes lotes de producción
Mejora del producto y reducción Reducción de capacidad
de costes
 Tipos de previsiones
¨Previsiónes económicas:
¨ Dirigidas al ciclo empresarial, por ejemplo, las tasas de
inflación, la masa monetaria, etc.
¨Previsiónes tecnológicas:
¨ Predicen el progreso tecnológico.
¨ Predicen el nacimiento de nuevas ventas.

¨Previsiones de demanda:
¨ Predicen las ventas ya existentes.
 Siete etapas en el sistema de
previsión
¨Determinar la utilización de la previsión.
¨Seleccionar los artículos en los que se va a
realizar la previsión.
¨Determinar el horizonte temporal de la previsión.
¨Seleccionar el(los) modelo(s) de previsión.
¨Recogida de datos.
¨Realizar la previsión.
¨Validar e implementar los resultados.
Demanda de un producto representada en
un periodo de 4 años con tendencia de
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Demanda del producto o servicio

Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
 Realidades sobre la previsión

¨Raras veces las previsiones son perfectas.

¨La mayoría de las técnicas de previsión asumen
que existe cierta estabilidad sostenida al
sistema.
¨Tanto las predicciones de familias de productos
como las predicciones en conjunto son más
precisas que las previsiones de productos
individuales.
 Enfoques de la previsión
Métodos cualitativos
¨ Se emplean cuando la
situación no es clara y
hay pocos datos:
¨ Productos nuevos.
¨ Nueva tecnología.
¨ Requieren intuición y
experiencia:
¨ Por ejemplo, la previsión de
las ventas a través de
Internet.
Métodos cuantitativos
¨ Se emplean cuando la
situación es “estable” y
existen datos
“históricos”:
¨ Productos existentes.
¨ Tecnología actual.
¨ Requieren ténicas
matemáticas:
¨ Por ejemplo, la previsión de
las ventas de televisiones
en color.
 Visión global de los métodos
cualitativos
¨Jurado de opinión ejecutiva:
¨ Se agrupan las opiniones de un grupo de expertos de
alto nivel o de directivos, a menudo en combinación
con modelos estadísiticos.
¨Proposición de personal comercial:
¨ Las estimación de las ventas esperadas por los
vendedores se revisan para ver si se pueden llevar a
cabo y luego se obtiene una previsión global.
¨Método Delphi:
¨ Proceso de grupo que permite a los expertos realizar
las previsiones.
¨Estudio de mercado del consumidor:
¨ Requiere información de los clientes.
 Jurado de opinión ejecutiva
¨ Requiere un pequeño grupo de directivos:
¨ El grupo establece una estimación conjunta de la
demanda.
¨ Combina la experiencia directiva con modelos
estadísticos.
¨ Es bastante rápido.
¨ Desventaja del
“pensamiento en
grupo”.
© 1995 Corel Corp.
 Proposición de personal comercial

¨ Cada vendedor estima las

ventas que hará.
Ventas
¨ Se combinan con las
previsiones a niveles de
distritos y con las nacionales.
¨ El representante de ventas
conoce las necesidades de los
consumidores.
¨ Tiende a ser bastante
optimista. © 1995 Corel Corp.
 Método Delphi
¨Proceso de grupo
iterativo. Los que toman
¨3 tipos de decisiones
Personal de (¿Ventas?)
participantes: (Habrá 50 ventas)
planilla
¨ Los que toman (¿Qué ventas
decisiones. habrá?
¨ El personal de planilla. cuestionarios)
¨ Los que responden.

¨Reduce el Los que responden

(Habrá 45, 50, 55 ventas)
“pensamiento en
grupo”.
 Estudio de mercado
¨ Preguntar a los
consumidores sobre ¿Cuántas horas
utilizará Internet la
sus futuros planes de
próxima semana?
compra.
¨ Lo que dicen los
consumidores y lo
que luego hacen
suele diferir.
¨ A veces es difícil
contestar a las © 1995 Corel
Corp.

preguntas del
estudio.
Visión global de los métodos cuantitativos

¨Enfoque simple
¨Medias móviles Modelos de
series
¨Alisado exponencial temporales
¨Proyección de tendencia

