18/01/2018
PROPÓSITO
GESTIÓN DE LA DEMANDA
Forecasting
DBA VICTORIANO ZACARÍAS RODRÍGUEZ
4
1
ADMINISTRACIÓN DE OPERACIONES
SEMANA 1
• Presentación del sílabo.
• Historia de la Administración de Operaciones.
• Estrategias de la Administración de Operaciones.
• Productividad en las operaciones.
Consiste en la estimación y el análisis de la demanda futura para un
producto en particular, componente o servicio, utilizando inputs, como
ratios históricos de venta, estimaciones de márketing e información
promocional, a través de diferentes técnicas de previsión.
El forecasting en operaciones abarca desde el análisis de la demanda
con el objetivo de mejorar el flujo de información en la cadena de
suministros de las empresas y por lo tanto preparar a la organización en el
sentido de medios técnicos, humanos y financieros para soportar las
operaciones futuras de la empresa; estimación de compras, producción,
necesidades de almacenaje, transportes, etc.
Desarrollar en el estudiante la capacidad de comprender y aplicar
los métodos que utiliza una empresa para producir y distribuir con
eficacia productos y servicios que oferta, bajo cinco principios:
estrategia, procesos, diseño de la cadena de suministro, planeación
y control de la cadena de suministro y programación.
Al finalizar la asignatura, el estudiante será capaz de gestionar el
sistema de operaciones, utilizando métodos y técnicas de producción
y distribución para mejorar el desempeño de las organizaciones
productivas.
PRONÓSTICOS
Es una arte y una ciencia de predecir los eventos futuros.
Implica el uso de datos históricos y su proyección hacia el
futuro mediante un modelo matemático.
Una predicción también
predice el futuro; pero hace
uso del subjetivismo, la
intuición, el juicio,
experiencia, hasta las
corazonadas.
La gestión toma muchas decisiones importantes que requieren de
pronósticos del futuro.
Los gerentes de operaciones necesitan pronósticos respecto del
tiempo de producción para tomar decisiones sobre compras,
personal, programación e inventarios.
Los gerentes de marketing necesitan pronósticos de
ventas futuras para tomar decisiones sobre precios,
contratación, promoción y distribución.
Los gerentes de finanzas requieren pronósticos de flujo
??
de caja con objeto de tomar decisiones sobre
préstamos, inversiones a corto plazo y financiamiento.
Por lo tanto todos los gerentes necesitan algún tipo de
pronóstico.
1
 18/01/2018

Tiene como fin coordinar y controlar todas las fuentes de la demanda,

de manera que los sistemas de operaciones puedan utilizarse en forma
eficiente.
Además, a los clientes se les entregarán los productos con puntualidad,
en la cantidad y con la calidad adecuadas y se satisfarán los requisitos
de las filiales, el transporte entre plantas y las necesidades de
refacciones de servicio.
Una organización puede jugar un papel protagónico a fin de influir en la
demanda.

ESTRATEGIAS y CONCEPTOS DURANTE EL CICLO DE VIDA DEL

PRODUCTO
LA INFLUENCIA DEL CICLO DE VIDA DEL PRODUCTO INTRODUCCIÓN CRECIMIENTO MADUREZ DECLIVE
Practico para cambiar la
Mala época para aumentar la
ESTRATEGIA DE LA EMPRESA

Mejor periodo para imagen de precio o calidad. cuota de mercado o cambiar

aumentar la cuota de Control de costos
la imagen, precio o calñidad crítico
mercado Nichos potenciales para la
Los productos y los servicios no se venden al mismo ritmo a lo largo empresa
Cadena de restaurantes
Los jabones de
de toda su vida. La mayoría de los productos de mas éxito pasan por I&D&i son críticos tocador
USB
el ciclo de vida. Ventas El costo competitivo es crítico
CDs
Station
Internet Defensa de la posición en el wagons
mercado vía nuevas
promociones y distribución
HDTV Fotocopias a color
Los productos situados en las dos primeras etapas de su vida necesitan
previsiones a largo plazo, a diferencia de los que se encuentran en Estandarización
ESTRATEGIA DE OPERACIONES

