Métodos Cuantitativos

para la Gerencia
MBA CENTRUM PUCP
Prof. Juan Narro Lavi
 Sesiones 14 y 15:
Regresión y Pronósticos
Regresión
 Pronóstico
• Ocho pasos para realizar un pronóstico:
1. Determinar el uso de la técnica de pronóstico—
cuál es el objetivo que deseamos alcanzar?
2. Seleccionar los items o cantidades que serán
pronósticadas.
3. Determinar el horizonte de tiempo del
pronóstico.
4. Seleccionar el modelo o modelos de pronóstico.
5. Recolectar los datos necesarios para el
pronóstico.
6. Validar el modelo de pronóstico.
7. Ejecutar el pronóstico.
8. Implementar los resultados.
 Pronóstico

• Estos pasos son una forma sistemática para iniciar,

diseñar, e implementar un sistema de pronóstico.
• Si es usado periodicamente, los datos deben
recolectarse y los procedimientos y cálculos pueden
realizarse de forma automática.
• No existe una técnica que sea la mejor.
– Diferentes organizaciones pueden emplear
diferentes técnicas.
– Cualquier técnica que le resulte adecuada, es la que
debe usar.
 Modelos de Pronóstico

Técnicas de
Pronóstico

Modelos Métodos Series de Métodos

Cualitativos Tiempo Causales

Método Promedio Análisis de

Delphi Móvil Regresión

Jurado de Opinión Suavizamiento Regresion

Ejecutiva Exponencial Multiple

Compuesto de Proyecciones de
Fuerza de Ventas Tendencias

Encuesta al
Decomposición
Mercado
 Enfoques Cuantitativos en los pronósticos

• Un pronóstico es una predicción sobre que sucederá en el

futuro.
• Una serie de tiempo es un conjunto de observaciones medidas
sobre puntos sucesivos en o sobre sucesivos periodos de
tiempo.
• Los enfoques cuantitativos en los pronósticos están basados
en el análisis de datos históricos referidos a una o más series
de tiempo.
• Si una variable que intentamos pronosticar presenta una
relación causa – efecto con una o más variables, el
procedimiento se llama método causal (publicidad – ventas).
• Si los datos usados están limitados a valores históricos de las
series que estamos intentando pronosticar , el procedimiento
se llama método de series de tiempo (ventas).
 Análisis de Regresión Simple

• Ecuaciones Simples expresan una relación entre

dos variables.
Y  3  15
.X
Y  3  2X  4 X 2
Y  3  7X  5 X 4
– Se representan con Diagramas de Dispersión.
• Ecuaciones múltiples expresan una relación
entre más de dos variables.

Y  3  15
. X  8Z
 Análisis de Regresión Simple

• Finalidad es establecer una relación cuantitativa (ecuación de

regresión) entre dos variables, y estimar el valor de Y (dependiente)
con base en un valor de X (independiente).
• Ecuación de estimación o de pronóstico (Y’) .
• Regresión lineal simple
– Una recta.

Y '  a  bX

Y'   0  1 X  
 Análisis de regresión simple

• Métodos : gráfico y matemático (mínimos

cuadrados).
• Gráfico
– Diagrama de dispersión.
– Trazar una recta que trate de unir los puntos.
– Ventaja: simple y directo.
– Desventaja: procedimiento subjetivo.
16
14

X 3 1 2 5 4 12
10
8

Y 9 5 7 14 10 6
4
2
0
0 1 2 3 4 5 6
 Análisis de regresión simple
• Mínimos cuadrados
– Técnica para encontrar la ecuación de regresión
minimizando la suma de los cuadrados de las
distancias verticales entre los valores observados
y los estimados (recta) de Y.
– Hallar los coeficientes de regresión a y b.
– Ecuaciones Normales.

 Y  na  b X ; a  Y  bX

 XY  a  X  b  X 2
b
 XY  nXY
X 2
 n X 2
 Recta de regresión

14
Y
12 * Y’

10 Valor Y’=2.7+2.1X
Efectivo *
8 Valor
Estimado
6
4
2
0
0 1 2 3 4 5
 Significancia del coeficiente de regresión b

• ¿Presentan los datos información suficiente que

indique que Y aumenta linealmente cuando X
crece?
• Prueba de hipótesis, si 1 es significativamente
diferente de cero podemos decir que X ayuda a
estimar a Y.
• Hipótesis nula:  1  0
• Estadístico de prueba: t

𝑏 −0 S y .x
𝑡= Sb 
𝑆𝑏  X 2
 nX 2

Gl=n-2
 Análisis de regresión simple
• Error estándar de estimación
– Mide la disparidad (dispersión) promedio
entre los valores observados y los valores
estimados de Y.

