Sunteți pe pagina 1din 107

Pronosticos

Administracin de la Produccin II
Universidad Catolica del Norte
1 semestre 2014
Pronosticos: Introduccin
La formulacin de Pronostico (o proyeccin) es una tcnica que utiliza experiencias
pasadas con la finalidad de predecir expectativas del futuro
Input de la planificacin
Preparacin para la produccin de bienes o servicios
Evitar excesos
Control

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
2
Pronosticos: Principios Fundamentales
Experiencias pasadas (Historia)
Distintos tipos para distintos objetivos (largo plazo, corto plazo)
La mayora de las ocasiones son incorrectos (Mn. MSE, Estrategia)
Son mas precisos para grupos o familias de artculos ($$,##)
El error es mnimo en el corto plazo
Es importante siempre considerara los errores de estimacin
No son un sustitutos de los datos reales.

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
3
Pronostico: Principales Categorias
Metodos Cualitativos (Nuevos Productos)
Encuestas de Mercado
Delphi o Consenso de Panel
Analoga por Ciclo de Vda
Valoracin o Juicio Informado
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
4
Pronostico: Principales Categoras
Mtodos Cuantitativos
Modelos Causales:
Entrada - Salida, Economtricos, Simulacin, Regresin
Modelos de Series de Tiempo
Promedios Mvil Simple, Promedio Mvil Ponderado, Suavizacin
Exponencial, Suavizacin Exponencial Ajustada, Regresin, Regresin
Mltiple, Serie de tiempo.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
5
Pronostico: Promedios Mviles Simples y Poderados
Promedio matemtico de las ultima
demanda real mas recientes
Se desplaza para utilizar la demanda real
mas reciente.
No incluye factores como la
estacionalidad.
Directamente dependiente de la cantidad
de datos.
Sensible a los cambios muy rpidos.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
6

1
=1

1
=1

Pronostico: Ejercicio Promedios Mviles
Una Gran de servicios a la minera requiere
proyectar sus requerimientos de HH para los
prximos meses, para lo cual cuenta con
datos histricos de los ltimos 30 meses.
Se le solicita a ud. En su rol de Jefe de
Planificacin que establezca las necesidades
de HH para la contratacin de personal
tcnico en los proximos meses.
1. Que mtodo Utilizara
2. Proyecte
0
500
1,000
1,500
2,000
2,500
3,000
0 4 8 12 16 20 24 28 32
D
e
m
a
n
d

Week
3-wk and 9-wk Simple Moving Averages
Actual Demand
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
7
Pronostico: Suavizacin Exponencial
Suavizacin de fluctuaciones
aleatorias de la demanda.
Mayor ponderacin a la
demanda reciente.
Mejor reaccin a cambios
recientes.
Cantidad de datos
Se requiere de pronsticos
previos.

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
8

=
1
+ 1
1

=
2
+1

Pronostico: Suavizacin Exponencial Ajustada
El peso de Beta va a ser determinado
por el pronosticador. Mientras ms alto
sea ms importancia le da a la tendencia
de las ltimas demandas.
Cuanto mayor es la constante de
alisamiento o ms corto el promedio
mvil, ms sensibles son los pronsticos
a los cambios de la demanda bsica,
pero ms inestables ante la presencia de
aleatoriedad.

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
9
AF
t+1
=F
t+1
+ T
t+1
Donde,
T
t+1
= (F
t+1
- F
t
) + (1 - ) T
t

= Const. de suavizacin para la tendencia.
T
t
= Factor de tendencia del ltimo periodo.
Pronostico: Ejercicios suavizacin Exponencial/Ajustada
Una famosa empresa dedicada a la
venta de maquinaria y product
support, requiere planificar sus
necesidades de insumos, dotacin y
equipos para los prximos meses, para
cual se le solicita a Ud. En su rol de
Ingeniero de Gestin de los CRCs
generar una proyeccin de ventas de
reparaciones de componentes (Mando
final).
Cual ser la demanda proyectada para
los prximos meses?
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
10
Pronostico: Evaluacin
Podemos evaluar la eficiencia del
pronostico en tres dimensiones.
Pronstico debe ser: Simple, eficaz y
bajo costo.
A corto plazo los errores se
compensan.
Invertir Pronstico a Largo Plazo.

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
11
Costo
Velocidad
Precisin/
Error
Pronostico: Mediciones Error - MAD
Desviacin media absoluta representa el error promedio
de los pronsticos que emplean valores absolutos.
Mide la dispersin de un valor esperado que se aleja del
valor esperado
sencillamente desviacin media o promedio de un
conjunto de datos es la media de las desviaciones
absolutas y es un resumen de la dispersin estadstica.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
12
=


= 80%
=


Pronostico: Medicin Error Seal de Rastreo
Mtodo de supervisin de pronostico.
Calculo periodo a periodo.
Comprado en los Limites de Control
estadstico.
Uso de Limites de control de +/- 2 a +/- 5

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
13
=


Pronostico: Pronosticar Errores
Proyeccin de Error.
Suavizacin Exponencial.