El diseño y desarrollo del

producto son críticos Pronósticos críticos Poca diferenciación del
Cambios de producto menos
madurez y declive. Las previsiones son útiles para proyectar los Frecuentes cambios en el diseño Fiabilidad del producto y rápidos-menos cambios anuales
de modelo
producto
proceso Minimización de costos
diferentes niveles de personal, de inventarios y de capacidad de del producto y el proceso
Mejoras y opciones para Capacidad optima Sobrecapacidad en la
Lotes de producción pequeños
producción requeridos, mientras el producto pasa de la primera a la Altos costos de producción
aumentar la
competitividad del producto Estabilidad creciente del proceso
de producción
industria

última etapa. Limitado número de modelos Aumento de la capacidad

Grandes lotes de producción
Eliminación de productos
que no proporcionan un
Gran atención a la calidad Giro aumentado al producto
Atención a la mejora del producto margen aceptable
Importancia de la distribución y a la reducción de costos
Rápida eliminación de defectos Reducción de capital
en diseño Reexamen del diseño

EL CICLO DE VIDA DEL PRODUCTO

TIPOS DE PREVISIONES
Atrincheramiento
Penetración en mercados Retirada Las organizaciones utilizan principalmente tres tipos de
previsiones en la planificación del futuro de sus
Expansión en la participación de mercado operaciones:

Ventas
1. Previsiones económicas, dirigidas al ciclo empresarial
Utilidades prediciendo las tasas de inflación, masa monetaria,
construcción de primeras viviendas y otros indicadores
económicos.

Ventas 2. Previsiones tecnológicas, referentes al ritmo de progreso

tecnológico, que puede provocar el nacimiento de
Utilidad interesantes productos que necesitan nuevas plantas y
Pérdidas equipo.
Introducción Crecimiento Madurez Declinación
Desarrollo

2
 18/01/2018

CICLO NORMAL DE LOS NEGOCIOS

TIPOS DE PREVISIONES
150

140 Prosperidad
3. Las previsiones de demanda, son proyecciones de la
Recesión
130 demanda de los productos o servicios de la empresa. Estas
previsiones, también denominadas previsiones de ventas,
120
determinan la producción de las empresas, su capacidad y
DEMANDA

110 los sistemas de planificación y sirven como inputs de cara a la

Recuperación planificación financiera, de marketing y de personal.
100

90
Recta de tendencia secular
Las previsiones económicas y tecnológicas son técnicas
80 especializadas que están situadas fuera del papel del director
de operaciones.
70 Depresión

60
1 3 5 7 9 11 13 15 17 19

M ES

PERIODO DE LOS PRONOSTICOS PERIODO DE LOS PRONOSTICOS

Pronóstico a corto plazo.- Tiene un lapso hasta un año,
generalmente menor de tres meses. Se utiliza para planear las
compras, programación de planta, niveles de fuerza laboral,
asignaciones de trabajo y niveles de producción.
Pronóstico a mediano plazo.- Generalmente tiene un lapso de tres
meses a tres años. Es valioso en la planeación de producción y
presupuestos, planeación de ventas, presupuestos de efectivo y el
análisis de varios planes de operación.
Pronóstico a largo plazo.- Tienen lapsos de tres años o más, se
utilizan para planear nuevos productos, desembolsos de capital,
localización de instalaciones o su expansión, y la investigación y el
desarrollo. Los pronósticos a largo plazo son quizá los más
importantes, ya que ayudan al administrador a proporcionar una
guía directriz para la organización; sin embargo son los más difíciles
de obtener pues mientras más largo sea el horizonte de tiempo
mayor es la incertidumbre que existe sobre el futuro.

PRINCIPALES DEBILIDADES ACTUALES

PRINCIPALES DEBILIDADES ACTUALES
Los forecast, son a menudo preparados en silos funcionales sin
colaboración entre las diferentes partes involucradas (de dentro y
fuera de la organización), generalmente está desarrollado por el Diferentes departamentos de la compañía preparan diferentes
área comercial y choca contra la planificación realizada por el forecasts (ventas, finanzas, producción, etc.)
área de producción; producción modifica el forecast realizado
obligado por la capacidad y el nivel de material disponible. Pobre distribución temporal.

