E.P.

DE INGENIERIA QUIMICA
ADMINISTRACION DE LA
PRODUCCION Y CALIDAD
Tema Nº 04: ADMINISTRACION DE
LA DEMANDA: SERIES DE TIEMPO
Ing. José Manuel García Pantigozo
calidadtotal@hotmail.com
2018- II
 Objetivos de aprendizaje
Cuando haya completado este capítulo, debe ser
capaz de:
Identificar o definir:
 Pronóstico
 Tipos de pronóstico
 Horizontes temporales
 Enfoques del pronosticó
Objetivos de aprendizaje
Cuando haya completado este capítulo, debe
ser capaz de:
• Describir o explicar:
– Medias móviles
– Suavizado exponencial
– Proyecciones de tendencia
– Estacionalidad
– Análisis de regresión y correlación
– Medidas de precisión de la pronóstico
 ORIENTACION GERENCIAL
• Una organización empresarial dentro de su
planeación estratégica trata de responder
estas dos preguntas:
• ¿Cómo satisfacer totalmente a los clientes?
• ¿Cómo hacerlo mejor que la competencia?
• Una parte integral de la planeación estratégica
de una empresa incluye la identificación y el
análisis de las fuentes actuales y potenciales
de demanda de sus bienes y servicios. La
firma debe determinar cuáles fuentes de
demanda cultivar y cómo satisfacer la
demanda anticipada.
ORIENTACION GERENCIAL DEL
PRONOSTICO

• DEFINICION: La Administración de
la demanda implica reconocer fuentes
de demanda para los bienes y servicios
de una Empresa, predecir la demanda
y determinar la manera cómo la
empresa satisfacerá esa demanda.
INTRODUCCION A LOS PRONOSTICOS
• Para diseñar y ejecutar un sistema de
operación que satisfaga a los clientes, una
empresa debe reconocer cuánta demanda
tiene que satisfacer, lo cuál lo induce a tres
interrogantes importantes:
¿Como saber que producir?
¿Como saber cuanto producir?
¿Como saber cuando producir?
INTRODUCCION A LOS PRONOSTICOS
• La predicción y administración de la
demanda ayuda a responder estas preguntas.
• La administración de la demanda incluye
identificar todas las fuentes potenciales de la
demanda, así como influir en ella. Los intentos
de medir la demanda y los efectos de
administrarla se denominan pronósticos.
 ¿Qué es pronosticar?
 Arte y ciencia de
pronosticar
acontecimientos
futuros.
 Base de todas las
decisiones
empresariales:
 Producción.
 Inventario.
 Personal.
 Instalaciones.
 PRONÓSTICOS PARTE INTEGRAL
DEL PLANEAMIENTO DE NEGOCIOS
Ingreso: Estimación
Métodos de
Mercado, de la
Pronóstico
Economía, demanda
Otros

Pronóstico Equipo de
de Ventas Administración

Estrategia Pronóstico de
de Negocios Recursos de Producción
EJEMPLOS DE PRONÓSTICOS DE
RECURSOS DE PRODUCCIÓN
Horizonte Comienzo Unidad de
Pronóstico Tiempo
del Pronóstico Medida