Modelos
¨Regresión lineal asociativos
Métodos de previsión cuantitativos
(no simples)
Previsión
cuantitativa

Modelos de series Modelos

temporales asociativos

Media Alisado Proyección Regresión

móvil exponencial de tendencia lineal
 ¿Qué son las series temporales?
¨ Es una secuencia de datos uniformemente
espaciada:
¨ Se obtiene observando las variables en periodos de
tiempo regulares.
¨ Se trata de una previsión basada en los datos
pasados:
¨ Supone que los factores que han influido en el pasado
lo sigan haciendo en el futuro.
¨ Ejemplo:
Año: 2010 2011 2012 2013 2014
Ventas: 78,7 63,5 89,7 93,2 92,1
 Descomposición de una serie
temporal

Tendencia Ciclos

Estacionalidad Variaciones
aleatorias
 Tendencia
¨Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del tiempo.
¨Los cambios en la población, ingresos, etc.
influyen en la tendencia.
¨Varios años de duración.

Respuesta

Mes, trimestre, año © 1984-1994 T/Maker Co.

 Estacionalidad

¨Muestra de datos de ascenso o descenso que

se repite.
¨Se puede ver afectada por la climatología, las
costumbres, etc.
¨Se produce dentro de un periodo anual.

Verano
Respuesta
© 1984-1994 T/Maker Co.

Mes, trimestre
 Ciclos
¨Movimientos de ascenso o descenso que se
repiten.
¨Se pueden ver afectados por interacciones de
factores que influyen en la economía.
¨Suelen durar de 2 a 10 años.
Ciclo
Respuesta


Mes, trimestre, año
 Variaciones aleatorias

¨Son “saltos” en los datos causados por el azar y

situaciones inusuales.
¨Son debidas a variaciones aleatorias o a
situaciones imprevistas:
© 1984-1994 T/Maker Co.

¨ Huelga.
¨ Tornado.

¨Son de corta duración

y no se repiten.
Modelos de series temporales
 Enfoque simple

¨ Suponer que la demanda en

el próximo periodo será igual
a la demanda del periodo
más reciente:
¨ Por ejemplo, si en mayo hubo 48
ventas, en junio habrá 48 ventas.
¨ Es el modelo con la mejor
relación eficacia-coste y
eficiencia.
© 1995 Corel Corp.
 Medias móviles
¨ Las medias móviles son una serie de operaciones
aritméticas.
¨ Se utilizan si no hay tendencia o si ésta es escasa.
¨ Se suelen utilizar para el alisado:
¨ Proporciona una impresión general de los datos a lo largo del
tiempo.
¨ Ecuación:

MM   demanda de n periodos previos

n
 Ejemplo de media móvil
Usted es el director de una tienda de un museo
que vende réplicas. Quiere predecir las ventas
(000) del año 2015 mediante una media móvil
de 3 meses.
2010 4
2011 6
2012 5
2013 3
2014 7
© 1995 Corel Corp.
 Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
2010 4 ND ND
2011 6 ND ND
2012 5 ND ND
2013 3 4+6+5=15 15/3 = 5
2014 7
2015 ND
 Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
2010 4 ND ND
2011 6 ND ND
2012 5 ND ND
2013 3 4+6+5=15 15/3 = 5
2014 7 6+5+3=14 14/3=4 2/3
2015 ND
 Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
2010 4 ND ND
2011 6 ND ND
2012 5 ND ND
2013 3 4+6+5=15 15/3=5,0
2014 7 6+5+3=14 14/3=4,7
2015 ND 5+3+7=15 15/3=5,0
 Gráfico de la media móvil

Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
 Método de la media móvil
ponderada
¨Se utiliza cuando se presenta una tendencia:
¨ Los datos anteriores suelen carecer de importancia.
¨Las ponderaciones se basan en la intuición:
¨ Suelen estar entre 0 y 1, y a la suma de 1,0.
¨Ecuación:

Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n)

ponderada = Σ ponderaciones
 Inconvenientes de los métodos de
media móvil

¨Al aumentar n veces, las previsiones son

menos sensibles a los cambios.
¨No es posible predecir bien la tendencia.
¨Se necesitan muchos datos históricos.

© 1984-1994 T/Maker Co.