 Y  Y '
2

S y .x  n2
Y 2
 a (  Y )  b (  XY )
S y .x  n2
– Indicador del grado de precisión de la ecuación.
– No es la más adecuada para medir relación.
 Análisis de regresión simple

• Consideraciones para la regresión lineal

– Se asume que existe una relación lineal entre las
variables.
– Para efectuar estimaciones los valores de Y deben
ser estadísticamente independientes.
– Si los valores de Y están relacionados de alguna
manera entonces existe “autocorrelación” (test
durbin-Watson).
– A cada valor X los correspondientes Y tienen una
distribución normal, y su D.S. es la misma, esto se
conoce como “Homocedasticidad”, si es diferente
existe “Heterocedasticidad”.
 Análisis de regresión simple
• Estimación de intervalos de confianza
– Para estimar un intervalo de confianza para el
valor medio de Y:

1 ( X  X )2
Y ' t S y . x 
n  X 2  nX 2

– Para estimar un intervalo de confianza para el

valor individual de Y:

1 ( X  X )2
Y ' t S y . x 1 
n  X 2  nX 2
– Grados de libertad : n-2
 Análisis de correlación simple

• Conjunto de técnicas estadísticas usadas para medir el grado de

asociación (correlación) entre dos variables (X e Y).
• Existen tres coeficientes:
– Coeficiente de correlación (r).
– Coeficiente de determinación (r2).
– Coeficiente de no determinación (1- r2).
 Coeficiente de correlación (r)

• Karl Pearson, 1900.

• Mide el grado de asociación o relación lineal entre
las variables X e Y.
• Sus valores van de -1 a +1.(correlación negativa y
positiva perfecta).
• Es el mismo signo de b.

r
 XY  nXY
(  X 2  nX 2 )(  Y 2  nY 2 )
 Coeficiente de correlación (r)
Es la raíz cuadrada del coeficiente de determinación.

 Sus valores oscilan entre -1 y 1

 Cuando r es positivo, indica que X e Y están
directamente relacionados.
 Cuando r es negativo, indica que X e Y están
inversamente relacionado.
 El coeficiente r tiene el mismo signo que el
coeficiente b en la ecuación de regresión
 Coeficiente de correlación (r)

Medida de intensidad de la relación entre dos conjuntos de variables.

Correlación Correlación
Negativa Ninguna Positiva
Perfecta Correlación Perfecta

Correlación Correlación
Negativa Positiva
Moderada Moderada

-1 0.5 0 0.5 1

Correlación negativa Correlación positiva

 Coeficiente de correlación (r)

Y Y Y

X X X
r = -1 r = -.6 r=0

Y
Y Y

X X X
r = +1 r = +.3 r=0
 Significancia del coeficiente de correlación

• ¿La correlación en la población es nula?

• Prueba de hipótesis.
• Hipótesis nula: 0
• Estadístico de prueba: t gl=n-2

1 r2 1  2
Sr 
n2
r 
n 1

𝑟 − 0 𝑟 √ 𝑛 −2
𝑡= =
𝑆𝑟 √ 1− 𝑟 2
 Variaciones

14
Y
* Variación no Y’
12
Explicada
10 Variación
8 Total *
Variación
6 Explicada

4
2
Y
0
0 1 2 3 4 5
 Coeficiente de determinación (r2)

• Proporción de la variación total en la variable

dependiente (Y) que se explica por o se debe a la
variación de la variable independiente.
• Puede adoptar valores entre 0 y 1.

2
r 
Var. Explicada

 (Y '  Y ) 2

Var. Total  (Y  Y ) 2

a  Y  b XY  nY 2
r2 
 Y 2  nY 2
 Coeficiente de determinación (r2)

Si r2 = 1 : Correlación perfecta, es decir, toda

variación de Y puede explicarse por X

Si r2 = 0 : No existe correlación entre X e Y. La

variación explicada es 0.
La variable X no explica nada de los
cambios en Y

0 r 2
1
Cuanto más cerca a uno, las variables tendrán
mayor correlación.
 Limitaciones del análisis de regresión lineal

• Correlación puede no implicar causalidad.

• Si la muestra es grande, un valor pequeño de r
puede ser significativo, pero la ecuación puede
no ser una buena herramienta.
• En negocios y economía las relaciones son no
lineales (curvas).
• Debe darse homocedasticidad.
• Estimaciones son extrapolaciones.
 Regresión y correlación múltiple

• El análisis emplea dos o más variables

independientes y una dependiente.
Y '  a  b1 X 1  b2 X 2  ...... bk X k

• Ecuaciones para dos variables independientes

 Y  na  b1 X 1  b2 X 2
 X 1Y  a X 1  b1  X 12  b2  X 1 X 2
 X 2 Y  a X 2  b1  X 1 X 2 b2  X 22
• Error estándar múltiple de estimación
SSE
Sy.12 
n  ( k  1)
 Regresión y correlación múltiple

• Consideraciones
– Las variables independientes y dependientes se
relacionan linealmente.
– Variable dependiente es continua.
– Debe haber homocedasticidad.
– Las observaciones de Y no deben estar
correlacionadas (autocorrelación).
– Las variables X no deben estar muy correlacionadas
(multicolinealidad).