Rango Línea de Products, Dolares,

Año
Alto Capacidad de Planta Libras

Rango Grupos de Productos Dolares,

Meses
Medio Capacidad de Dptos. Libras

Rango Productos Especificos Prod. Units,

Semanas
Corto Capacidad de Maq. Unidades
AREAS QUE DEBEN TRABAJAR
JUNTAS

MARKETING

OPERACIONES
 MARKETING
 Proporciona información relacionada
con el mercado y las predicciones de
la demanda.
 Administra la demanda mediante
políticas de fijación de precio y
promociones por ejemplo: los
descuentos de temporada nivelan la
demanda por un producto o servicio.
 OPERACIONES
Se encarga de asegurar que los bienes y servicios de la
Empresa se proporcionen cuando se necesiten.
TIPOS DE PRONOSTICO POR
HORIZONTE DE TIEMPO
 PRONOSTICO A CORTO PLAZO
Cobertura de hasta un año, generalmente inferior a los
tres meses.
Programación de trabajos, asignación de tareas.
PRONOSTICO A MEDIANO PLAZO
Entre tres meses y tres años.
Planificación de las ventas, de la producción y del
presupuesto.
 PRONOSTICO A LARGO PLAZO
Periodos superiores a tres años.
Planificación de nuevos productos, localización de las
instalaciones.
Pronósticos a corto plazo frente a
pronósticos a largo plazo
• Los pronósticos a mediano y largo plazo tratan de
asuntos más extensos, y apoyan las decisiones de
gestión que conciernen a la planificación y los
productos, las plantas y los procesos.
• Los pronósticos a corto plazo normalmente emplean
metodologías diferentes a las utilizadas en los
pronósticos a largo plazo.
• Los pronósticos a corto plazo tienden a ser más
exactas que las realizadas a largo plazo.
 La influencia del ciclo de vida
del producto
• Las etapas de introducción y crecimiento necesitan
pronósticos más largas que las de madurez y declive.
• Los pronósticos son útiles para proyectar
– los diferentes niveles de personal
– los diferentes niveles de inventarios
– los diferentes niveles de capacidad de producción
mientras el producto pasa de la primera a la última
etapa.
Estrategia durante el ciclo
de vida de un producto
Introducción
Mejor periodo para
aumentar la cuota de
mercado
Estrategias de la compañía
Es vital planear la I + D
Ventas
Impresoras a
color
HDTV
La planificación y desarrollo
del producto son vitales
Cambios frecuentes en
Estrategias de la OM
planificación del producto y
proceso
Lotes de producción
pequeños
Altos costes de producción
Número de modelos limitado
Atención a la calidad
Crecimiento
Buen momento para
cambiar el precio o la
imagen de calidad
Fortalecer el segmento
de mercado
Restaurantes para mercado
comer en el coche
CD-ROM
Internet
La previsión es muy
importante
Fiabilidad del producto y
proceso
Posibilidades y mejoras del
producto competitivas
Aumento de la capacidad
Cambio de tendencia para
centrarse en el producto
Atención a la distribución
Madurez Declive
Mal momento para cambiar la Es vital controlar el
imagen, el precio o la calidad coste
Los costes competitivos son
ahora muy importantes
Defender la posición en el
Fax
Disquetes
de 3 1/2”
Furgonetas
Estandarización Poca diferenciación del
producto
Cambios de producto menos
rápidos; más cambios
Minimización de costes
minuciosos
Sobrecapacidad en la
Capacidad óptima
industria
Estabilidad creciente del
proceso de producción Eliminación de productos
que no proporcionan un
Grandes lotes de producción
margen aceptable
Mejora del producto y
Reducción de capacidad
reducción de costes
EJEMPLOS DE ciclo de vida
de productoS
EJEMPLOS DE ciclo de vida
de productoS
EJEMPLOS DE ciclo de vida
de productoS
 ciclo de vida
de LA COCA COLA
TAREA GRUPAL: CICLO de vida
de ……………………………
 TIPOS DE PRONÓSTICOS

•1. Económicos ¿Cuanto

venderé?

•2. Tecnológicos

•3. De demanda
 1.-PRONOSTICOS ECONOMICOS
• Sirven para pronosticar lo que
serán las condiciones generales de
los negocios dentro de algunos
meses o años.
• Lo hacen los gobiernos, los bancos
y los servicios de predicción
econométrica.
 2.- PRONOSTICOS TECNOLOGICOS
• Pronostican la probabilidad y el
significado de posibles desarrollos
futuros. Indican la dirección de los
cambios tecnológicos y la tasa de
cambios esperada.
 3.- PRONOSTICOS DE LA DEMANDA

• Las predicciones de demanda

pronostican la cantidad y la
duración de la demanda de los
bienes y servicios de una
empresa.
 ENFOQUES PARA PRONÓSTICAR