Los datos históricos de ventas (no los datos en tiempo real de los No identifica cuáles son los “drivers” reales de la venta.
puntos de venta) se suelen utilizar para generar el forecast
utilizando modelos estadísticos, con muy poca visión de futuro. No se relaciona el forecast de ventas con el presupuesto de
cada elemento posterior de la cadena.

3
 18/01/2018

BENEFICIOS DE LA REALIZACIÓN DE FORECASTING

AUMENTAN PROBLEMAS DE: GENERALES:

Compromiso.
Dimensionamiento.
Altos costes de gestión de stocks y obsolescencia. Capacidad de reacción.
Medición de la eficiencia real.
Incremento del ciclo de la cadena de suministro.
GESTIÓN DE STOCKS:
Bajos niveles de servicio al cliente. Disminución del stock de seguridad.
Disminución de las roturas de stock.
Poco compromiso con las cifras. Diminución de los costos por obsolescencia del stock.

GESTIÓN DE PRODUCCIÓN:
Se ignora el impacto completo de una variación a lo largo de
Planificación más eficiente, fiable y exacta.
la cadena.
GESTIÓN DE APROVISIONAMIENTO:
Mal dimensionamiento de la capacidad. Fiabilidad en las órdenes de compra.
Mejora de los términos de negociación con proveedores.

BUENAS PRÁCTICAS DE FORECASTING

DEFINIR EL PROCESO
Las empresas deben tener definido el proceso de elaboración de forecasts, de manera
que permita establecer y conocer con exactitud:

Los inputs o información de base: demanda histórica, planes estratégicos,

pedidos conocidos, información de la red de ventas, etc.
Los proveedores del proceso, es decir, quién aporta la información de
partida para la elaboración de forecasts.
Las actividades secuenciales que deben realizarse para la elaboración de
forecasts, estableciéndose su periocidad y sus responsables.
Los outputs o información de reporte, elementos generadores por el proceso
y que aportan valor añadido; indicadores de gestión, forecast,
documentación de reporting.
Los clientes del proceso, es decir, quien recibe el output del proceso
(responsable de logística, dirección general, producción, etc.)

PASOS PARA PRONOSTICAR

ESTABLECER INDICADORES DE GESTIÓN KPI`s
Determinar los objetivos de utilización.
Seleccionar los artículos de los que se va a realizar el pronóstico.
Número de revisiones al año. Determinar el horizonte temporal del pronóstico (corto, medio o
largo plazo)
Horizonte temporal. Seleccionar el (los) modelo (s) de pronóstico.
Recopilar los datos necesarios
Grado de desviación. para realizar el pronóstico.
Validar el modelo de pronóstico.
Número de reuniones de coordinación. Realizar el pronóstico.
Implementar los resultados.

4
 18/01/2018

MODELOS DE
PRONOSTICOS
DEMANDA INDEPENDIENTE CONTRA DEMANDA DEPENDIENTE

La demanda de un producto METODOS SERIES DE MODELOS

CUALITATIVOS TIEMPO CAUSALES
o servicio es independiente
cuando no está relacionada
PROYECCION PROMEDIO ANALISIS DE
con la demanda de algún FUNDAMENTAL MOVIL REGRESION
otro producto o servicio.
INVESTIGACION SUAVIZADO REGRESION
Mientras que la demanda DE MERCADOS EXPONENCIAL MULTIPLE
dependiente para un
CONCENSO DE PROYECCION MODELOS
producto o servicio se tiene GRUPO DE TENDENCIA ECONOMETRICOS
que existe una interrelación
en la demanda de dos o ANALOGIA METODO MODELOS DE
HISTORICA GRAFICO INSUMO PRODUCTO
más elementos.
METODO INDICES MODELOS DE
DELFI ESTACIONALES SIMULACIÓN

INVESTIGACION DE MERCADO
CUALITATIVA
Subjetiva, de juicio. Basada en cálculos y opiniones Se recopilan datos de varias maneras (encuestas, entrevistas,
etc.) para probar hipótesis sobre el mercado. Esto se utiliza
típicamente para proyectar ventas de largo alcance y de
PROYECCION FUNDAMENTAL nuevos productos.

