PRONOSTICOS

Promedios móviles

 Método de pronósticos que utiliza un promedio de los datos de los

“n” periodos mas recientes para pronosticar el siguiente periodo

 
Promedio Móvil =
 Ejemplo aplicativo 1
 Las ventas de cobertizos para almacenamiento se muestran en la
columna media de la siguiente tabla. A la derecha se presenta un
promedio móvil de 3 meses .
Y si las ventas de diciembre fueran de 18 y no 14 ¿Cuál seria el nuevo
pronostico para ENERO?

El nuevo pronostico para ENERO seria de 17 + 1/3

Gráfica de promedio móvil y ventas reales de cobertizos
 Promedio Móvil Ponderado

 La practica de la aplicación de tendencias permiten que las técnicas de pronostico

respondan mas rápido a los cambios , puesto que puede darse mayor peso a los
periodos mas recientes .

Prom. Móvil Ponderado=

 Ejemplo aplicativo 2

 La tienda de productos para jardín de Donna quiere pronosticar las

ventas de cobertizos ponderado los últimos 3 meses, dando peso a los
datos recientes para hacerlos mas significativos.
 En el método del promedio móvil ponderado se asigna mas ponderación
a los datos recientes , de la siguiente manera
 Los resultados para este pronostico promedio ponderado aplicanto
el método son los siguientes :

 En esta situación particular de pronostico, se observa que cuanto mas

se pondera el ultimo mes, la proyección que se obtiene es mucho mas
precisa
 Grafica del Promedio Móvil , Promedio
Ponderado y Ventas reales de cobertizos
 Suavizamiento exponencial
 Técnica de pronostico por promedios móviles ponderados donde los
datos se ponderan mediante una función exponencial .
 Matemáticamente la formula se escribe de la siguiente manera :

Ft=Ft-1 + β(At-1 – Ft-1 )

Donde : Ft : nuevo pronostico

Ft-1 : pronostico del periodo anterior

β : constante de suavización ( o ponderación )( 0≤ Β ≤1 )

At-1 : demanda real en el periodo anterior

 Ejemplo
Aplicativo 3
 En enero , un vendedor de automóviles predijo que la demanda para febrero seria de
142 Ford Mustang . La demanda real en febrero fue de 153 automóviles . Usando una
constante de suavización que eligió la administración de β = 0.20 , el vendedor
quiere pronosticar la demanda para marzo usando el modelo de suavización
exponencial .

 Solución :
Aplicando el medido de suavización exponencial debido a los pocos datos
mostrados ,
 Nuevo pronostico(para la demanda de marzo) =142 +0,2(153-142) = 144,2
Conclusión : Usando solo dos elementos de datos , el pronostico y la demanda real ,
mas una constante de suavización , desarrollamos un pronostico de 144 Ford Mustangs
para marzo.
 SUAVIZAMIENTO
EXPOTENCIAL
 

  144,2

Pronostico del Periodo

Anterior 142
Constante de
Suavizamiento 0,2
Demanda Real 153
Nuevo Pronóstico 144,2
 Selección de la constante de
suavizamiento

 el valor apropiado de la constante de suavizamiento, puede hacer la diferencia

entre un pronostico preciso y uno impreciso.

Constante de
Suavizamiento Periodo más reciente 2° Periodo 3° Periodo 4° Periodo 5° Periodo
       

   
1-)
       

0,1 0,1 0,09 0,081 0,0729 0,06561

0,5 0,5 0,25 0,125 0,0625 0,03125

 Medición del error de pronostico

 La exactitud general de cualquier modelo de pronostico puede determinarse

al comparar los valores pronosticados con los valores reales u observados.
 El error de pronostico se define como :

Error de pronostico = Demanda real – Valor pronosticado

Medidas para calcular error de pronostico

 Desviación absoluta media

MAD =
 Ejemplo aplicativo 4
 Durante los últimos 8 trimestres , en el puerto de Piura se han descargado de los barcos grandes
cantidades de grano . El administrador de operaciones del puerto quiere probar el uso de la
suavización exponencial para ver que tan bien funciona la técnica para predecir el tonelaje
descargado . Supone que el pronostico de grado descargado durante el primer trimestre fue de
175 toneladas. Se examinan dos valores de β=0,10 y β=0,50