¿Cuanto
venderé?
I. CUALITATIVOS

II. CUANTITATIVOS
 Siete pasos en el sistema de
pronóstico
• Determinar la utilización del pronóstico.
• Seleccionar los artículos en los que se va a realizar el
pronóstico
• Determinar el horizonte temporal del pronóstico.
• Seleccionar el(los) modelo(s) de pronóstico.
• Recoger datos.
• Realizar el pronóstico.
• Validar e implementar los resultados.
 Demanda de un producto en un
periodo de 4 años con tendencia de
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Demanda del producto o servicio

Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
 Demanda real frente a los
métodos de media móvil y media
móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas

25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes
Realidades sobre el pronóstico

• Raras veces los pronósticos son perfectos.

• La mayoría de las técnicas de previsión
asumen que existe cierta estabilidad sostenida
al sistema.
• Tanto las predicciones de familias de
productos como las predicciones en conjunto
son más precisas que las previsiones de
productos individuales.
Enfoques de los pronósticos
Métodos cualitativos
 Se emplean cuando la
situación no es clara y
hay pocos datos:
 Productos nuevos.
 Nueva tecnología.
 Requieren intuición y
experiencia:
 Por ejemplo, la previsión de
las ventas a través de
Internet.
Métodos cuantitativos
 Se emplean cuando la
situación es “estable” y
existen datos
“históricos”:
 Productos existentes.
 Tecnología actual.
 Requieren ténicas
matemáticas:
 Por ejemplo, la previsión
de las ventas de
televisiones en color.
 Visión global de los métodos
cualitativos
• Jurado de opinión ejecutiva:
– Se agrupan las opiniones de un grupo de expertos de alto nivel o
de directivos, a menudo en combinación con modelos estadísiticos.
• Proposición de personal comercial:
– Las estimación de las ventas esperadas por los vendedores se
revisan para ver si se pueden llevar a cabo y luego se obtiene una
previsión global.
• Método Delphi:
– Proceso de grupo que permite a los expertos realizar las
previsiones.
• Estudio de mercado del consumidor:
– Requiere información de los clientes.
 Jurado de opinión ejecutiva
Requiere un pequeño grupo de directivos:
 El grupo establece una estimación conjunta de
la demanda.
Combina la experiencia directiva con modelos
estadísticos.
Es bastante rápido.
Desventaja del
“pensamiento en
grupo”.
© 1995 Corel Corp.
Proposición de personal comercial
Cada vendedor estima las
ventas que hará.
Se combinan con las
previsiones a niveles de
distritos y con las
nacionales.
El representante de ventas
conoce las necesidades de
los consumidores.
Tiende a ser bastante
optimista.
 Método Delphi
• Proceso de grupo
iterativo. Los que toman
• 3 tipos de participantes: decisiones
(¿Ventas?)
– Los que toman Personal de
(Habrá 50 ventas)
decisiones. plantilla
– El personal de plantilla. (¿Qué ventas habrá?
cuestionarios)
– Los que responden.
• Reduce el “pensamiento
Los que
en grupo”. (Habrá 45, 50, 55 ventas)
responden
 Estudio de mercado
¿Cuántas horas
Preguntar a los utilizará Internet la
consumidores sobre sus próxima semana?
futuros planes de compra.
Lo que dicen los
consumidores y lo que luego
hacen suele diferir.
A veces es difícil contestar a
las preguntas del estudio.
Visión global de los métodos
cuantitativos

• Enfoque simple
• Medias móviles Modelos de series
• Suavizado exponencial de tiempo

• Proyección de tendencia

Modelos
• Regresión lineal asociativos
 METODOS CUANTITATIVOS

Método
Cuantitativo

Modelos Modelos
Serie de Tiempos Causales

Promedio Suavizado Proyección Regresión

Móvil Exponencial Tendencia Lineal

43
¿Qué son las series temporales?
• Es una secuencia de datos uniformemente espaciada:
– Se obtiene observando las variables en periodos de tiempo
regulares.
• Se trata de un pronóstico basada en los datos
pasados:
– Supone que los factores que han influido en el pasado lo
sigan haciendo en el futuro.
• Ejemplo:
Año: 2012 2013 2014 2015 2016
Ventas: 78,7 63,5 89,7 93,2 92,1
Descomposición de una serie
temporal
Tendencia Ciclos

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

Respuesta

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

 Estacionalidad
• Muestra de datos de ascenso o descenso que
se repite.
• Se puede ver afectada por la climatología,
las costumbres, etc.
• Se produce dentro de un periodo anual.
Verano
Respuesta
© 1984-1994 T/Maker Co.