7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
14

=
1

1
+ 1
1

Pronostico: Regresin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
15
bx a y + =
x b y a
x n x
xy n xy
b =

2
2
y valores de media
n
y
y
perodos de N n x valores de media
n
x
x
= =
= = =

El anlisis de regresin consiste en una metodologa


estadstica utilizada para describir
matemticamente la relacin entre dos o ms
variables, de modo que una variable (Y) se pueda
predecir a partir de las otras (X)
La regresin describe la relacin entre X e Y:
Si X aumenta, aumenta tambin Y? Disminuye Y?
Aumenta o disminuye un poco? Aumenta o
disminuye mucho?
Pronostico: Regresin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
16
X
Y
Para explorar la posible relacin entre
dos variables continuas
X e Y, se diagraman segn
la imagen

Cmo se podra caracterizar la
relacin entre X e Y?
Si X aumenta, cmo debera
comportarse Y?
Si tuviera que dibujar una sola lnea
recta que represente mejor la
relacin, dnde
la dibujara?
Pronostico: Ejercicio Regresin
En 2003, un equipo de 6 Sigma recomend la creacin de
una nueva herramienta de software.

que permita obtener rpidamente datos tcnicos exactos de
los motores de compresin de gas.

Los VOC acumulados por los fabricantes de compresores de
gas confirmaron que el proceso existente para la obtencin
de datos tcnicos no era lo suficientemente rpido y
provocaba prdidas de ventas de motores.

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
17
Gas Engine
Rating Pro
Pronostico: Ejercicio de Regresin
Con el fin de establecer una referencia para las
ventas histricas, el equipo vio una posible
relacin entre la venta de compresores de gas
(Ind_units) y la venta de motores de compresin
de gas Cat (Cat_units).
Se pudo usar un modelo de regresin lineal
simple a fin de establecer una referencia para
este proyecto.

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
18
Ind_units
C
a
t
_
u
n
i
t
s
Regresin lineal simple
La parte analtica del desarrollo de un modelo
de regresin consta de tres elementos:
Determinacin del modelo de regresin
= b
0
+ b
1
x
Anlisis de varianza del modelo (ANOVA)
Evaluacin de lo bueno que es el modelo

Trabajaremos en cada uno de ellos en las siguientes diapositivas
Y

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
19
Determinacin del modelo de regresin
Y
(X1,Y1)
(X2,Y2)
(X4,Y4)
(X3,Y3)
X
Y

X b Y
b 1 0
=
xx
xy
1
SS
SS
b
=
Donde:
Minitab calcula la ecuacin del
modelo de regresin como:

X b b Y

1 0
+ =
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
20
Anlisis de la varianza del modelo
El anlisis de la varianza permite comparar la variacin explicada por el
modelo de regresin con la variacin no explicada

El anlisis de la varianza es un proceso de 5 pasos:
Paso 1: Determinar las sumas de cuadrados (SS)
Paso 2: Determinar los grados de libertad (DF)
Paso 3: Determinar los cuadrados medios (MS)
Paso 4: Calcular la estadstica f (f)
Paso 5: Evaluar el valor p (p)
Ejemplo de tabla de anlisis de varianza:

Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
21
Paso 1: Total de las sumas de cuadrados
La distancia entre cada punto
de datos (Yi) e Ybarra se determina,
se eleva al cuadrado y se suma.
Este valor corresponde al total
de las sumas de cuadrados (SST)
y representa toda la variacin
en los datos de respuesta.
Matemticamente, esto es:

=
=
n
1 i
2
i
) Y Y ( SST
Y
Y4

Y
Y1

Y
Y3

Y
Y2

Y
(X1,Y1)
(X2,Y2)
(X4,Y4)
(X3,Y3)
Y
X
Y

Ejemplo de tabla de anlisis de varianza:



Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
22
Paso 1: Regresin de las sumas de cuadrados
A cada valor X, la distancia
entre Ysombrero e Ybarra se
determina,
se eleva al cuadrado y se suma.
Este valor corresponde a la regresin
de las sumas de cuadrados (SSR) y
representa la
variacin en los datos explicados
por el modelo de regresin.
Matemticamente, esto es:

Y
Y
(X1,Y1)
(X2,Y2)
(X4,Y4)
(X3,Y3)
X
Y

Y
Y

4

Y
Y

2

Y
Y

3

Y
Y

Ejemplo de tabla de anlisis de varianza:



Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9

=
=
n
1 i
2
) Y Y

( SSR
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
23
Paso 1: Error de las sumas de cuadrados
La distancia entre cada punto de
datos (Yi) e Ysombrero se determina,
se eleva al cuadrado y se suma.
Este valor corresponde al error
de las sumas de cuadrados (SSE)
y representa la variacin en los datos
no explicados por el modelo de
regresin.
Matemticamente, esto es:

(X1,Y1)
(X2,Y2)
(X4,Y4)
(X3,Y3)
Y

Y
4
4

Y

Y
3

Y
Y

Y
3
3

Y

Y
2
2

Y Y 1 1

X
Ejemplo de tabla de anlisis de varianza:

Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
n

=
=
1 i
2
i
) Yi

Y ( SSE
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
24
Paso 2: Grados de libertad
Los grados de libertad se
determinan como:

df
Tot
= nmero de observaciones -
1
df
Reg
= nmero de trminos
estimados a travs
del modelo - 1 (por ejemplo, b
o
, b
1
,
etc.)
df
Error
= df
Tot
- df
Reg


Ejemplo de tabla de anlisis de varianza:

Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
25
Paso 3: Medias cuadrticas
Las medias cuadrticas se
determinan como:

Regresin de media cuadrtica:
Error de media cuadrtica:
Reg
df
SSR
MSR =
Error
df
SSE
MSE =
Ejemplo de tabla de anlisis de varianza:

Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
26
Paso 4: Calcular la estadstica f
Calcular la estadstica f como
la relacin de MSR con respecto
a MSE
MSE
MSR
f =
Ejemplo de tabla de anlisis de varianza:

Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
27
Paso 5: Evaluar el valor p
Determine el valor p basado en la estadstica f, df
Reg
y df
Error
(Minitab lo
har por nosotros), para determinar si el modelo es estadsticamente
significativo

La hiptesis nula (h
0
) consiste en que b
1
= 0
Ejemplo de tabla de anlisis de varianza:

Fuente DF SS MS f p
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
28
Regresin lineal simple Minitab
Ya hemos revisado el proceso de determinar el modelo de regresin y
de realizar el anlisis de varianza sobre
el modelo.

En el caso de la regresin lineal simple, podemos utilizar el grfico de
lnea ajustada para mostrar el grfico y los resultados de la regresin.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
29
Grfico de lnea ajustada y regresin
1. Seleccione Stat >
Regression > Fitted Line Plot.
2. Seleccione Cat_units
como respuesta (Y).
3. Seleccione Ind_units
como predictor (X).
4. Marque Linear.
5. Haga clic en Graphs.
1
2
3
4
5
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
30
6. Marque Four in one
(Cuatro en uno)
7. Haga clic en OK
8. Haga clic en OK
8
6
7
Grfico de lnea ajustada y regresin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
31
Grfico de lnea ajustada
Dentro de poco,
abordaremos
este tema
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
32
Resultado de la regresin
Anlisis de regresin: Cat_units frente a Ind_units
La ecuacin de regresin es
Cat_units = - 1,791 + 0,5101 Ind_units
S = 7,02383 R-Sq = 93,3% R-Sq(adj) = 93,0%
Anlisis de varianza

Origen DF SS MS F P
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9


Lnea ajustada: Cat_units frente a Ind_units

Modelo de regresin
Anlisis de varianza
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
33
Modelo de regresin
Anlisis de regresin: Cat_units versus Ind_units

La ecuacin de regresin es
Cat_units = - 1,791 + 0,5101 Ind_units

Esta ecuacin permite predecir el valor esperado de
Cat_units basado en un valor de Ind_units



Cul sera la utilidad
de esto?
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
34
Anlisis de varianza

=
=
n
1 i
2
i
) Y

Y ( SSE

=
=
n
1 i
2
) Y Y

( SSR

=
=
n
1 i
2
i
) Y Y ( SST 6
5
4
8
7
Reg
df
SSR
MSR =
Error
df
SSE
MSE =
1 1 terms of #
dfReg
=
2 df df df g Re Tot Error
=
3 1 obs
df
Tot
=
9
f
10 p
Donde:
8
7
6
5
4
3
2
1 9 10
Anlisis de varianza

Origen DF SS MS F P
Regresin 1 14.458,9 14.458,9 293,08 0,000
Error 21 1.036,0 49,3
Total 22 15.494,9

Es este modelo
estadsticamente
significativo?
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
35
Evaluacin de la idoneidad del modelo
Ahora, veremos cmo determinar la idoneidad del
modelo. Para esto, contamos con diversas herramientas, entre ellas:

Desviacin estndar (S)
R
2
y R
2
Adj
Anlisis de errores residuales
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
36
Desviacin estndar
La desviacin
estndar es una
medida til de la
idoneidad del modelo
de regresin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
37
Medida de la variacin de los residuos alrededor de la lnea ajustada
Igual a la raz cuadrada del error de media cuadrtica
Se expresa en las mismas unidades que la respuesta, indicando el grado de utilidad del
modelo
Imaginen que estn viendo la lnea ajustada y que dibujan una curva normal de los
residuos. S es bsicamente la desviacin estndar de dicha distribucin, alrededor de la
lnea de regresin.
X
Y
Desviacin estndar
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
38
R
2
y R
2
Adj
Ahora, analizaremos
las dos medidas
de la idoneidad
del modelo de
regresin: R
2
y R
2
Adj
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
39
R
2

R
2
es una medida de importancia prctica:
Corresponde al cuadrado del coeficiente de correlacin (R)
Lmites: 0 s R
2
s 1
Permite medir la proporcin de la variacin explicada por el modelo
de regresin
R
2
= SS
Reg
/SS
Total

A partir del ejemplo de Cat_units vs. Ind_units
R
2
= SS
Reg
/SS
Total
= (14.458,9/15.494,9) = 0,933
Ind_units explica el 93,3% de la
variacin de Cat_units
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
40
El anlisis de residuos es otra herramienta
para la evaluacin de la idoneidad del
modelo de regresin
Recuerde que los residuos se definen
como la diferencia entre un punto de
datos individual y su Y
sombrero
asociada
Se debe satisfacer una variedad de
suposiciones para validar el modelo de
regresin
El anlisis de residuos tambin puede
sugerir que hay ms que aprender de los
datos y que se justifica el anlisis adicional
(X1,Y1)
(X2,Y2)
(X4,Y4)
(X3,Y3)
Y

Y
4

X
Y
Y

Anlisis de residuos
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
41
Para poder contar con un modelo de regresin vlido, se deben verificar las siguientes
suposiciones:

Los residuos deben tener una distribucin normal
Los residuos se deben centrar y dispersar aleatoriamente alrededor de cero
Los residuos no deben presentar patrones reconocibles

Minitab proporciona cuatro herramientas grficas
que permiten realizar el anlisis de residuos
Modelo de residuos Suposiciones
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
42
El grfico de
probabilidad
normal nos
permite confirmar
que los residuos
tienen una
distribucin
normal
Anlisis de errores residuales
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
43
El histograma
corresponde
a otra forma de
ver los residuos,
que refleja
su forma
y distribucin,
valores
extremos, etc.
Anlisis de errores residuales
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
44
Busque patrones
en los residuos
vs. valores
ajustados
Es probable
que los patrones
sean indicio
de una varianza
inconstante,
que es un fuerte
indicador de
que existen
otros factores
influyendo en Y
Anlisis de errores residuales
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
45
Los patrones
observados aqu
pueden indicar
que algo est
cambiando
(el tiempo,
la estructura
experimental, etc.)
Anlisis de errores residuales
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
46
Prediccin de valores futuros
Una vez validado un modelo de regresin, se puede utilizar para predecir el valor esperado de
Y basado en cualquier valor de X (es decir, anterior, actual, futuro)
Debido a la variabilidad de los datos, la prediccin no corresponde a un nmero especfico,
sino a un rango o intervalo de valores posibles Los intervalos de prediccin se utilizan con
este fin. Para un nivel de confianza y valor futuro de X determinado, Minitab emite un informe
del intervalo de prediccin para una respuesta individual Y
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
47
Intervalos de prediccin
1. Seleccione Stat >
Regression > Fitted Line Plot.
2. Seleccione Cat_units como
respuesta (Y).
3. Seleccione Ind_units como
predictor (X).
4. Marque Linear.
5. Haga clic en Options
1
2
3
4
5
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
48
Intervalos de prediccin
6. Marque Display predictor interval
(Mostrar intervalo de prediccin)
7. Haga clic en OK
8. Haga clic en OK
6
7
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
49
Para un valor de Ind_units = 200,
podemos tener una confianza de
95% de que una respuesta
individual de Cat_units est entre
85 y 116
Intervalos de prediccin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
50
Prediccin de valores futuros Otra opcin
Adems de proporcionar bandas de intervalos de prediccin, Minitab tambin
puede proporcionar resultados en una ventana de sesin, que informa
los valores de los intervalos de prediccin en forma numrica. Para obtener
estos resultados, utilizamos otra opcin de regresin en Minitab.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
51
1. Seleccione
Stat>Regression>Regression
2. Seleccione Cat_units como
respuesta
3. Seleccione Ind_units como
pronosticadores
4. Haga clic en Options
2
3
4
1
Intervalos de prediccin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
52
5. Ingrese 200 en Prediction intervals
for new observations (Intervalos
de prediccin para nuevas
observaciones)
6. Elija 95 en el nivel de confianza
(debe ser el valor predeterminado)
7. Haga clic en OK
8. Haga clic en OK
5
7
6
Intervalos de prediccin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
53
Valores predichos para nuevas observaciones
Nuevo
Obs Ajuste Ajuste SE 95% CI 95% PI
1 100,22 2,75 (94,50, 105,95) (84,53, 115,91)

Para un valor de Ind_units = 200, podemos tener una
confianza de 95% de que una respuesta individual de
Cat_units est entre 84,53 y 115,91

Estos son los mismos que vimos en el grfico
de lnea ajustada
Intervalos de prediccin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
54
Pronostico: Series de Tiempo - Regresin Mltiple
VALIDEZ DEL MODELO:
( )
( )
( )
0 1 2
i
2
2
, , 1
(no hay relacin til entre y y cualquiera de los pronosticadores) : ... 0
: Por lo menos una 0
Estadstico de Prueba:
1 1
Regin de Rechazo:
K
a
k n k
H
H
MSR R k
f
MSE R n k
f F
o
| | |
|
+
= = =
=
= =
+ (

>
UTILIDAD:
Comprobar si existe relacin entre Y y al menos una de las variables predictores.
Si al menos una de las |
i
no es 0, el o los pronosticadores correspondientes son
tiles
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
55
Pronostico: Modelos estadsticos
La eleccin de herramientas
analticas depende de los tipos de
datos disponibles

La regresin lineal mltiple se utiliza
cuando tenemos varias X continuas
y una respuesta Y continua
Pruebas t
ANOVA
Regresin
lineal
mltiple
Continua Discreta
Variable independiente (X)
V
a
r
i
a
b
l
e

d
e
p
e
n
d
i
e
n
t
e

(
Y
)




D
i
s
c
r
e
t
a







C
o
n
t
i
n
u
a

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
56
Pronostico: Regresin lineal mltiple
En una regresin lineal simple, exploramos la relacin entre una respuesta continua Y y
una nica variable continua X de pronstico
La regresin lineal mltiple se utiliza cuando una respuesta Y se ve afectada por ms de
una X
La regresin lineal mltiple permite cuantificar la relacin entre varias X e Y
Si X1, X2, X3 aumenta, aumenta tambin Y? Disminuye Y?
Aumenta o disminuye un poco? Aumenta o disminuye mucho?