PRONOSTICO CON PRONOSTICO CON B =

TRIMESTRE TONELAJE REAL DESCARGADO β=0,10 0,50
1 180 175 175
2 168 175.50 177.50
3 159 174.75 172.75
4 175 173.18 165.88
5 190 173.36 170.44
6 205 175.02 180.22
7 180 178.02 192.61
8 182 178.22 186.30
9 ? 178.60 184.15
 Pronostico con constate de Pronostico con constate de
suavización 0.1 para el segundo suavización 0.5 para el segundo
trimestre trimestre
   
  175.5   177.5

DESVIACIÓN PRONOSTICO DESVIACIÓN

TONELAJE REAL PRONOSTICO CON ABSOLUTA CON ABSOLUTA
TRIMESTRE
DESCARGADO 0.1 0.5
  CON α=0.1   CON α=0.5
1 180 175.00 5.00 175.00 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.13
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 4.30
SUMA DE DESVIACIONES ABSOLUTAS 82.46   98.63
DESVIACIÓN ABSOLUTA MEDIA(MAD) 10.31   12.33
PANORAMA DE LOS
MÉTODOS CUALITATIVOS
 Error cuadrático medio
 El error cuadrático medio(MSE)es una segunda forma de
medir el error global de pronóstico. El MSE es el promedio
de los cuadrados de las diferencias encontradas entre los
valores pronosticados y los observados. Su fórmula es:

  MSE
 Ejercicio aplicativo 5
El administrador de operaciones del puerto de
Baltimore quiere calcular ahora el MSE para α = 0.10

Trimestre Toneladas Pronostico (error)

real para α = 0.10
descargado
1 180 175 25
2 168 175.50 =56.25
3 159 174.75 =248.06
4 175 173.18
4 175 173.18 =3.31
5 190 173.36
5 190 173.36 =276.89
6 205 175.02
6 205 175.02 =898.80
7 180 178.02
7 180 178.02 =3.92
8 182 178.02
8 182 178.02 =14.29
Suma de errores=1526.46

  MSE=1526.52/8=190.8
Error porcentual absoluto
medio
Este se calcula como el promedio de las diferencias absolutas
encontrados entre los valores pronosticados y los reales, y se
expresa como un porcentaje de los valores reales.

 
 Ejercicio aplicativo 6
El puerto de Baltimore ahora quiere calcular el
MAPE cuando alfa=0,1

PRONOSTICO
TRIMES TONELAJE REAL PARA =0.10 Error porcentual absoluto
 
TRE DESCARGADO 100(error/actual)
1 180 175 2.78
2 168 175.50 4.46
3 159 174.75 9.91
4 175 173.18 1.04
5 190 173.36 8.76
6 205 175.02 14.62
7 180 178.02 1.10
8 182 178.22 2.08
  TOTAL 44.75
 suavización exponencial con
ajuste de tendencia

Las técnicas de suavización exponencial deben su gran

aceptación a seis razones básicas:
 1. Los modelos exponenciales son asombrosamente
acertados.
 2. Formular un modelo exponencial es relativamente
fácil.
 3. El usuario puede entender cómo funciona el
modelo.
 4. Se requieren pocos cálculos para usar el modelo.
 5. Los requisitos para almacenar en computadora
son pocos debido al uso limitado de datos históricos.
 6. Las pruebas para conocer la exactitud con que
está funcionando el modelo son fáciles de calcular.
 suavización exponencial con
ajuste de tendencia

 La ecuación para un solo pronóstico empleando la suavización exponencial es

simplemente:

Ft = Ft – 1 + α(At - 1 – Ft - 1)

 Donde: 

Ft = El pronóstico suavizado exponencialmente para el periodo t 

Ft - 1 = El pronóstico suavizado exponencialmente para el periodo anterior
At - 1 = La demanda real en el periodo anterior 
α = La tasa deseada de respuesta o la constante de suavización
 Esta ecuación indica que el nuevo pronóstico es igual al viejo más una
parte del error (la diferencia entre el pronóstico anterior y la venta real).
 Ejercicio aplicativo 7
 Una importante fabricante de Portland quiere pronosticar la demanda
de un equipo para control de la contaminación. Una revisión de las
ventas histórica, como se muestra a continuación, indica que hay una
tendencia creciente.