Mes, trimestre
 Ciclos
• Movimientos de ascenso o descenso que se
repiten.
• Se pueden ver afectados por interacciones de
factores que influyen en la economía.

Ciclo
Respuesta


Mes, trimestre, año
•
Variaciones aleatorias
• Son “saltos” en los datos causados por el
azar y situaciones inusuales.
• Son debidas a variaciones aleatorias o a
© 1984-1994 T/Maker Co.
situaciones imprevistas:
– Huelga.
– Tornado.
• Son de corta duración
y no se repiten.
Modelos de series temporales
• Cualquier valor que aparezca en una serie
temporal es la multiplicación (o suma) de
los componentes de la serie temporal.

• Modelo multiplicativo:
– Yi = Ti x Si x Ci x Ri (si los datos son mensuales o
trimestrales).

• Modelo aditivo:
– Yi = Ti + Si + Ci + Ri (si los datos son mensuales o
trimestrales).
 Enfoque simple

 Suponer que la demanda en

el próximo periodo será
igual a la demanda del
periodo más reciente:
 Por ejemplo, si en mayo hubo 48
ventas, en junio habrá 48 ventas.
 Es el modelo con la mejor
relación eficacia-coste y
eficiencia.
© 1995 Corel Corp.
 Medias móviles
• Las medias móviles son una serie de operaciones
aritméticas.
• Se utilizan si no hay tendencia o si ésta es
escasa.
• Se suelen utilizar para el suavizado:
– Proporciona una impresión general de los datos a lo
largo del tiempo.
• Ecuación:
MM   demanda de n periodos previos
n
 Ejemplo de media móvil
Usted es el director de una tienda de un museo que
vende réplicas. Quiere predecir las ventas (000) del
año 2017 mediante una media móvil de 3 años.
2012 4
2013 6
2014 5
2015 3
2016 7

© 1995 Corel Corp.

Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
2012 4 ND ND
2013 6 ND ND
2014 5 ND ND
2015 3 4+6+5=15 15/3 = 5
2016 7
2017 ND
Solución de la media móvil

Año Respuesta Media Media móvil

Yi móvil total (n=3)
(n=3)
2012 4 ND ND
2013 6 ND ND
2014 5 ND ND
2015 3 4+6+5=15 15/3 = 5
2016 7 6+5+3=14 14/3=4 2/3
2017 ND
Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
2012 4 ND ND
2013 6 ND ND
2014 5 ND ND
2015 3 4+6+5=15 15/3=5,0
2016 7 6+5+3=14 14/3=4,7
2017 ND 5+3+7=15 15/3=5,0
Gráfico de la media móvil

Ventas
8 Real
6
Pronóstico
4
2
95 2013
2012 96 2014
97 2015
98 2016
99 2017
00
Año
 Método de la media móvil
ponderada
• Se utiliza cuando se presenta una tendencia:
– Los datos anteriores suelen carecer de
importancia.
• Las ponderaciones se basan en la intuición:
– Suelen estar entre 0 y 1, y a la suma de 1,0.
• Ecuación:
Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n)
ponderada = Σ ponderaciones
CALCULO DE media móvil ponderada
El Garden Supply de Donna decide hacer una previsión de las ventas de cabañas
de almacenamiento ponderando los tres meses pasados de la siguiente manera:
PONDERACION APLICADA PERIODO
3 ULTIMO MES
2 HACE DOS MESES
1 HACE TRES MESES
6 SUMA DE PONDERACIONES