• Correlación existente entre los
miembros de una serie de
observaciones ordenadas en el
tiempo o en el espacio (series
de tiempo, corte transversal).
•¿Por qué?
Inercia, variables excluidas,
función incorrecta,
manipulación de datos.
Autocorrelación
• Consecuencia
– Estimadores de MCO
mantienen características,
pero son ineficientes
(varianza no es mínima)
• ¿Cómo detectarla?
– Análisis gráfico de
residuos.
– Prueba X2 de
independencia de
residuos.
– Prueba Durbin-Watson.
 Multicolinealidad
• C. Teóricas • ¿Cómo detectarla?
– Coeficientes son – “t” no significativos y r2
insesgados. grande.
– Se mantiene varianza – Altas correlaciones por
mínima. pares de regresores
– Es un fenómeno muestral. – Análisis de correlaciones
• C. Prácticas parciales.
– Varianzas amplias para – Regresiones auxiliares.
coeficientes. • Pese a existir, puede no ser
– I. C. amplios problema si los “t” son
– “t” no significativos y r2 significativos y r2 grande.
grande.
– Sensibilidad de
coeficientes.
 Análisis de varianza (ANOVA)

• Regresión = SSR =  ( Y ' Y ) 2

• Error = SSE =  ( Y  Y ') 2

• Variación Total = SST =  ( Y  Y ) 2

• Tabla ANOVA

Fuente G.L. S.C. M.C. k  # indep .

Regresión K SSR SSR/GL n  # obs.
v1  k
Error n-(K+1) SSE SSE/GL
v2  n  ( k  1)
Total n-1 SST
r 2  SSR / SST
Syx  SSE / n  ( k  1)
 Error Estándar de Estimación Múltiple

• El Error Estándar de
Estimación Múltiple es Resumen

una medida de la Estadísticas de la regresión

efectividad de la Coeficiente de correlación múltiple

Coeficiente de determinación R^2
0.979130049
0.958695652

ecuación de regresión. R^2 ajustado

Error típico
0.944927536
0.795822426
Observaciones 5

• Tiene las mismas ANÁLISIS DE VARIANZA

Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F

unidades que la Regresión

Residuos
1
3
44.1
1.9
44.1
0.633333333
69.63157895 0.003607877

Total 4 46
variable dependiente.
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%
Intercepción 2.7 0.834665602 3.234828409 0.048039217 0.04372154 5.35627846
MESES (X) 2.1 0.251661148 8.34455385 0.003607877 1.29910191 2.90089809

• Es dificil de determinar
que es un valor grande
o pequeño para el error
estándar.
 Coeficiente de Determinación Múltiple
Coeficiente de Determinación Múltiple
1. R 2.
2. 0 a 1.
3. No valores negativos
4. Fácil de interpretar.

R2 Adjustado
5. Número variables independientes lo incrementa.
6. Si el número de variables k = n , R2 =1.0.
7. Para balancear este efecto se usa el coeficiente ajustado.
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.979130049
Coeficiente de determinación R^2 0.958695652
R^2 ajustado 0.944927536
Error típico 0.795822426
Observaciones 5

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 44.1 44.1 69.63157895 0.003607877
Residuos 3 1.9 0.633333333
Total 4 46

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción 2.7 0.834665602 3.234828409 0.048039217 0.04372154 5.35627846
MESES (X) 2.1 0.251661148 8.34455385 0.003607877 1.29910191 2.90089809
 Prueba Global del Modelo de
Regresión Múltiple

La prueba global es empleada para establecer si cualquiera de

las variables independeintes tienen coeficientes significativos.
Las hipótesis son:
H 0 : 1   2  ...   k  0
H1 : No todas  s son 0

Regla de decisión:

Rechazo H0 si F > F,k,n-k-1

 Prueba Global del Modelo de
Regresión Múltiple
Resumen
d.f. (1,3)
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.979130049
Coeficiente de determinación R^2 0.958695652
R^2 ajustado 0.944927536
Error típico 0.795822426
Observaciones 5
10.1280

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 44.1 44.1 69.63157895 0.003607877
Residuos 3 1.9 0.633333333
Total 4 46