Se deriva una proyección compilando la información de CONCENSO DE GRUPO

aquellos que se encuentran al final de la jerarquía, quienes
tratan con lo que está siendo proyectado. Por ejemplo, una
Intercambio abierto y libre durante las reuniones. La idea es que
proyección de las ventas generales puede derivarse
los debates en grupo producen mejores proyecciones que las
combinando las informaciones de cada vendedor, quién está
que se obtienen a nivel individual. Los participantes pueden ser
más cerca de su propio territorio.
ejecutivos, vendedores y clientes.

ANALOGIA HISTORICA
COMPONENTES DE LOS DATOS DE SERIES DE TIEMPO
Lo que se está proyectando se vincula con un artículo similar. Es
importante en la planeación de nuevos productos en donde se
puede derivar una proyección mediante el uso de la historia de Compuesta
un producto similar.
Cíclica

METODO DELFI
Tendencia

Un grupo de expertos responde a un cuestionario. Un

moderador compila los resultados y formula un nuevo Estacional
cuestionario que es sometido al grupo. De esta manera se Aleatoria
realiza un proceso de aprendizaje para el grupo en la medida
en que éste recibe nueva información y no existe influencia por
presiones del grupo o por individuos dominantes. Año 1 Año 2 Año 3
Tiempo

5
 18/01/2018

MODELOS DE
PRONOSTICOS

METODOS SERIES DE MODELOS

CUALITATIVOS TIEMPO CAUSALES
ANALISIS DE SERIES DE TIEMPO
PROYECCION PROMEDIO ANALISIS DE
FUNDAMENTAL MOVIL REGRESION Está basado en la idea de que, con el tiempo, la
INVESTIGACION SUAVIZADO REGRESION
historia de los eventos ocurridos en el pasado
DE MERCADOS EXPONENCIAL MULTIPLE puede ser utilizada para pronosticar el futuro
CONCENSO DE PROYECCION MODELOS
GRUPO DE TENDENCIA ECONOMETRICOS

ANALOGIA METODO MODELOS DE

HISTORICA GRAFICO INSUMO PRODUCTO

METODO INDICES MODELOS DE

DELFI ESTACIONALES SIMULACIÓN

PRECISIÓN DE LOS PRONÓSTICOS DESVIACION MEDIA ABSOLUTA - MAD

Los pronósticos jamás son perfectos, estos serán menos confiables

cuando mayor sea el lapso que se pronostique a futuro. Cuando se haga Es un promedio de las desviaciones absolutas.
la evaluación de diferentes métodos de pronóstico, se recurre a una
medida para conocer la efectividad, es aquí donde se recurre al error en Los errores son medidos sin tomar en consideración el signo algebraico;
el pronóstico, que viene a ser la diferencia numérica entre la demanda expresa la dimensión pero no la dirección del error.
pronosticada y la real. Aquel modelo que tenga un menor MAD será óptimo para un pronóstico.
Evidentemente, un método cuyo resultado contiene grandes errores de
predicción es menos deseable que el que implica menos errores. Aquí n
juega un papel importante los softwares en los modelos cuantitativos de ∑ Demanda pronosticada - Demanda real
pronóstico que son fáciles de usar y se maneja en forma eficiente por
medio de computadoras. MAD= i =1 n

SUAVIZADO EXPONENCIAL
Con Winqsb

PROMEDIO MÓVIL

MAD

6
 18/01/2018

PROMEDIO MOVIL PROMEDIO MOVIL

Se usa para hacer pronósticos a corto y mediano plazo. MESES 1 2 3 4 5 6 7 8 9 10

Cuando la demanda de un producto no crece ni se reduce rápidamente y Dx Real 55 56 59 62 62 69 71 67 73
no tiene características estacionales, el promedio móvil es útil para ayudar a
eliminar las fluctuaciones aleatorias del pronóstico.