Previsión para este mes =

3X(VENTA DEL ULTIMO MES) + 2X(VENTA DE HACE 2 MESES + 3X(VENTA HACE 3 MESES)
LA SUMA DE PODERACIONES = 6
EJEMPLO DE media móvil ponderada

VENTAS MEDIA MOVIL PROMEDIO PONDERADA

MES
REALES DE 3 MESES
ENERO 10
FEBRERO 12
MARZO 13
ABRIL 16 [(3 × 13) + (2 × 12) + (10)]/6 = 12 1/6
MAYO 19 [(3 × 16) + (2 × 13) + (12)]/6 = 14 1/3
JUNIO 23 [(3 × 19) + (2 × 16) + (13)]/6 = 17
JULIO 26 [(3 × 23) + (2 × 19) + (16)]/6 = 20 1/2
AGOSTO 30 [(3 × 26) + (2 × 23) + (19)]/6 = 23 5/6
SETIEMBRE 28 [(3 × 30) + (2 × 26) + (23)]/6 = 27 1/2
OCTUBRE 18 [(3 × 28) + (2 × 30) + (26)]/6 = 28 1/3
NOVIEMBRE 16 [(3 × 18) + (2 × 28) + (30)]/6 = 23 1/3
DICIEMBRE 14 [(3 × 16) + (2 × 18) + (28)]/6 = 18 2/3
Demanda actual, media móvil y
media móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas

25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
Inconvenientes de los métodos de
media móvil
• Al aumentar n veces, los pronósticos
son menos sensibles a los cambios.
• No es posible predecir bien la
tendencia.
• Se necesitan muchos datos
históricos.
 Suavizado Exponencial
• Es una técnica de previsión de media móvil
ponderada:
– Las ponderaciones disminuyen exponencialmente.
– Se ponderan más los datos más recientes.
• Se necesita una constante de suavizado ():
– Toma valores entre 0 y 1.
– Se escoge de forma subjetiva.
• Necesita una cantidad reducida de datos
históricos.
 Ecuaciones del Suavizado
Exponencial

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

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

• Ft = Ft-1 + (At-1 - Ft-1)

– Se utiliza para calcular la previsión.
Ejemplo de suavizado exponencial
Usted está organizando una reunión Kwanza.
Desea predecir el número de personas que
asistirán en el año 2017 mediante el suavizado
exponencial ( = 0,10). La previsión para
2012 fue de 175.
2012 180
2013 168
2014 159
2015 175
2016 190
© 1995 Corel Corp.
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
2012 180 175,00 (Dado)
2013 168 175,00 +
2014 159
2015 175
2016 190
2017 ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(
159
175
190
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, Ft
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 -
159
175
190
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00)
159
175
190
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159
175
190
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175
190
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175 174,75 + 0,10(159 - 174,75)= 173,18
190
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
(α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175 174,75 + 0,10(159 - 174,75) = 173,18
190 173,18 + 0,10(175 - 173,18) = 173,36
ND
Solución del suavizado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
180 175,00 (Dado)
168 175,00 + 0,10(180 - 175,00) = 175,50
159 175,50 + 0,10(168 - 175,50) = 174,75
175 174,75 + 0,10(159 - 174,75) = 173,18
190 173,18 + 0,10(175 - 173,18) = 173,36
ND 173,36 + 0,10(190 - 173,36) = 175,02
Gráfico del suavizado exponencial

Ventas
190 Real
180
170
160 Pronóstico
150
140
2012 2013 2014 2015 2016 2017
Año
Efectos de la previsión de la
constante de suavizado 
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

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

= 0,10 10%
= 0,90
Efectos de la previsión de la
constante de suavizado 
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

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

= 0,10 10% 9%
= 0,90
Efectos de la previsión de la
constante de suavizado 
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

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

= 0,10 10% 9% 8,1%

= 0,90
Efectos de la previsión de la
constante de suavizado 
Ft =  At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

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

= 0,10 10% 9% 8,1%

= 0,90 90%
Efectos de la previsión de la
constante de suavizado 
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