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción 2.7 0.834665602 3.234828409 0.048039217 0.04372154 5.35627846
MESES (X) 2.1 0.251661148 8.34455385 0.003607877 1.29910191 2.90089809

F,k,n-k-1
F.05,1,3
 Prueba Individual de los Coeficientes de
Regresión Múltiple
• Usada para determinar que variables independientes tienen
coeficiente diferente a cero.
• Las que tienen un coeficiente igual a cero son retiradas del
análisis.
• El estadítico de prueba es t con grados de libertad n-(k+1).
• Las hipótesis son:

H0: βi = 0
H1: βi ≠ 0
Rechazo H0 si tcalc > t/2,n-k-1 or tcalc < -t/2,n-k-1
 Prueba Individual de los Coeficientes de
Regresión Múltiple

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.979130049
Coeficiente de determinación R^2 0.958695652
R^2 ajustado 0.944927536
Error típico 0.795822426 -3.182 3.182
Observaciones 5

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 44.1 44.1 69.63157895 0.003607877
Residuos 3 1.9 0.633333333
Total 4 46

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción 2.7 0.834665602 3.234828409 0.048039217 0.04372154 5.35627846
MESES (X) 2.1 0.251661148 8.34455385 0.003607877 1.29910191 2.90089809
Pronósticos
 Modelos de Pronóstico

Técnicas de
Pronóstico

Modelos Métodos Series de Métodos

Cualitativos Tiempo Causales

Método Promedio Análisis de

Delphi Móvil Regresión

Jurado de Opinión Suavizamiento Regresion

Ejecutiva Exponencial Multiple

Compuesto de Proyecciones de
Fuerza de Ventas Tendencias

Encuesta al
Decomposición
Mercado
 Pronóstico
• Ocho pasos para realizar un pronóstico:
1. Determinar el uso de la técnica de pronóstico—
cuál es el objetivo que deseamos alcanzar?
2. Seleccionar los items o cantidades que serán
pronósticadas.
3. Determinar el horizonte de tiempo del
pronóstico.
4. Seleccionar el modelo o modelos de pronóstico.
5. Recolectar los datos necesarios para el
pronóstico.
6. Validar el modelo de pronóstico.
7. Ejecutar el pronóstico.
8. Implementar los resultados.
 Pronóstico

• Estos pasos son una forma sistemática para iniciar,

diseñar, e implementar un sistema de pronóstico.
• Si es usado periodicamente, los datos deben
recolectarse y los procedimientos y cálculos pueden
realizarse de forma automática.
• No existe una técnica que sea la mejor.
– Diferentes organizaciones pueden emplear
diferentes técnicas.
– Cualquier técnica que le resulte adecuada, es la que
debe usar.
 Medidas de exactitud del pronóstico

• Comparamos los valores pronosticados con los

valores observados como medio de saber cuan bien
funciona el modelo o para compararlos con otros.

Error Pronóstico = Valor Obsv. – Valor Pronost.

 Una de la medidas es la Desviación Media Absoluta

(mean absolute deviation - MAD):

 error pronóst.
MAD 
n
 Medidas de exactitud del pronóstico

VENTAS
ACTUALES VALOR ABS.
CD PRONOSTICO ERRORES(DESVIACION),
AÑO PLAYERS VENTAS (ACTUAL – PRONOST.)
1 110 — —
2 100 110 |100 – 110| = 10
3 120 100 |120 – 110| = 20
4 140 120 |140 – 120| = 20
5 170 140 |170 – 140| = 30
6 150 170 |150 – 170| = 20
7 160 150 |160 – 150| = 10
8 190 160 |190 – 160| = 30
9 200 190 |200 – 190| = 10
10 190 200 |190 – 200| = 10
11 — 190 —
Sum error |error| = 160
MAD = 160/9 = 17.8
 Medidas de exactitud del pronóstico

VENTAS
ACTUALES VALOR ABS.
CD PRONOSTICO ERRORES(DESVIACION),
AÑO PLAYERS VENTAS (ACTUAL – PRONOST.)
1 110 — —
2 100 110 |100 – 110| = 10

4
error
3
pronost.
120 100
160 |140 – 120| = 20
|120 – 110| = 20

MAD 5 140

120
 17 .8
6
n
170
150
140
170
9 |150 – 170| = 20
|170 – 140| = 30

7 160 150 |160 – 150| = 10

8 190 160 |190 – 160| = 30
9 200 190 |200 – 190| = 10
10 190 200 |190 – 200| = 10
11 — 190 —
Sum error |error| = 160
MAD = 160/9 = 17.8
 Medidas de exactitud del pronóstico

• Existen otras medidas de exactitud de pronósticos:

• El error cuadrado medio (mean squared error-MSE)

MSE 
 ( error) 2

n
• El Error medio absoluto porcentual (mean absolute
percent error – MAPE):
error
 actual
MAPE  100%
n

 El sesgo (bias) es el promedio de los errores.