69
+
71+
67
+
73
Se obtiene por una suma y promedios repetitivos de un número dado de

PM

70
periodos; queda fuera cada vez el valor más antiguo y se agrega el más

4
=

4t
nuevo. Cada vez que se actualiza un promedio, el nuevo valor se convierte en
el pronóstico del siguiente periodo.

MAD = 5.6

PROMEDIO MOVIL PROMEDIO MOVIL PONDERADO

AÑOS DEMANDA Cuando se presenta una tendencia o un patrón localizable, pueden

18
+
20
+
14

2003 6 utilizarse ponderaciones para dar más énfasis a los valores recientes.
PM

17.33
3

=
3t

2004 2
2005 9
2006 8
2007 16
PMP =
∑ (Ponderación para el periodo n)(Demanda en el periodo n)
2008 10
MAD = 4.28 ∑ Ponderaciones
2009 14
2010 20
2011 18 Donde n es el número de periodos incluidos en el promedio móvil
2012 ¿?

A C
PROMEDIO MOVIL
PROMEDIO MOVIL PONDERADO
MES VENTAS REALES PROMEDIO MOVIL DE 3 MESES
Enero 10
PMP =
∑ (Ponderación para el periodo n)(Demandaen el periodo n) Febrero 12
∑ Ponderaciones Marzo 13
Abril 16 (10 + 12 + 13) / 3 = 11.67
Mayo 19 (12 + 13 + 16) / 3 = 13.67
MESES 1 2 3 4 5 6 7 8 9 10
Junio 23 (13 + 16 + 19) / 3 = 16.00
Dx Real 55 56 59 62 62 69 71 67 73
Julio 26 (16 + 19 + 23) / 3 = 19.33
Agosto 30 (19 + 23 + 26) / 3 = 22.67
73

+
67

+
71
PMP

([
=

] [ ] [ ]=
70.6

71

( ( Setiembre 28 (23 + 26 + 30) / 3 = 26.33

6

=
3T

Octubre 18 (26 + 30 + 28) / 3 = 28.00

)( )( )(
Noviembre 16
) ) ) (30 + 28 + 18) / 3 = 25.33
Diciembre 14 (28 + 18 + 16) / 3 = 20.67
MAD = 4,54 Enero (18 + 16 + 14) / 3 = 16.00

7
 18/01/2018

C
PROMEDIO MOVIL PONDERADO

AÑO DEMANDA REAL PROMEDIO MOVIL DE 3 MESES

MAD = 6.48
Enero 10
Febrero 12
Marzo 13
Abril 16 [(1 x 10) + (2 x 12) + (3 x 13)] / 6 = 12.17
Mayo 19 [(1 x 12) + (2 x 13) + (3 x 16)] / 6 = 14.33
Junio 23 [(1 x 13) + (2 x 16) + (3 x 19)] / 6 = 17.00
Julio 26 [(1 x 16) + (2 x 19) + (3 x 23)] / 6 = 20.50
Agosto 30 [(1 x 19) + (2 x 23) + (3 x 26)] / 3 = 23.83
Setiembre 28 [(1 x 23) + (2 x 26) + (3 x 30)] / 6 = 27.50
Octubre 18 [(1 x 26) + (2 x 30) + (3 x 28)] / 6 = 28.33
Noviembre 16 [(1 x 30) + (2 x 28) + (3 x 18)] / 6 = 23.33
Diciembre 14 [(1 x 28) + (2 x 18) + (3 x 16)] / 6 = 18.67
Enero [(1 x 18) + (2 x 16) + (3 x 14)] / 6 = 15.33

SUAVIZADO EXPONENCIAL
Los puntos de datos recientes se ponderan más con
una ponderación que disminuye de manera
exponencial en la medida en que los datos se hacen
antiguos.
Ft = Ft - 1 + α (A t - 1 - F )
t -1
SUAVIZADO EXPONENCIAL Ft = Pronóstico nuevo

Ft-1 = Pronóstico anterior

At-1 = Demanda real del periodo anterior

α = Constante de suavizado (0 ≤ α ≤ 1)