7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
57
Pronostico:
Regresin lineal mltiple y multicolinealidad
El proceso de evaluacin de un modelo de regresin lineal mltiple es muy similar
al utilizado en la regresin lineal simple
Al trabajar con varias X, es posible que una X se correlacione tanto con una
respuesta Y como con otra X. Esta situacin se denomina multicolinealidad. Esto
se analizar posteriormente con mayor detenimiento.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
58
El gerente de mercadotecnia de uno de los distribuidores est interesado en comprender la
relacin entre las ventas del producto ABC y cuatro factores que, segn ella misma y su equipo
de ventas, tienen un impacto en las ventas. Ya recopilaron datos y quisieran desarrollar un
modelo productivo. Un Cinturn negro sugiere que la regresin mltiple puede ser til en el
anlisis de los datos. Los datos fueron guardados en Sales.mtw.
Las variables se mencionan a continuacin:
x1 = Horas del vendedor
x2 = Descuento otorgado
x3 = Descuento solicitado
x4 = Tiempo de entrega
Y = Ventas
Pronostico: Ejemplo Regresin lineal mltiple
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
59
Como lo estudiamos en la regresin lineal simple, es importante considerar a los datos en
forma grfica y no se basan exclusivamente en los resultados analticos
Esto tiene mayor importancia an en la regresin lineal mltiple
Debido a que la regresin lineal simple se limita a una sola X y una Y, el modelo de
regresin se puede graficar y ver fcilmente
La regresin lineal mltiple puede tener muchas X, por lo que puede resultar
imposible representar en forma grfica el modelo
Mejores prcticas: Use todas las herramientas grficas posibles para confirmar los resultados
analticos
Pronostico:
La importancia de la visualizacin de datos
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
60
Pronostico: Grfico de matriz: Visualizar los datos
1. Seleccione Graph> Matrix Plot
2. Seleccione 'Simple'
3. Haga clic en OK
1
2
3
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
61
Pronostico: Grfico de matriz: Visualizar los datos
5
6
4
9
4. Seleccione primero la
respuesta Sales (C5)
5. Seleccione las X (C1, C2,
C3, C4)
6. Seleccione Matrix Options
7. Seleccione Upper Right
8. Haga clic en OK
9. Haga clic en OK
7
8
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
62
Pronostico: Grfico de matriz
Respuesta Y
Posibles X
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
63
Pronostico: Grfico de matriz Respuesta vs. X
La fila superior muestra las
ventas de respuesta graficadas
con respecto a las posibles X
Parece haber una fuerte
relacin positiva entre Ventas y
Descuento otorgado
Qu ms observa?
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
64
El resto de las filas
compara cada X con
todas las dems X
Parece haber una
fuerte relacin
positiva entre
Descuento otorgado y
Descuento solicitado
(posible
multicolinealidad)
Qu ms observa?
Pronostico: Grfico de matriz X vs. X
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
65
Pronostico: Correlacin
1
1. Seleccione Stat>Basic
Stats>Correlation
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
66
2. Seleccione primero la respuesta
Sales para Variables y luego
todas las dems variables (C1 C4)
3. Haga clic en OK
2
3
Pronostico: Correlacin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
67
Esto tambin confirma lo que vimos en el grfico de matriz.
Existe evidencia de fuertes relaciones entre algunas X e Y,
y tambin entre algunas de las X.
Correlaciones: Ventas, Horas del vendedor, Descuento otorgado, Descuento solicitado,
Tiempo de entrega