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

= 0,10 10% 9% 8,1%

= 0,90 90% 9%
Efectos de la previsión de la
constante de suavizado 
Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

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

= 0,10 10% 9% 8,1%

= 0,90 90% 9% 0,9%
 Si se selecciona 
Trate de minimizar la desviación absoluta media (DAM)

Si: Error de previsión = demanda - previsión

 errores de previsión
Entonces: DAM 
n
 Suavizado exponencial con
ajuste de tendencia

Previsión incluyendo la tendencia (PITt)

= previsión alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)
Suavizado exponencial con
ajuste de tendencia
Ft =  (demanda real de este periodo)
+ (1- )(previsión del último periodo + tendencia estimada del
último periodo)
o
Ft = (At) + (1- )Ft-1 + Tt-1

Tt = (previsión de este periodo - previsión del último periodo)

+ (1-)(tendencia estimada del último periodo)
o

Tt = (Ft - Ft-1) + (1- )Tt-1

 Suavizado exponencial con
ajuste de tendencia

• Ft = previsión alisada exponencialmente de la

serie de datos en el periodo t.
• Tt = tendencia alisada exponencialmente en el
periodo t.
• At = demanda real en el periodo t.
•  = constante de suavizado para la media.
•  = constante de suavizado para la tendencia.
Comparación de pronosticos
suavizado exponencial +
40 Tendencia
35 Demanda real
Demanda del producto

30
25
20
15
suavizado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
 MEDIDAS PARA CALCULAR EL
ERROR GLOBAL DEL PRONÓSTICO
87
 MEDIDAS PARA CALCULAR EL
ERROR GLOBAL DEL PRONÓSTICO
• Error del pronóstico acumulado (Cumulative Forecast Error - CFE)

• Desviación media absoluta (Mean Absolute Deviation - MAD)

• Error medio cuadrático (Mean Square Error - MSE)

• Error medio porcentual absoluto (Mean Absolute Percent Error – MAPE)

• Señal de senda (Tracking Signal): Equivale a la división entre CFE y MAD.

• R al cuadrado (R-Square): Coeficiente de determinación.

 ERROR DE PRONOSTICO

Al dato Ai se le resta el pronostico Fi

Forecast Error = (Actual Data - Pronóstico)

ERROR DE PRONOSTICO ACUMULADO (CFE)
• Los grandes errores positivos se compensan con los
grandes errores negativos en la CFE de una
medición.
• Sin embargo el CFE resulta útil para evaluar el sesgo
de un pronóstico.
• Por ejemplo, si un pronóstico resulta mas bajo que la
demanda real, el valor del CFE sera cada vez más
grande.
n
CFE =  Et
i=1 91
ERROR DE PRONOSTICO ACUMULADO (CFE)

Sumatoria de los errores de

pronostico.

CFE = Σ (Forecast Error )

 DESVIACION MEDIA ABSOLUTA (MAD)

• Desviación Absoluta Media (MAD): Su valor

se calcula sumando los valores absolutos de los
errores individuales del pronóstico y dividiendo
entre el número de periodos de datos (n)
Suma de Desviación absoluta para n periodos
MAD =
n
n

 Demanda actual- Demanda pronosticada

MAD = i =1

n
Veamos un ejemplo
DESVIACION MEDIA ABSOLUTA (MAD)

• Muestra la magnitud del error

global.
• No penaliza los errores extremos.
• No anula los errores.
• No da idea de la dirección del
error.
• En unidades originales.