 Alisado exponencial

¨Es una técnica de previsión de media móvil

ponderada:
¨ Las ponderaciones disminuyen exponencialmente.
¨ Se ponderan más los datos más recientes.

¨Se necesita una constante de alisado ():

¨ Toma valores entre 0 y 1.
¨ Se escoge de forma subjetiva.

¨Necesita una cantidad reducida de datos

históricos.
Ecuaciones del alisado exponencial

¨ Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3

+ (1- )3At - 4 + ... + (1- )t-1·A0
¨ Ft = Valor de la previsión
¨ At = Valor real
¨  = Constante de alisado

¨ Ft = Ft-1 + (At-1 - Ft-1)

¨ Se utiliza para calcular la previsión.
 Ejemplo de alisado exponencial
Usted está organizando una reunión Kwanza.
Desea predecir el número de personas que
asistirán en el año 2015 mediante el alisado
exponencial ( = 0,10). La previsión para 2010
fue de 175.
2010 180
2011 168
2012 159
2013 175
2014 190 © 1995 Corel Corp.
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 +
2012 159
2013 175
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(
2012 159
2013 175
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, Ft
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 -
2012 159
2013 175
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00)
2012 159
2013 175
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión,Ft
Año Real
(α= 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159
2013 175
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175 174,75 + 0,10(159 - 174,75)= 173,18
2014 190
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175 174,75 + 0,10(159 - 174,75) = 173,18
2014 190 173,18 + 0,10(175 - 173,18) = 173,36
2015 ND
 Solución del alisado exponencial
Ft = Ft-1 + ·(At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
2010 180 175,00 (Dado)
2011 168 175,00 + 0,10(180 - 175,00) = 175,50
2012 159 175,50 + 0,10(168 - 175,50) = 174,75
2013 175 174,75 + 0,10(159 - 174,75) = 173,18
2014 190 173,18 + 0,10(175 - 173,18) = 173,36
2015 ND 173,36 + 0,10(190 - 173,36) = 175,02
Gráfico del alisado exponencial

Ventas
190 Real
180
170 Previsión
160
150
140
2010 2011 2012 2013 2014 2015

Año
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10%
= 0,90
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9%
= 0,90
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90%
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9%
Efectos de la previsión de la
constante de alisado 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
 (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9% 0,9%
 Si se selecciona 

Trate de minimizar la desviación absoluta media (DAM)

Si: Error de previsión = demanda - previsión

å errores de previsión
Entonces: DAM =
n
 Impacto de Diferente 
225 –

Demanda a = .5
200 –
Actual
Demanda

175 –

a = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
 Seleccionar 
El objetivo es obtener la previsión más exacta
no importa la técnica

Generalmente seleccionamos el  que nos da el

error de pronóstico más bajo, siempre.

Error Pronóstico = Demanda Actual – Pronóstico Actual

= At - Ft
Medidas de los ERRORES

Desviación Media Absoluta (MAD)

∑ |actual - forecast|
MAD =
n

Error de a Media al Cuadrado (MSE)

∑ (error de pronóstico)2
MSE =
n
 Medidas de los Errores

Error Porcentual Media Absoluta (MAPE)

n
100 ∑ |actuali - pronósticoi|/actuali
MAPE = i=1

n
 Comparación de los Errores del
Pronóstico
Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo Con Para Con Para
Trimestre Sin Carga a = .10 a = .10 a = .50 a = .50

1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
 Comparación de los Errores del
Pronóstico
∑ |desviaciones|
Rounded Absolute Rounded Absolute
MAD =Actual Forecast Deviation Forecast Deviation
Tonage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50

1
Para a 180
= .10 175 5 175 5
2 168 = 84/8 =
17610.50 8 178 10
3 159 175 16 173 14
4 Para a 175
= .50 173 2 166 9
5 190 173 17 170 20
6 205 = 100/8175
= 12.50 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
 Comparación de los Errores del
Pronóstico
∑ (errores Pronóstico)
Rounded
2
Absolute Rounded Absolute
MSE = Actual Forecast Deviation Forecast Deviation
Tonage n
with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50