Ventas Horas del Descuento Descuento
vendedor otorgado solicitado
Horas del vendedor 0,167
0,522
Descuento otorgado 0,905 0,058
0,000 0,824
Descuento solicitado 0,837 0.228 0.907
0.000 0.379 0.000
Tiempo de entrega -0,889 -0.035 -0.834 -0.803
0.000 0.893 0.000 0.000
Contenidos de celda: Correlacin de Pearson
Valor P
Pronostico: Correlacin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
68
Pronostico: Series de Tiempo - Ejemplos de aplicacin
Un VP Supply Chain necesita conocer mensualmente los requerimientos de algunos
productos, de manera que el rea de produccin pueda minimizar su inventario y, al mismo
tiempo, su programacin de produccin no se vea afectada.
Un analista de compras necesita entender cmo el precio de cierto material cambia con el
tiempo y poder comprarlo en el momento correcto.
Un departamento de mercadotecnia desea mejorar la eficiencia y la exactitud de sus
predicciones en la venta de mquinas, de modo que las unidades de negocio puedan tener
una fabricacin eficaz
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
69
Pronostico: Series de Tiempo
Qu son datos de series de tiempo?
Una serie de tiempo es un grupo de observaciones
X
t
, cada una registrada en un tiempo especfico t.
Es bsicamente una secuencia de observaciones
tomadas ordenadamente en el tiempo.
El tiempo t puede ser minutos, horas, das, aos,
etc.
Si las observaciones se hacen en una respuesta en
el tiempo, es ms sensible mostrar los datos en el
orden en que ocurren
Ejemplos: Resultados de ventas mensuales,
Temperaturas ambientes, valores del mercado de
valores, etc.
Tiempo
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
70
Pronostico: Series de Tiempo
Por qu un anlisis de series de tiempo?
Con frecuencia, un buen mecanismo de prediccin del comportamiento futuro de una
variable es su comportamiento pasado.
En el anlisis de series de tiempo, nuestra respuesta no es predecible por una variable
independiente, como en la regresin.
Usamos valores pasados de una serie de tiempo para predecir los valores futuros de la
misma serie.
Suposicin: suponemos que el futuro ser exactamente igual que el pasado; eso puede
ser arriesgado.
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
71
Pronostico:
Series de Tiempo - Enfoque general del anlisis
Hacer un grfico de las series y examinar las caractersticas principales
del grfica, revisando especialmente en qu lugar de la serie hay:
Tendencias
Temporalidad
Comparar los resultados con diferentes Herramientas de series de
tiempo y seleccionar el mejor modelo
Evaluar la idoneidad (precisin) del modelo de Serie de tiempo
Generar un pronstico (si se desea)
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
72
Pronostico: Series de Tiempo Ejemplo
Abra Time Series Trend + Decomposition.mtw
La columna C1 es el Mes Ao.
La columna C2 corresponde a las ventas de botas Cat en $ de cada mes.
Queremos examinar estos datos en cuanto
a su tendencia y temporalidad.
Deseamos pronosticar los siguientes 6 meses de ventas
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
73
Pronostico: Series de tiempo - Grfico: Minitab
1. Abra Time Series Trend +
Decomposition.mtw
(Utilizaremos este
conjunto de datos varias
veces en este mdulo)
2. Seleccione Stat
(Estadstica)>Time Series
(Serie de tiempo)>Time
Series Plot... (Grfico
de serie de tiempo...)
3. Seleccione el grfico
'Simple'
4. Haga clic en OK
2
4
3
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
74
Pronostico:
Series de Tiempo - Diagrama de serie temporal
5. Seleccione 'Ventas de las
botas Cat expresado en $'
para la variable 'Serie'
6. Haga clic en OK
5
6
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
75
Pronostico: Series de Tiempo - Grfico : salida
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
76
Pronostico: Series de Tiempo - Patrones generales
La mayora de los patrones de las series de tiempo se pueden describir en trminos de
dos clases de componentes bsicas:
Tendencia
Temporalidad

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
77
La tendencia es un movimiento a largo plazo en una serie de tiempo. Es la direccin
bsica (una tendencia ascendente o descendente) y un rgimen de cambio en una
serie de tiempo, cuando se han asignado los dems componente.
Ejemplos:
Y
t
= B
0
+ B
1
t (Tendencia lineal)
Y
t
= B
0
+ B
1
t + B
2
t
2
(Tendencia cuadrtica)
Y
t
= B
0
*B
1
t
(Tendencia de crecimiento
exponencial)
Y
t
= (Curva S)
Nos centraremos en la Tendencia lineal
Pronostico:
Series de Tiempo - Anlisis de tendencias
) (B B B
10
t
2 1 0

+
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
78
Pronostico:
Series de Tiempo - Tendencia lineal: Minitab
2
1. Vuelva a Time Series Trend + Decomposition.mtw
2. Seleccione Estadstica>Serie de tiempo>Anlisis
de tendencias...
3. Seleccione 'Ventas de las botas Cat expresado
en $' como la Variable
4. Seleccione Lineal
5. Haga clic en OK
4
5
3
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
79
Pronostico:
Series de Tiempo - Anlisis de tendencias: salida
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
80
Pronostico:
Series de Tiempo Anlisis de tendencias: salida
Estos conceptos
se explicarn
a continuacin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
81
Pronostico: Series de Tiempo - Mediciones de exactitud
Tres mediciones de exactitud del modelo ajustado:
Error de porcentaje absoluto medio (MAPE)
Desviacin absoluta media (MAD)
Desviacin cuadrada media (MSD)
Para las tres mediciones, mientras ms bajo sea el valor, mejor es el ajuste del modelo
Las estadsticas se utilizan para comparar el ajuste de los diferentes mtodos
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
82
Pronostico: Series de Tiempo - Componente estacional
En datos mensuales o semanales, el componente temporal, conocido
frecuentemente como temporalidad, es el componente de variacin en una
serie de tiempo que depende del perodo del ao. Describe cualquier patrn
cclico repetido.
Ejemplos:
Costos de los distintos tipos de frutas y vegetales
Cifras de desempleo
Promedio diario de precipitaciones

7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
83
Pronostico: Series de Tiempo - Descomposicin
La descomposicin separa la serie de tiempo en dos componentes
principales:

Tendencia lineal


Temporalidad


Se deja solo el error aleatorio sin explicar (o Datos residuales)
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
84
Dos modelos de descomposicin: Multiplicativo y Aditivo
Modelo multiplicativo: se utiliza cuando los valores estacionales cambian en la misma
proporcin de una estacin a otra (es decir, mismo cambio de %)
Y
t
= (Valor de tendencia)
*
(Factor estacional) + Error

Modelo aditivo: se utiliza cuando los valores estacionales cambian en la misma
cantidad fija de una estacin a otra (es decir, mismo cambio de unidades)
Y
t
= Valor de tendencia + (Factor estacional) + Error
Pronostico: Series de Tiempo -Descomposicin
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
85