95
 DESVIACION MEDIA ABSOLUTA (MAD)

Ejemplo: Durante los últimos 8 trimestres, el puerto

del Callao ha descargado de los barcos grandes
cantidades de grano. El Jefe de Operaciones del
puerto quiere probar el uso de suavizamiento
exponencial para ver que tan bien funciona la técnica
para predecir el tonelaje descargado. Supone que el
pronóstico de grano descargado durante el primer
trimestre fue 175 toneladas. Se examinan dos valores
de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo
para α = 0,10
DESVIACION MEDIA ABSOLUTA (MAD)
Pronóstico Pronóstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas α = 0,10 α = 0,50

1 180 175 Pronóstico del periodo Pronóstico del 175

anterior periodo anterior

2 168 176 = 175 + 0,10 ( 180 – 175) Demanda 178

real en

3 159 175 = 175,50+0,10 (168 – 175,50)

periodo
anterior
173

4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 170
173 = 173,18+0,10 (175+173,18)
6 205 175 = 173,36+0,10(190-173,36) 180

7 180 178= 175,02+0,10(205-175,02) 193

8 182 178 = 178,02 + 0,10 (180-178,02) 186

9 ? 179 = 178,22 + 0,10 (182-178,22) 184

Para evaluar la precisión de ambas constantes de

suavizado, calculamos los errores de pronóstico en
términos de desviaciones absolutas y MAD.
 DESVIACION MEDIA ABSOLUTA (MAD)
Toneladas Pronóstico Desviación Pronóstico Desviación
reales Redondeado Redondeado
Absoluta Absoluta
Trimestre
Descargadas con α=0,10 Para α=0,10 con α=0,50 Para α=0,50

1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
Suma de desviaciones 84 100
absolutas
desviaciones =10,50 12,50
MAD = n

Con base en este análisis, una constante de suavizado de α =0,10

es preferible a α = 0,50 por que su MAD es más pequeña. Se debe
encontrar la constante de suavizado con el menor error de
pronóstico.
 DESVIACION MEDIA ABSOLUTA (MAD)

225 –

Actual  = .5
200 – demand
Demand

175 –

 = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quarter

© 2006 Prentice Hall, Inc. 4 – 54

 ERROR CUADRATICO MEDIO (MSE)

Error Cuadrático Medio (MSE): Es una

segunda forma de medir el error global del
pronóstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores
pronosticados y observados. Su fórmula es:
MSE = (errores de
pronóstico) n

Sigamos con el ejemplo del puerto del Callao

para determinar el MSE
 ERROR CUADRATICO MEDIO (MSE)
Toneladas Pronóstico
reales Redondeado 2
Trimestre (Error)
Descargadas con α=0,10

2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) =
2 256
4 175 173
(2)2 =4
5 190 173
172 = 289
6 205 175
30
2 = 900
7 180 178
22 =4
8 182 178
4 = 16
Suma de los cuadrados de los 1.558
errores 2
MSE = (errores de pronóstico)
= 1.558 / 8 = 194,75
n

Usando un α= 0,50 se obtendría un MSE de 201,5. Por lo

tanto el α= 0,10 es una mejor elección por que se minimiza
 ERROR PORCENTUAL ABSOLUTO MEDIO
(MAPE)
Error Porcentual Absoluto (MAPE): Este se calcula
como el promedio de las diferencias absolutas entre
los valores pronosticados y los reales y se expresa
como porcentaje de los valores reales. Es decir, si
hemos pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:
n

MAPE = 100 real i - pronóstico i / real i

i=1

n
Sigamos con el ejemplo del puerto del Callao
para determinar el MAPE
ERROR PORCENTUAL ABSOLUTO MEDIO
(MAPE)
Toneladas Pronóstico Error porcentual
reales Redondeado Absoluto
Trimestre
Descargadas con α=0,10 100 ( error / real)

1 180 175 100(5/180) = 2,77%

2 168 176 100(8/168) = 4,76%
3 159 175 100(16/159) = 10,06%
4 175 173 100(2/175) = 1,14%
5 190 173 100(17/190) = 8,95%
6 205 175 100(30/205) = 14,63%
7 180 178 100(2/180) = 1,11%
8 182 178 100(4/182) = 2,20%

Suma de errores porcentuales = 45,62%

45,62%
MAPE = errores porcentuales absolutos= = 5,70%
n 8
TRACKING SIGNAL (SEÑAL DE SEGUIMIENTO)

Tracking Signal: medias que se hacen en el

pronostico para predecir los valores actuales. El
Tracking signal se calcula así:

 Demanda actual - Demanda pronosticada

= i =1
MAD