 Modelo de Serie de Tiempo

• Se basa en una secuencia de datos igualmente

espaciados (semanales, mensuales, etc.)

• Implica que se predicen valores futuros

solamente a partir de datos históricos de esa
variable y se ignoran otras variables.
 Componentes de la serie de tiempo

Product Demand Charted over 4 Years, with Trend and Seasonality Indicated

Demand for Product or Service Trend

Component

Seasonal Peaks

Actual
Demand
Line
Average Demand
over 4 Years

| | | |
Year Year Year Year
1 2 3 4
Time
 Componentes de la serie de tiempo

Hay dos formas generales :

El modelo multiplicativo
Demanda = T x S x C x R

El modelo aditivo::
Demanda = T + S + C + R

Hay modelos que pueden ser la combinación de estos.

Se supone que los errores se encuentran normalmente

distribuidos con media igual a cero.
 Promedios Móviles

 Promedio Móvil puede ser usado cuando las

demandas permanecerán relativamente
estables en el tiempo.
 El siguiente pronóstico es el promedio de los
más recientes n datos de la serie de tiempo.
 Tiende a suavizar las irregularidades de corto
plazo en la serie de datos.

Suma de demandas en n periodos previos

Promedio Movil Pronostico 
n
 Promedios Móviles

 Matemáticamente:

Yt  Yt 1  ...  Yt  n1
Ft 1 
n

Donde:
Ft 1
= pronostico para periodo t + 1
Yt actual value en el periodo t
= valor
n = numero de periodos a promediar
 Promedios Móviles
Suministros Wallace Garden
 La empreas Suministros Wallace
Garden desea pronosticar la demanda
para contenedores.
 Se ha recolectado la información del
año pasado.
 Ellos están usando un promedio móvil
de tres meses para pronósticar la
demanda (n = 3).
 Promedios Móviles
Wallace Garden Supply
MONTH VENTAS ACTUALES PROMEDIO MÓVIL TRES MESES
January 10
February 12
March 13
April 16 (10 + 12 + 13)/3 = 11.67
May 19 (12 + 13 + 16)/3 = 13.67
June 23 (13 + 16 + 19)/3 = 16.00
July 26 (16 + 19 + 23)/3 = 19.33
August 30 (19 + 23 + 26)/3 = 22.67
September 28 (23 + 26 + 30)/3 = 26.33
October 18 (26 + 30 + 28)/3 = 28.00
November 16 (30 + 28 + 18)/3 = 25.33
December 14 (28 + 18 + 16)/3 = 20.67
January — (18 + 16 + 14)/3 = 16.00
 Promedios Móviles Ponderados

 Promedio móvil ponderado usa pesos para dar

mayor enfasis a los datos o periodos más recientes.

 (Peso en el periodo i )(Valoractualenelperiodoi )

F 
 (Pesos )
t 1

 Matemáticamente:
w1Yt  w2Yt 1  ...  w nYt  n1
Ft 1 
w1  w2  ...  w n
donde
wi = peso para la observación ith
 Promedios Móviles Ponderados
Suministros Wallace Garden
 La empresa SWG, decide emplear el modelo
de promedio móvil ponderado para
pronósticar la demanda de contenedores.
 Deciden seguir el siguiente esquema de
ponderación:

PESO APLICADO PERIODO

3 Ultimo mes
2 Dos meses
antes
1 antes+ 1 X Ventas 3 meses
3 x Ventas del mes + 2 x Ventas 2 meses Tres antes
meses
antes

Suma de los pesos

6
 Promedios Móviles Ponderados
Suministros Wallace Garden
PROMEDIO MOVIL PONDERADO TRES
MES VENTAS ACTUALES MESES
January 10
February 12
March 13
April 16 [(3 X 13) + (2 X 12) + (10)]/6 = 12.17
May 19 [(3 X 16) + (2 X 13) + (12)]/6 = 14.33
June 23 [(3 X 19) + (2 X 16) + (13)]/6 = 17.00
July 26 [(3 X 23) + (2 X 19) + (16)]/6 = 20.50
August 30 [(3 X 26) + (2 X 23) + (19)]/6 = 23.83
September 28 [(3 X 30) + (2 X 26) + (23)]/6 = 27.50
October 18 [(3 X 28) + (2 X 30) + (26)]/6 = 28.33
November 16 [(3 X 18) + (2 X 28) + (30)]/6 = 23.33
December 14 [(3 X 16) + (2 X 18) + (28)]/6 = 18.67
January — [(3 X 14) + (2 X 16) + (18)]/6 = 15.33
 Suavización Exponencial

• La Suavización exponencial es un tipo de

promedio móvil que es fácil de usar y requiere
mantener un registro de datos pasados.