=
=
D
D
S
i
i
Estacional Factor
Factor o ndice estacional
Es la cantidad de correlacin que necesita una serie de tiempo para
ajustarse a la estacin del ao
Di = Demanda de la estacin.
D = Demanda total del perodo (ao).
Pronostico:
Series de Tiempo - Descomposicin
Pronostico: Series de Tiempo - Minitab: Descomposicin
3
7
6
5
4 2
1. Vuelva a Time Series Trend +
Decomposition.mtw
2. Stat (Estadstica)>Time
Series (Serie de tiempo)>
Decomposition...
(Descomposicin...)
3. Seleccione 'Ventas de las
botas Cat expresado en $'
como 'Variable'
4. Longitud estacional = 12
5. Seleccione el modelo
'Multiplicative'
(Multiplicativo)
6. Seleccione los componentes
del modelo 'Trend plus
seasonal (Tendencia ms
estacional)
7. Haga clic en OK
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
87
Pronostico: Series de Tiempo
Diagrama de descomposicin: Salida
Observe el valor MSD.
Adems, la desviacin
estndar de los datos
residuales en torno al
modelo ajustado en rojo
es aproximadamente de
467 (Raz cuadrada
de MSD)
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
88
Pronostico: Series de Tiempo
Anlisis de componentes de descomposicin: Salida
Lo que queda en
este grfico es el
error aleatorio que
no explica la
tendencia o la
temporalidad
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
89
Pronostico: Series de Tiempo
Anlisis segn la estacin de descomposicin: Salida
La contribucin
de cada
temporada al
error/variacin
total en el
modelo (100%)
El efecto promedio
de cada temporada
se compara con
el multiplicador
promedio total
de 1,0
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
90
Pronostico: Series de Tiempo
Grficos residuales de descomposicin: Salida
Aqu
nuevamente,
vemos los
datos
residuales
despus
de nuestro
anlisis.

Qu
esperaramo?
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
91
Pronostico: Series de Tiempo
Descomposicin: Modelo aditivo
1. Stat (Estadstica)>
Time Series (Serie
de tiempo)>
Decomposition...
(Descomposicin...)
2. Seleccione 'Ventas de
las botas Cat expresado
en $' como 'Variable'
3. Longitud estacional = 12
4. Seleccione el modelo
'Aditivo'
5. Seleccione los
componentes del
modelo 'Trend plus
seasonal (Tendencia
ms estacional)
6. Haga clic en OK
2
6
5
4
3
1
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
92
Pronostico: Series de Tiempo
Diagrama de descomposicin: Salida de modelo aditivo
La MSD del modelo
Aditivo es mayor que el
modelo Multiplicativo
(218279), por lo tanto,
usaremos el modelo
Multiplicativo
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
93
Pronostico: Series de Tiempo - Resumen del resultado
El modelo de descomposicin se ajusta bien, con base en el grfico y las mediciones de
precisin
Muestra un ciclo estacional regular y una tendencia ascendente sostenida
El modelo Multiplicativo era el mejor ajuste (MSD inferior)
Por lo tanto, la empresa decidi usar el modelo obtenido para pronosticar los siguientes 6
meses de las Ventas de las botas Cat
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
94
Pronostico:
Series de Tiempo - Generar pronsticos: Minitab
1. Repita Stat (Estadstica)>Time Series
(Serie de tiempo)> Decomposition...
(Descomposicin...)
2. Seleccione 'Ventas de las botas Cat
expresado en $' como 'Variable'
3. Longitud estacional = 12
4. Seleccione el modelo 'Multiplicative'
(Multiplicativo)
5. Seleccione los componentes del
modelo 'Trend plus seasonal
(Tendencia ms estacional)
6. Seleccione 'Generate
Forecasts' (Generar
pronsticos)
7. Seleccione '6' pronsticos
8. Haga clic en Storage
(Almacenar)
9. Seleccione 'Forecasts'
(Pronsticos)
10. Haga clic en OK
11. Haga clic en OK
2
5
4
3
6
8
7
9
10
11
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
95
Pronostico: Series de Tiempo
Diagrama de descomposicin con pronsticos: Salida
Pronsticos (en la
ventana Sesin)

Pronstico de
perodo
49 3006,39
50 3101,95
51 4316,24
52 4312,82
53 4811,86
54 5182,22

Tambin optamos por
almacenar Pronsticos
en la hoja de trabajo













,
,
,
,
,
3006,39
3101, 95
4316,24
4312,82
4811,86
5182,22
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
96
Pronostico: Mtodo Winter
( ) ( )( )
( ) ( )
( ) ( )
P t HW t t HW t
t HW t t HW t
t t HW p t t HW t
s L x s
T L L T
T L s x L



+ =
+ =
+ + =

| |
o o
1 /
1
1 /
1 1
1 1
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
97
1. L
t-1
+ T
t-1
son los niveles bases antes de observar la demanda real x t
2. La demanda desestacionalizada es
3. Las ecuaciones de L y T se adaptan del pronstico de suavizacin
exponencial
1. L representa el nivel
2. T representa la tendencia


p t t
F x

/
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
98
Pronostico: Mtodo Winter
( )
c k t t t k t
p t t
s kT L f
s x
+

+ = ) (
/
,
Por lo tanto, el pronstico del periodo t+k es el
siguiente:
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
99
L
o
= Estimacin de la base al principio del mes 1
T
o
= Estimacin de la tendencia al principio del mes 1
F
11
= Factor estacional de enero al principio del mes 1
F
10
= Factor estacional de febrero al principio del mes 1
:
:
F
0
= Factor estacional de diciembre al principio del mes 1

Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
100
75 , 45 ) 5 , 1 )( 2 / ) 1 12 (( 5 , 37
) )( 2 / ) 1 ((
2
= + =
+ =
o
o o
L
T N V L

T
o
=
(Pr omedioventasAo2) (Pr omediodeventasAo1)
12
T
o
=
450
12

234
12
12
=1,5
Meses Periodo Ao 1 Ao 2
1 -11 4 9
2 -10 3 6
3 -9 10 18
4 -8 14 27
5 -7 25 48
6 -6 26 50
7 -5 38 75
8 -4 40 77
9 -3 28 52
10 -2 17 33
11 -1 16 31
12 0 13 24
Total 234 450
Promedio 19,5 37,5
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
101
22 , 0
2
24 , 0 205 , 0
240 , 0 5 , 37 / 9
205 , 0 5 , 19 / 4
11
1 ,
1
=
+
=
= =
= =

s
s
s
b
a
Meses Periodo Ao 1 Ao 2 Sa Sb S
1 -11 4 9 0,21 0,24 0,22
2 -10 3 6 0,15 0,16 0,16
3 -9 10 18 0,51 0,48 0,50
4 -8 14 27 0,72 0,72 0,72
5 -7 25 48 1,28 1,28 1,28
6 -6 26 50 1,33 1,33 1,33
7 -5 38 75 1,95 2,00 1,97
8 -4 40 77 2,05 2,05 2,05
9 -3 28 52 1,44 1,39 1,41
10 -2 17 33 0,87 0,88 0,88
11 -1 16 31 0,82 0,83 0,82
12 0 13 24 0,67 0,64 0,65
Total 234 450
Promedio 19,5 37,5
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
102
4 , 10 22 , 0 )) 5 , 1 ( 75 , 45 (
) (
5 , 1
75 , 45
12 1 0 1 , 0
0
= +
+ =
=
=
+
s T L f
T
L
o o
o
Meses Periodo Ao 1 Ao 2 Sa Sb S
1 -11 4 9 0,21 0,24 0,22
2 -10 3 6 0,15 0,16 0,16
3 -9 10 18 0,51 0,48 0,50
4 -8 14 27 0,72 0,72 0,72
5 -7 25 48 1,28 1,28 1,28
6 -6 26 50 1,33 1,33 1,33
7 -5 38 75 1,95 2,00 1,97
8 -4 40 77 2,05 2,05 2,05
9 -3 28 52 1,44 1,39 1,41
10 -2 17 33 0,87 0,88 0,88
11 -1 16 31 0,82 0,83 0,82
12 0 13 24 0,67 0,64 0,65
Total 234 450
Promedio 19,5 37,5
Al principio del mes 1, nuestro
pronstico para las ventas del mes 1
sern
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
103
81 , 110 97 , 1 )) 5 , 1 ( 7 75 , 45 (
) 7 (
5 , 1
75 , 45
12 7 0 1 , 0
0
= +
+ =
=
=
+
s T L f
T
L
o o
o
Al principio del mes 1, el pronstico para las ventas del mes 7 es
4 , 10 22 , 0 )) 5 , 1 ( 75 , 45 (
) (
5 , 1
75 , 45
12 1 0 1 , 0
0
= +
+ =
=
=
+
s T L f
T
L
o o
o
Al principio del mes 1, nuestro pronstico para las ventas del mes 1
sern
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
104
( ) ( )( )
( ) ( )
( ) ( ) 23 , 0 ) 22 , 0 ( 4 , 0
17 , 53
13
6 , 0 1 /
87 , 3 ) 5 , 1 ( 6 , 0 ) 75 , 45 17 , 53 ( 4 , 0 1
17 , 53 ) 5 , 1 75 , 45 ( 5 , 0
22 , 0
13
5 , 0 1 /
1
1 1 1
1 1 1
= + |
.
|

\
|
= = + =
= + = = + =
= + + |
.
|

\
|
= = + + =



s s L x s
T T L L T
L T L s x L
P t HW t t HW t
t HW t t HW t
t t HW p t t HW t

| |
o o
6 , 0 , 4 . 0 , 5 . 0 = = = | o
Calculamos L
1
, T
1
,s
1
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
105
Al final del mes 1, el pronstico para las ventas del mes 7 es
49 , 150 97 , 1 )) 87 , 3 ( 6 17 , 53 (
) 6 (
5 , 1
75 , 45
12 6 1 1 1 6 , 1
0
= +
+ =
=
=
+
s T L f
T
L
o
Pronostico: Mtodo Winter
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
106
Pronostico: Series de Tiempo -Ejercicio Tarea.
Caso hipottico:
Acaba de recibir cuatro aos de datos de ventas mensuales, hasta finales de
septiembre
Existe una preocupacin significativa acerca de los resultados financieros del cuarto
trimestre y, por lo tanto, los resultados de todo el ao.
Le asignaron la tarea de hacer el mejor pronstico posible de los siguientes tres
meses de ventas, mediante el uso de un modelo basado en series de tiempo
(solamente), porque la economa general y otros factores han sido relativamente
estables durante ese perodo
?
7/2/2014
Luis Lepe Negrete - Ingeniera Civil
Industrial - Universidad Catolica del
Norte
107