Mes(t) Demanda real(At) Mes(t) Demanda real(At)

1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?
 Se pide el calculo del pronostico
suavizado exponencialmente con ajuste
de la tendencia

Pronostico
 
Pronostico(
    incluyendo la
tendencia

     
     
     
   
 Pronostico incluyendo la
Mes Demanda Real tendencia
1 12  
2 17 14.72
3 20 17.28
4 19 20.14
5 24 22.14
6 21 24.89
7 31 26.18
8 28 29.59
9 36 31.60
10   35.16

Comparacion de los pronosticos con suavizamiento exponencial y ajuste de la tendencia contra los datos de la demanda real
40

35

30

25

20

15

10

0
0 2 4 6 8 10 12

Demanda Real Pronostico incluyendo la tendencia

 Proyecciones de tendencia
 El ultimo de pronostico de series de tiempo que
analizaremos es la PROYECCION DE LA TENDENCIA. Esta
técnica ajusta una receta de tendencia a una serie de
datos puntuales históricos y después proyectada dicha
recta al futuro para obtener pronósticos de mediano y
largo plazo. Se pueden desarrollar diversas ecuaciones
matemáticas (como exponencial y cuadrática), pero en
esta sección revisaremos sólo las tendencias lineales Si
decidimos desarrollar una recta de tendencia lineal
mediante un método estadístico preciso, podemos
aplicar el método de mínimos cuadrados. Este enfoque
da como resultado un alinea recta que minimiza la suma
de los cuadrados de las diferentes verticales o
desviaciones de la recta a cada una de las observaciones
reales. 
 En la figura 4.4 se ilustra e enfoque de mínimos cuadrados. Una recta de mínimos cuadrados
se describe en términos de su ordenada o intersección con el eje y (la altura en la cual cruza
al eje y ) y su pendiente (la inclinación de la recta).Si calculamos la pendiente y ordenada,
expresamos la recta con la siguiente ecuación :

Figura 4.4:Método de +bx

 
mínimos cuadrados
para encontrar la recta
que mejor se ajuste,
donde los asteriscos
 
y : valor de y de cada dato puntual
representan las :valor calculado de la variable dependiente a partir de la
posiciones de las siete ecuación de regresión
observaciones reales o
n :numero de datos puntuales

ventas de Nobel (m illones de dolares)

datos puntuales

Proyecciones de tendencia
4
3.5
3
2.5
2
1.5
1
0.5
0
0 1 2 3 4 5 6 7 8

Nomina del area (en miles de millones de dolares)

 Ejercicio aplicativo 8
 En la siguiente tabla se muestra la demanda de energía eléctrica en N.
Y. Edison durante el periodo 2001 a 2007, en megawatts. La empresa
quiere pronosticar la demanda para 2008 ajustando una recta de
tendencia a estos datos.

Año Demanda de energetica electrica

2001 74
2002 79
2003 80
2004 90
2005 105
2006 142
2007 122
 Periodo(x Demanda de energía    
Año ) eléctrica(y)    
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854

  28   692  
140  
3063
 

Por lo tanto la ecuación de mínimos cuadrados

para la tendencia es
 
Entonces si se pide un pronostico de la demanda
para el año 2008 ->  

  (8) = 141.02
 Para evaluar el modelo, graficamos la demanda histórica y la recta
de tendencia. En este caso, debemos tener cuidado y tratar de
comprender el cambio en la demanda de 2006 a 2007.