1
Para a 180
= .10 175 5 175 5
2 = 1,558/8 =176194.75
168 8 178 10
3 159 175 16 173 14
4 Para a 175
= .50 173 2 166 9
5 190 173 17 170 20
6 = 1,612/8
205 =175201.50 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
 Comparación de los Errores del
Pronóstico n
100 ∑Rounded
|desviación i|/actuali
Absolute Rounded Absolute
MAPE = Actual i = 1 Forecast Deviation Forecast Deviation
Tonage with for with for
Quarter Unloaded a = .10 n a = .10 a = .50 a = .50

1
Para a
180
= .10 175 5 175 5
2 168 = 45.62/8
176 = 5.70%
8 178 10
3 159 175 16 173 14
4 Para a
175= .50 173 2 166 9
5 190 173 17 170 20
6 205 = 54.8/8
175 = 6.85%30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
MSE 194.75 201.50
 Comparación de los Errores del
Pronóstico
Pronóstico Desviación Pronóstico Desviación
Volumen Actual Absoluta Actual Absoluta
Efectivo con Para Con Para
Trimestre Sin Carga a = .10 a = .10 a = .50 a = .50

1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
MSE 194.75 201.50
MAPE 5.70% 6.85%
 Suavizado Exponencial con Ajuste de
Tendencia
Cuando una tendencia este presente, el suavizado
exponencial debe ajustarse.

Pronóstico Pronóstico Tendencia

incluye (FITt) = Alisado (Ft) + (Tt) Alisado
tendencia Exponencial Exponencial
Suavizado Exponencial con Ajuste de
Tendencia

Ft = a(At - 1) + (1 - a)(Ft - 1 + Tt - 1)

Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1

Step 1: Calcular Ft
Step 2: Calcular Tt
Step 3: Calcular el Pronóstico FITt = Ft + Tt
 Suavizado Exponencial con Ajuste de
Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado Ft Alisado, Tt Trendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10

Table 4.1
 Suavizado Exponencial con Ajuste de
Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado, Ft Alisado, Tt Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24 Step 1: Pronóstico para Mes 2
6 21
7 31 F2 = aA1 + (1 - a)(F1 + T1)
8 28
9 36 F2 = (.2)(12) + (1 - .2)(11 + 2)
10
= 2.4 + 10.4 = 12.8 units
Table 4.1
 Suavizado Exponencial con Ajuste de
Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24 Step 2: Tendencia para Mes 2
6 21
7 31 T2 = b(F2 - F1) + (1 - b)T1
8 28
9 36 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
10
= .72 + 1.2 = 1.92 units
Table 4.1
 Suavizado Exponencial con Ajuste de
Tendencia
Pronóstico
Demanda Pronóstico Tendencia Incluye
Mes (t) Actual (At) Alisado, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 3: Calcular FIT para Mes 2
6 21
7 31 FIT2 = F2 + T1
8 28
9 36 FIT2 = 12.8 + 1.92
10
= 14.72 units
Table 4.1
 Suavizado Exponencial con Ajuste de
Tendencia
Forecast
Actual Smoothed Smoothed Including
Month(t) Demand (At) Forecast, Ft Trend, Tt Trend, FITt
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16

Table 4.1
Suavizado Exponencial con Ajuste de
Tendencia
35 –
Actual demand (At)
30 –

25 –
Product demand

20 –

15 –

10 – Forecast including trend (FITt)

5 –

0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Time (month)
 Método de mínimos cuadrados
Si decidimos desarrollar una recta de tendencia lineal
mediante un método estadístico preciso,
podemos aplicar el método de mínimos cuadrados. Este
enfoque resulta en una línea recta que minimiza
la suma de los cuadrados de las diferencias verticales o
desviaciones de la recta hacia cada una
de las observaciones reales.
Una recta de mínimos cuadrados se describe en términos de
su intersección con el eje y (la altura a
la cual cruza al eje y) y su pendiente (el ángulo de la recta).
Si podemos calcular la intersección con el
eje y y la pendiente, podremos expresar la recta con la
siguiente ecuación:
 Método de mínimos cuadrados

Observación Desviación
Valores de la variable dependiente

real

Desviación Desviación

Desviación
Desviación Punto en la
línea de
Desviación tendencia
Desviación

Yˆ  a  bx
Periodo de tiempo
 Análisis de regresión lineal
¨ Se usa para prever la línea de tendencia lineal.
¨ Supone una relación entre la variable de
respuesta, Y, y el periodo de tiempo, X, que es
una función lineal:

Y$i = a + bX i
¨ Se calcula mediante el método de los mínimos
cuadrados:
¨ Minimiza la suma de errores cuadrados.
Diagrama de dispersión

Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96

Periodo de tiempo
 Modelo de regresión lineal

¨Muestra la relación lineal entre las variables

dependientes e independientes.
¨ Ejemplo: ventas y publicidad (sin tiempo)

Corte con el eje Y Pendiente

^
Yi = a + b X i
Variable dependiente Variable independiente
Ecuaciones de regresión lineal
Ecuación: Ŷi  a  bx i

n
 x i y i  nx y
Pendiente:
b  i n
 x i  nx 
i 

Corte con el eje Y: a  y  bx

 Tabla de cálculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X1Y 1
2 2
X2 Y2 X2 Y2 X2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
Σ Xi ΣYi Σ Xi ΣYi Σ X iY i
 Interpretación de los coeficientes

¨Pendiente (b):
¨ El cálculo de Y varía en b cada unidad extra en X.
¨ Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada
unidad extra en publicidad (X).
¨Corte con el eje Y (a):
¨ Valor medio de Y cuando X = 0.
¨ Si a = 4, entonces las ventas medias (Y) serán de 4 cuando la
publicidad (X) sea 0.
 Variación de los errores aleatorios

¨Variación del Y real a partir del Y predecido.

¨Se mide mediante el error estándar de la
estimación:
¨ Muestra los errores de la desviación estándar.
¨ SY,X

¨Afecta a varios factores:

¨ Significado del parámetro.
¨ Precisión de la predicción.
Ecuaciones de mínimos cuadrados
Ecuación: Ŷi  a  bx i

n
 x i y i  nx y
Pendiente: b  i n
 x i  nx 
i 

Corte con el eje Y: a  y  bx

 Tabla de cálculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣX i ΣYi ΣX i ΣY i Σ X iY i
 Ejemplo de análisis de regresión
lineal
Usted es el analista de marketing de Hasbro Toys.
Recoge los siguientes datos:
Año Ventas (unidades)
2010 1
2011 1
2012 2
2013 2
2014 4
¿Cuál es la ecuación de la tendencia?
 Modelo de previsión del análisis de
regresión lineal
Usted está realizando el análisis de marketing de Hasbro
Toys. Al utilizar años codificados, halla
^ que
Yi = -0,1 + 0,7Xi.
Año Ventas (Unidades)
2010 1
2011 1
2012 2
2013 2
2014 4
La previsión es de 2015 ventas.
 Modelo de previsión del
análisis de regresión lineal
 Modelo de previsión del
análisis de regresión lineal
 Suposiciones de los mínimos
cuadrados
1. Siempre deben graficarse los datos porque los datos de mínimos
cuadrados suponen una relación lineal. Si parece que exista una
curva presente, probablemente sea necesario el análisis
curvilíneo
2. No se predicen periodos lejanos a la base de datos dada. Por
ejemplo, si tenemos los precios promedio de las existencias de
Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4
meses hacia el futuro. Los pronósticos de más tiempo tienen
poca validez estadística. Por lo tanto, no pueden tomarse datos
de 5 años de ventas y proyectar 10 años hacia el futuro. El mundo
es demasiado incierto.
3. Se supone que las desviaciones calculadas alrededor de la recta
de mínimos cuadrados son aleatorias (vea la figura de Mínimos
Cuadrados). Por lo general, están distribuidas normalmente, con
la mayoría de las observaciones cerca de la recta y sólo unas
cuantas más lejos.
 Modelo estacional multiplicativo
¨ Encontrar la demanda histórica media para cada “estación”
sumando la demanda de esa estación cada año y dividiéndola
entre el número de años de datos disponibles.
¨ Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
¨ Calcular un índice estacional dividiendo la demanda histórica real
de esa estación (calculado en la etapa 1) entre la demanda media
a lo largo de todas las estaciones.
¨ Estimar la demanda anual de todo el año próximo.
¨ Dividir esta estimación de la demanda anual total entre el número
de estaciones y entonces multiplicarla por el índice estacional de
esa estación. Esto proporciona la previsión estacional .
Modelo estacional multiplicativo aplicado
en las variaciones estacionales
Modelo estacional multiplicativo aplicado
en las variaciones estacionales
Aplicación de tendencia e
índices estacionales
Aplicación de tendencia e
índices estacionales
Aplicación de tendencia e
índices estacionales
Aplicación de tendencia e
índices estacionales
 Guía para elegir el modelo de
previsión
¨Usted quiere conseguir:
¨ Ninguna conducta o dirección del error de previsión.
¨ Error = (Yi - Y^i) = (Real - Previsión).
¨ Se observa en las representaciones de los errores a lo largo del
tiempo.
¨ Un error de previsión más pequeño:
¨ Error cuadrado medio (ECM).
¨ Desviación absoluta media (DAM).
 Conducta del error de previsión