Nuevo pronóstico= Pronóstico último periodo

+  (Demanda Real último periodo
– Pronóstico último periodo)

Donde  es un peso (o constante de suavización) la cual

se encuentra 0≤  ≤1.
 Suavización Exponencial

Matemáticamente:

Ft 1  Ft   (Yt  Ft )

Dónde:
Ft+1 = nuevo pronost. (para periodo t + 1)
Ft = pronost. previo (para periodo t)
 = constante suavización (0 ≤  ≤ 1)
Yt = demanda actual periodo previo

La idea es simple – la nueva estimación es la antigua

estimación más parte de la fraccion del error en el periodo
pasado.
 Suavización Exponencial - Ejemplo

• La demanda pronosticada de cierto modelo de

automovil en los meses de enero y febrero fue de 142.
• La demanda actual en febrero fue de 153 autos.
• Usando una constante de suavización de  = 0.20,
cuál es el pronostico para marzo?

Nuevo Pronost.(Demad. Marzo) = 142 + 0.2(153 – 142)

= 144.2 o 144 autos

• Si la demanda actual en Marzo fue 136 autos, el

pronostico de abril sería:
Nuevo Pronost. (Demad. Abril) = 144.2 + 0.2(136 – 144.2)
= 142.6 o 143 autos
 Selección de la Constante de Suavización

 Seleccionar el adecuado valor para  es la clave

para obtener un buen pronóstico.
 El objetivo siempre es generar el pronóstico más
exacto.
 El enfoque general es efectuar simulaciones con
diferentes valores de  y seleccionar el que dé
como resultado el MAD más bajo.
 Suavización Exponencial
Pronóstico con suavización exponencial para el
puerto de Ilo con =0.1 and =0.5.

TON.
DESCARGA PRONOSTICO PRONOSTICO
TRIMEST. ACTUAL  =0.10  =0.50
1 180 175 175
2 168 175.5 = 175.00 + 0.10(180 – 175) 177.5

3 159 174.75 = 175.50 + 0.10(168 – 175.50)

172.75
4 175 173.18 = 174.75 + 0.10(159 – 174.75)
165.88
5 190 173.36 = 173.18 + 0.10(175 – 173.18)
170.44
6 205 175.02 = 173.36 + 0.10(190 – 173.36)
180.22
7 180 178.02 = 175.02 + 0.10(205 – 175.02) 192.61
8 182 178.22 = 178.02 + 0.10(180 – 178.02) 186.30
 Suavización Exponencial

Desviaciones Absolutas y MADs para el ejemplo del

Puerto de Ilo.
TON. DESV. DESV.
DESCARGA PRONOST. ABSOLUTAS PRONÓSTICO ABSOLUTAS
TRIM ACTUAL  = 0.10  = 0.10  = 0.50  = 0.50
1 180 175 175
5….. 5….

2 168 175.5
7.5.. 177.5 9.5..

3 159 174.75
15.75 172.75 13.75

4 175 173.18
1.82 165.88 9.12

5 190 173.36
16.64 170.44 19.56

6 205 175.02
29.98 180.22 24.78

7 180 178.02
1.98 192.61 12.61

8 182 178.22
3.78 186.30 4.3..
Mejor Alternativa
Sum desv. absolutas 82.45 98.63
 Suavización Exponencial con ajuste de Tendencia

• Modelo de Holt.
• Como toda técnica que usa promedios, la suavización
exponencial no responde a las tendencias.
• Un modelo más sofisticado puede ser usado para
ajustar por tendencia.
• El enfoque básico es desarrollar un pronóstico
suavizado exponencialmente y luego ajustarlo por la
tendencia.

nd. (FITt+1) = Pron, suavizado (Ft+1)

+ Tend. suavizada (Tt+1)
Suavización Exponencial con ajuste de Tendencia

• La ecuación para la corrección por tendencia emplea

una nueva constante de suavización  .
• Tt debe ser dada o estimada. Tt+1 es calculada
mediante:

Tt 1  (1   )Tt   ( Ft 1  FITt )
dónde
Tt = tendencia suavizad periodo t
Ft = pronostico suavizado para periodo
t
FITt = pronostico incluyendo tendencia
para periodo t
α =constante suavización para pronostico
= constante de suavización para
tendencia.
 Selección de la Constante de Suavización

 Como con la suavización exponencial, un valor

alto de  genera una predicción que responde a
los cambios en la tendencia.
 Un valor bajo de  da menos peso a las
tendencias recientes y tiende a ser deficiente la
suavización.
 Los valores son generalmente seleccionados
usando un enfoque de prueba error basado en el
valor del MAD para diferentes valores de .