Demanda de energia electrica(y)

160
150
f(x) = 10.54x - 21014.71
140
130
120
110
100
90
80
70
60
50
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Demanda de energia electrica(y) Recta de tendencia

 VARIACIONES ESTACIONALES
EN LOS DATOS

Las variaciones estacionales en los datos son movimientos regulares

ascendentes o descendentes localizados en una serie de tiempo y
que se relacionan con acontecimientos recurrentes como el clima o
las vacaciones. Las estaciones se expresan en términos de la
cantidad en la que difieren los valores reales de los valores promedio
en las serie de tiempo.

En lo que se denomina modelos estacional multiplicativo, los factores

estacionales se multiplican por una estación de la demanda promedio
para producir un pronostico estacional.
Ejemplo n°
9

Demanda promedio mensual= = 1128 =

94
12 meses
 MES DEMANDA MES DEMANDA

enero 1200/12*0,957= 96 julio 1200/12*1,117= 112

febrero 1200/12*0,851= 85 agosto 1200/12*1,064= 106

septiemb
marzo 1200/12*0,904= 90 re 1200/12*0,957= 96

abril 1200/12*1,064= 106 octubre 1200/12*0,851= 85

noviembr
mayo 1200/12*1,309= 131 e 1200/12*0,851= 85

junio 1200/12*1,223= 122 diciembre 1200/12*0,851= 85

RAZONAMIENTO: piense en estos índices como porcentajes de las ventas

promedio. Las ventas promedio serian de 9, pero con estacionalidad, las
ventas fluctúan entre los 85% y 131% del promedio
 Ejercicio aplicativo 10
Un distribuidor San Diego quiere mejorar sus pronósticos aplicando tanto
tendencia como índices estacionarios a datos recopilados durante 66 meses .Se
pronostica los “días -paciente “ para el año próximo .
Y=8090+21.5X
Y= Días-Paciente
X=Tiempo(en meses)

Pronostico por
Mes periodo
67 9531
68 9552
69 9574
70 9595
71 9617
72 9638
73 9660
74 9681
75 9703
76 9724
77 9746
78 9767
Días-Paciente=(Pronostico de ajuste con
tendencia )(Índice estacional mensual) =(9531)
(1.04)=9912
Los días Paciente para cada mes son :
Pronostico =Pronostico de Periodo*Indice de
Estacionalidad

Mes Periodo Pronostico

Enero 67 9912
Febrero 68 9265
Marzo 69 9765
Abril 70 9691
Mayo 71 9520
Junio 72 9542
Julio 73 9949
Agosto 74 10068
Setiembre 75 9411
Octubre 76 9724

Noviembre 77 9356
Dicmebre 78 9572
1.06
1.04 1.04
1.04 1.03
1.02
1.02 1.01
1
1 0.99 0.99
0.98
0.98 0.97 0.97
0.96
0.96
0.94
0.92
0.9

Periodo=67 para enero hasta 78 para diciembre

10200
10068.24

10000 9949.29
9911.72

9764.97
9800 9690.95 9724

9541.62 9571.66
9600 9520.34
9411.43
9355.68
9400
9265.44

9200

9000
66 67 68 69 70 71 72 73 74 75 76 77 78 79

Periodo=67 para enero hasta 78 para Diciembre

 Pronostico de
ventas con ajuste
estacional
Para calcular el pronostico de ventas con ajuste estacional, solo
multiplicamos cada índice estacional por el pronostico de tendencia
apropiado.

 
 Ejercicio aplicativo 11
la administración de Davi´s Departament Store uso regresión de
series de tiempo para pronosticar las ventas al menudeo de los
siguientes cuatro trimestres . Las ventas estimadas son de 10000,
12000, 14000, 16000 dólares para los trimestres respectivos. se han
encontrado que los índices estacionales para los cuatro trimestres
son de: 1.30, 0.90, 0.70 y 1.15, respectivamente.