Tendencia no esperada
Conducta deseada
Error Error

0 0

Tiempo (años) Tiempo (años)

 Ecuaciones del error de previsión
¨Error cuadrado medio (ECM):
n
å(yi - ˆyi )2 2
åerrores de previsión
ECM = i =1 =
n n
¨Desviación absoluta media (DAM):
n
å | yi - ŷi |
åerrores de previsión |
DAM = i =1 = |
n n
 Ejemplo de selección del modelo de
previsión
Usted es el analista de marketing de Hasbro Toys. Ha previsto las ventas
con un modelo lineal y alisado exponencial. ¿Qué modelo usará?

Ventas Previsión del Previsión del

alisado
Año reales modelo lineal exponencial (0,9)

2010 1 0,6 1,0

2011 1 1,3 1,0
2012 2 2,0 1,9
2013 2 2,7 2,0
2014 4 3,4 3,8
 Evaluación del modelo lineal
^
Año Yi Yi Error Error2 |Error|
2010 1 0,6 0,4 0,16 0,4
2011 1 1,3 -0,3 0,09 0,3
2012 2 2,0 0,0 0,00 0,0
2013 2 2,7 -0,7 0,49 0,7
2014 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
Evaluación del modelo de alisado
exponencial
^
Year Yi Yi Error Error2 |Error|
2010 1 1,0 0,0 0,00 0,0
2011 1 1,0 0,0 0,00 0,0
2012 2 1,9 0,1 0,01 0,1
2013 2 2,0 0,0 0,00 0,0
2014 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
 Evaluación del modelo de alisado
exponencial
Modelo de alisado exponencial:
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06

Modelo lineal:

ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400
 Señal de rastreo
¨ Mide el grado de precisión de la previsión para predecir
valores reales.
¨ Suma actual de los errores de previsión (SAEP) dividida
entre la desviación absoluta media (DAM):
¨ Una buena señal de rastreo tiene valores bajos.
¨ Debe estar dentro de los límites de control superiores e
inferiores.
¨ Se espera que el 89% de los errores caiga dentro de + - 2
MAD, EL 98% dentro de + - 3 MAD ó el 99% dentro de + -
4 MAD.
¨ Mayor /Menor a + - 4 MAD se recomienda revisar el
Pronóstico.
 Ecuación de la señal de rastreo

SAEP
Señal de rastreo =
DAM

n
å (yi - ŷi )
= i =1
DAM

å errores de previsión
=
DAM
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10

2 100 95
3 100 115 SAEP =  Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado =  |Errores|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR

prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0

2 100 95
3 100 115 DAM =  |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95
3 100 115 SR = SAEP/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5
3 100 115
4 100 100 Error = Real - Previsión
= 95 - 100 = -5
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 SAEP =  Errores
= (-10) + (-5) = -15
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado =  |Errores|
= 10 + 5 = 15
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM =  |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = SAEP/DAM
= -15/7,5 = -2
5 100 125
6 100 140
 Representación de una señal de
rastreo
Señal que supera el límite

Señal de rastreo
Límite de control superior
+

0
DAM

Intervalo aceptable

-
Límite de control inferior

Tiempo
 Señales de rastreo
160 3
140 Previsión
2

Señal de rastreo
120
Demanda real

100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
MUCHAS
GRACIAS