5-65
Suavización Exponencial con ajuste de Tendencia

 Manufacturera del Norte tiene una demanda de

genaradores electricos entre el 2004 – 2010
según la tabla siguiente.
 Para el pronostico la empresa asume:
 F1 es perfecto.
 T1 = 0. YEAR ELECTRICAL GENERATORS SOLD
 α = 0.3 2004 74
 β = 0.4. 2005 79
2006 80
2007 90
2008 105
2009 142
2010 122
Suavización Exponencial con ajuste de Tendencia

• De acuerdo con lo supuesto:

FIT1 = F1 + T1 = 74 + 0 = 74.

• Paso 1: Calcular Ft+1 con:

FITt+1 = Ft + α(Yt – FITt)
= 74 + 0.3(74-74) = 74
• Paso 2: Actualizar la tendencia usando:
Tt+1 = Tt + β(Ft+1 – FITt)
T2 = T1 + .4(F2 – FIT1)
= 0 + .4(74 – 74) = 0
 Suavización Exponencial con ajuste de Tendencia

• Paso 3: Calcular el pronostico de suavización exponencial

ajustado por tendencia (Ft+1) usando lo siguiente:
FIT2 = F2 + T2
= 74 + 0 = 74
Suavización Exponencial con ajuste de Tendencia
• Para 2006 (periodo 3) tenemos:
• Paso 1: F3 = FIT2 + 0.3(Y2 – FIT2)
= 74 + .3(79 – 74)
= 75.5
• Paso 2: T3 = T2 + 0.4(F3 – FIT2)
= 0 + 0.4(75.5 – 74)
= 0.6
• Paso 3: FIT3 = F3 + T3
= 75.5 + 0.6
= 76.1
Suavización Exponencial con ajuste de Tendencia

Periodo Demand FITt+1 = Ft + 0.3(Yt– FITt) Tt+1 = Tt + 0.4(Ft+1 – FITt) FITt+1 = Ft+1 + Tt+1
(t) (Yt)
1 74 74 0 74

2 79 74=74+0.3(74-74) 0 = 0+0.4(74-74) 74 = 74+0

3 80 75.5=74+0.3(79-74) 0.6 = 0+0.4(75.5-74) 76.1 = 75.5+0.6

4 90 77.270=76.1+0.3(80-76.1) 1.068 = 0.6+0.4(77.27-76.1) 78.338 =

77.270+1.068
5 105 81.837=78.338+0.3(90-78.338) 2.468 = 1.068+0.4(81.837- 84.305 =
78.338) 81.837+2.468
6 142 90.514=84.305+0.3(105- 4.952 = 2.468+0.4(90.514- 95.466 =
84.305) 84.305) 90.514+4.952
7 122 109.426=95.466+0.3(142- 10.536 = 4.952+0.4(109.426- 119.962 =
95.466) 95.466) 109.426+10.536
8 120.573=119.962+0.3(122- 10.780 = 10.536+0.4(120.573- 131.353 =
119.962) 119.962) 120.573+10.780
 Proyección de Tendencia

 La proyección de tendencia ajusta una tendencia

lineal a una serie de datos historicos.
 La línea es proyectada al futuro para un pronóstico
de medio y largo plazo.
 Varias ecuaciones de tendencia pueden ser
desarrolladas basadas en modelo exponenciales o
cuadráticos.
 El desarrollo más simple es el modelo lineal usando
el análisis de regresión.
 Proyección de Tendencia

La formula matemática es:

Yˆ  b0  b1 X

Dónde
= valor
Ŷ pronosticado
b0 = intercepto
b1 = pendiente de la recta
X = periodo (i.e., X = 1, 2, 3, …, n)
 Proyección de Tendencia

Excel para Manufacturera del Norte Midwestern

 Proyección de Tendencia

Excel para Manufacturera del Norte - regresión

 Proyección de Tendencia

 La ecuación de pronóstico es

Yˆ  56.71  10.54 X

 Para proyectar la demanada del 2011,

definimos X = 8
(Ventas 2011) = 56.71 + 10.54(8)
= 141.03, or 141 generadores

 Para X = 9

(Ventas 2012) = 56.71 + 10.54(9)

= 151.57, or 152 generadores
 Proyección de Tendencia

Tendencia lineal y demanda de generadores.