indices
  ventas estacionales
Trimestre I 10000 1.3
Trimestre II 12000 0.90
Trimestre III 14000 0.70
Trimestre IV 16000 1.15
Pronostico de ventas con ajuste estacional:

pronostico de
  ventas índices estacionales ventas

Trimestre I 10000 1.3 13000

Trimestre II 12000 0.90 10800

Trimestre III 14000 0.70 9800

Trimestre IV 16000 1.15 18400

 VARIACIONES CICLICAS EN LOS DATOS

 Los ciclos son como las variaciones estacionales de los datos, pero
ocurren cada varios años, no semanas, mese o trimestres. El pronostico
de variaciones cíclicas es una serie de tiempo es difícil. Esto se debe a
que los ciclos incluyen una variedad de factores que causan que la
economía valla de la recesión a la expansión y de regreso a la recesión
luego de un periodo de años.
 El pronostico de los ciclos de demanda para productos individuales
también puede estar guiado por los ciclos de vida del productos;
algunos ejemplos son los discos flexibles y las videograbadoras.
 Uso de análisis de regresión
para pronosticar
Con el fin de realizar un análisis de regresión lineal, podemos usar el
mismo modelo matemático que empleamos con el método de
mínimos cuadrados para efectuar la proyección de tendencias.

 
y= valor de la variable dependiente (ventas)
a = intersección con el eje x
b = pendiente de la recta de regresión
x = variable independiente
 Ejercicio aplicativo 12
La compañía constructora Nodel renueva casas antiguas en West Bloomfield,
Michigan. Con el tiempo, la compañía ah encontrado que su volumen de dólares por
trabajos de renovación depende de la nomina del área de West Bloomfield. La
administración quiere establecer una relación matemática para ayudarse a predecir
las ventas.

tabla de ingresos y cant. De trabajadores durante los

últimos 6 años
Nomina local (en millones de ventas de Nodel (en
dólares), x millones de dólares), y
1 2.0
3 3.0
4 2.5
2 2.0
1 2.0
7 3.5
  
ventas, y nomina, x xy
 
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5

       
       
15.0 18 80 51.5

 
 
 
 
Por tanto, la ecuación de regresión estimada es:

 
A partir de los seis puntos de datos, parece haber una ligera relación positiva entre
la variable independiente (nomina) y la variable dependiente(ventas). A medida que
se incrementa la nomina, las ventas de Nodel tienden a ser mas altas.

Chart Title

ventas de Nobel (millones de dolares)

4

0
0 1 2 3 4 5 6 7 8

Nomina del area (en miles de millones de dolares)

 Error estándar de estimación
Este calculo se llama desviación estándar de la regresión, y mide el
error desde la variable dependiente, y , hasta la recta de regresión.

   

y : valor de y de cada dato puntual

  :valor calculado de la variable dependiente a
partir de la ecuación de regresión.
n :numero de datos puntuales
 Ejercicio aplicativo 13
El vicepresidente de operaciones de nodel quiere conocer el
error asociado con la recta de regresión calculada en el ejemplo
12
ventas, (y) nomina, (x)   xy  
   4
2.0 1 1 2
3.0 3 9 9 9
2.5 4 16 10 6.25
2.0 2 4 4 4
2.0 1 1 2 4
3.5 7 49 24.5 12.25

  15.0
  18
  80
  51.5
  39.5

39.5
 
 

(en millones de dólares)

  0.306186218
 Coeficientes de correlación para
rectas de regresión

La ecuación de regresión es una forma de expresar la naturaleza de

la relación que hay entre dos variables. Las rectas de regresión no
son relaciones de “causa y efecto”.

 
 Ejercicio aplicativo 14
calcular el coeficiente de correlación para los datos
dados en los ejercicios 12 y 13

y x   xy  
   
2.0 1 1 2 4.00

3.0 3 9 9 9.00

2.5 4 16 10 6.25

2.0 2 4 4 4.00

2.0 1 1 2 4.00

3.5 7 49 24.5 12.25

 
15.0   18   80  
51.5 39.5  
  

6 f(x) = 3.25x - 5.13

R² = 0.81
5

0
1.8 2.0 2.2 2.4 2.6 2.8 3.0 3.2 3.4 3.6
 Análisis de regresión múltiple
La regresión múltiple es una extensión practica del modelo de
regresión que acabamos de ver. Nos permite construir un modelo con
varias variables independientes en vez de solo una variable.