 Variaciones estacionales

• Las variaciones recurrentes a través del tiempo

podrían indicar la necesidad de ajustes estacionales
en la tendencia lineal.
• Un indice estacional indica como una estación en
particular se compara con el promedio estacional.
• Cuando no esta presente la tendencia, el indice de
estacionalidad puede ser hallado dividiendo el valor
promedio para una estación entre el valor promedio
de todos los datos.
 Variaciones estacionales

Repuestos Telefónicos
• Repuestos Telefónicos vende contestadoras
automáticas de teléfono.
• Los datos de las ventas de los pasados dos años
han sido recolectados para un modelo en
particular.
• La empresa desea generar un pronóstico que
incluya la estacionalidad.
 Variaciones estacionales

DEMANDA
PROMEDIO INDICE
DEMANDA 2 DEMANDA ESTACIONL.
MES AÑO 1 AÑO 2 AÑOS MENSUAL PROMEDIO
January 94 0.957
80 100 90
February 94 0.851
85 75 80
March 94 0.904
80 90 85
April 94 1.064
110 90 100
May 94 1.309
115 131 123
June 94 1.223
120 110 115
July 94 1.117
100 110 105
August 94 1.064
110 90 100
1,128 Prom. Demand. 2 años
September
Promedio Mensual demanda = = 94 Indice Estacional= 94 0.957
85 12
95meses 90 Prom. Deman. Mensual
October 94 0.851
75 85 80
• Pronóstico usando los indices de estacionalidad, con
una demanda esperada de 1200 contestadoras.
1,200 1,200
Jan.  0.957  96 July  1.117  112
12 12
1,200 1,200
Feb.  0.851  85 Aug.  1.064  106
12 12
1,200 1,200
Mar.  0.904  90 Sept.  0.957  96
12 12
1,200 1,200
Apr.  1.064  106 Oct.  0.851  85
12 12
1,200 1,200
May  1.309  131 Nov.  0.851  85
12 12
1,200 1,200
June  1.223  122 Dec.  0.851  85
12 12
 Variaciones estacionales con Tendencia
• Cuando ambos componentes, tendencia y estacional
estan presentes, la tarea del pronóstico es más compleja.
• Los indices estacionales deben ser calculados usando el
enfoque del promedio movil centrado (centered moving
average –CMA).
• Hay cuatro pasos para calcular los CMAs:
1. Calcular el CMA para cada observación (donde sea
posible).
2. Calcular el ratio estacional = Observación/CMA para
esa observación.
3. Promedio de los ratios estacionales para obtener los
indices estacionales.
4. Si los indices estacionales no suman el número de
estaciones, multiplicar cada indice por (Numero de
estaciones)/(Suma de indices).
 Turner Industries
 La tabla muestra las ventas trimestrales de los
pasados tres años de la empresa Turner
Industries en millones de dolares:

TRIMESTRE AÑO 1 AÑO 2 AÑO 3 PROMEDIO

1 115.67
108 116 123

2 133.67
125 134 142

3 159.00
150 159 168

4 152.67
141 152 165

Promedio Patron
140.25
Define131.00
tendencia
140.25 149.50 estacional
 Turner Industries
 Para calcular el CMA para el trim 3 del año 1
comparamos las ventas actuales con un promedio
trimestral centrado en ese periodo.
 Usaremos 1.5 trim antes del trim 3 y 1.5 trim
despues del trim 3 – esto es tomaremos los trim s
2, 3, y 4 y la mitad del trim 1, año 1 y trim 1, año 2.

0.5(108) + 125 + 150 + 141 + 0.5(116)

CMA(q3, y1) = = 132.00
4
 Turner Industries
Comparamos las ventas actuales en el trim 3 con el
CMA y obtenemos el siguiente ratio estacional:

Sales in quarter 3 150

Seasonal ratio    1.136
CMA 132
 Turner Industries
RATIO
AÑO TRIM VENTAS CMA
ESTACIONAL
1 1 108
2 125
3 150 132.000 1.136
4 141 134.125 1.051
2 1 116 136.375 0.851
2 134 138.875 0.965
3 159 141.125 1.127
4 152 143.000 1.063
3 1 123 145.125 0.848
2 142 147.875 0.960
3 168
4 165
 Turner Industries
Como hay dos ratios estacionales para cada trim, las
promediamos para hallar el indice estacional:

Indice Trim 1 = I1 = (0.851 + 0.848)/2 = 0.85

Indice Trim 2 = I2 = (0.965 + 0.960)/2 = 0.96
Indice Trim 3 = I3 = (1.136 + 1.127)/2 = 1.13
Indice Trim 4 = I4 = (1.051 + 1.063)/2 = 1.06
 Turner Industries

CMA
200 –
  
150 –   
 
  
Sales

100 – 

50 – Original Sales Figures

| | | | | | | | | | | |
0–
1 2 3 4 5 6 7 8 9 10 11 12
Time Period