Ecuación de regresión múltiple:

 
 
 
 = Valores de las dos variables independientes,
nómina del área y tasas de interés,
respectivamente
 
 Ejercicio aplicativo 15
La constructora Nodel quiere ver e impacto de una
segunda variable independiente , tasas de interés;
sobre sus ventas

 
  1.8   0.3   5
Se quiere conocer el impacto de la tasa de interés
sobre sus ventas
Datos:
 
  Tasa de interés
Ventas (en millones)   3.00
Ventas = 3,000,000.00
MONITOREO Y CONTROL DE
PRONÓSTICOS
 Señal de control =

donde MAD =

Las señales de control positivas indican que la

demanda es mayor que el propósito. Las señales de
control negativas indican que la demanda es menor
que el pronóstico. Una buena señal de control tiene
casi tanto error positivo como error negativo.
Cuando una señal de control excede el límite
inferior o superior, existe un problema con el
método de pronóstico y la administración querrá
reevaluar la forma en que pronostica la demanda.
 Ejemplo aplicativo 16

ERRO ERROR ERROR SEÑAL DE

DEMA DEMANDA R ABSOLUTO ABSOLUTO CONTROL
TRIME ERRO
STRE NDA PRNOSTICAD ACUM DEL ACUMULADO MAD (ERROR
A R
REAL ULAD PRONOSTIC DEL ACUMULAD
O O PRONOSTICO O/MAD)

1 90 100 -10 -10 10 10 10.0 -10/10 = -1

2 95 100 -5 -15 5 15 7.5 -15/7.5 = -2
3 115 100 15 0 15 30 10.0 0/10 = 0
4 100 110 -10 -10 10 40 10.0 -10/10 = -1
+5/11 =
5 125 110 15 5 15 55
11.0 +0.5
+35/14.2 =
6 140 110 30 35 30 85
14.2 +2.5
 CÁLCULO DE LA SEÑAL DE CONTROL EN CARLSON BAKERY
Carlson Bakery quiere evaluar el desempeño de su pronostico de ventas de
croissants.
MÉTODO Desarrolle una señal de control para el pronóstico y vea si se
conserva dentro de los límites aceptables, los cuales se definen como ±4
MAD.
SOLUCIÓN Usando el pronostico y los datos de demanda para las ventas de
croissants en los últimos 6 trimestres, se desarrollará una señal de
control en la tabla siguiente:
Calculo del Mad para trimestre 1

Señal de control para mes 1

 
 • Un enfoque del pronóstico de suavización exponencial en el
cual la constante de suavización se modifica de manera
automática para mantener los errores a un nivel mínimo.
• Ej.
• Por ejemplo, cuando se aplica a la suavización exponencial,
Suavización primero se seleccionan los coeficientes α y β según los
adaptable valores que disminuyen al mínimo el error de pronóstico y
después se ajustan de acuerdo con éstos cuando la
computadora captan una señal de control errática. Este
proceso se llama suavización adaptable.

• Pronóstico que prueba una variedad de modelos

computarizados y selecciona el mejor para una aplicación en
particular. El pronóstico enfocado se basa en 2 principios:
• Los modelos de pronósticos sofisticados no siempre son
Pronóstico enfocado mejores que los sencillos.
• No existe una técnica única que deba empelarse para todos
los productos o servicios.
PRONÓSTICOS EN EL SECTOR SERVICIOS

Los pronósticos en el sector servicios

presentan retos inusuales. Una técnica
importante en el sector comercial es el
seguimiento de la demanda manteniendo
buenos registros a corto plazo.

Tiendas de especialidad al menudeo

Las tiendas de especialidad al menudeo, como las florerías,
pueden tener otros patrones de demanda poco comunes y estos
patrones variarán de acuerdo con los días festivos.
Restaurantes de comida rápida
Los restaurantes de comida rápida están preparados no sólo para
enfrentar las variaciones de la demanda por semana, día y hora
sino, incluso, para las variaciones de cada 15 minutos que influyen
en las ventas.
En consecuencia, necesitan pronósticos detallados de la demanda.