Si no se cuenta con un valor α se utiliza la fórmula siguiente α=

2
fórmula; donde n es el número de datos n +1

A B

SUAVIZADO EXPONENCIAL
SUAVIZADO EXPONENCIAL
AÑOS DEMANDA
Calcular la demanda para el año 2005 6
2013, mediante el uso del suavizado
2006 2
exponencial, con un α = 0.2
MESES 1 2 3 4 5 6 7 8 9 10 2007 9
Dx Real 55 56 59 62 62 69 71 67 73 2008 8
MAD = 5.38 2009 16
2010 10
2011 14
P10 = 65.28 = 65 P10 = 13 2012 20
2013 18
2014 ¿?

MAD = 6.43

8
 18/01/2018

SUAVIZADO EXPONENCIAL SUAVIZADO EXPONENCIAL

Con Winqsb Con Winqsb

MAD

SUAVIZADO EXPONENCIAL SUAVIZADO EXPONENCIAL

En Enero, un vendedor de automóviles predijo que la demanda

para febrero sería de 142 Ford Mustang. La demanda real para
febrero fue de 153 automóviles. Usando la constante de
suavizamiento que eligió la administración de α = 0.20, el vendedor
quiere pronosticar la demanda para marzo usando el modelo de
suavizamiento exponencial.
Ft = Ft - 1 + α (A t - 1 - F ) de 175 toneladas. Se examinan dos valores de α = 0.10 y α = 0.50.
t -1
Pronóstico Marzo = 142 + 0.20 (153 – 142) = 144.2
Así el pronóstico de la demanda de Marzo para Ford Mustang será 144
Durante los últimos 8 trimestres, en el Puerto de Baltimore se han
descargado de los barcos grandes cantidades de grano. El
administrador 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
Compare los datos reales con los pronosticados (usando cada
uno de los valores de α) y después encuentre la desviación
absoluta y las MAD.

TRIME Tn REAL PRONÓSTICO PRONÓSTICO

STRE DESCARGADO α = 0.10 α = 0.50 TRIMES Tn REAL PRONÓSTICO Desviación PRONÓSTICO Desviación
1 180 175 175.00 TRE DESCARGADO α = 0.10 absoluta α = 0.10 α = 0.50 absoluta α = 0.50
2 168 175.50 = 175.00 + 0.10 (180 - 175.00) 177.50 1 180 175.00 5.00 175.00 5.00
3 159 174.75 = 175.50 + 0.10 (168 - 177.50) 172.75 2 168 175.50 7.50 177.50 9.50
4 175 173.18 = 174.75 + 0.10 (159 - 174.75) 165.88 3 159 174.75 15.75 172.75 13.75
5 190 173.36 = 173.18 + 0.10 (175 -173.18) 170.44 4 175 173.18 1.82 165.88 9.12
6 205 175.02 = 173.36 + 0.10 (190 – 173.36) 180.22 5 190 173.36 16.64 170.44 19.56
7 180 178.02 = 175.02 + 0.10 (205 – 175.02) 192.61 6 205 175.02 29.98 180.22 24.78
8 182 178.22 = 178.02 + 0.10 (180 – 178.02) 186.30 7 180 178.02 1.98 192.61 12.61
9 ? 178.59 = 178.22 + 0.10 (182 – 178.22) 184.15 8 182 178.22 3.78 186.30 4.30
Ʃ 82.45 Ʃ 98.62
Ft = Pronóstico nuevo MAD 10.31 MAD 12.33
Ft = Ft - 1 + α (A t - 1 - F )
Ft-1 = Pronóstico anterior
t -1
Con base a esta comparación de las dos MAD, se prefiere
At-1 = Demanda real del periodo anterior una constante α = 0.10 en lugar una α = 0.50, porque su
α = Constante de suavizado (0 ≤ α ≤ 1) MAD es pequeña.

9
 18/01/2018

PROYECCIONES DE LA TENDENCIA
REGRESIÓN LINEAL

PROYECCIONES DE LA TENDENCIA MÉTODO DE MÍNIMOS CUADRADOS PARA ENCONTRAR LA RECTA QUE MEJOR
REGRESIÓN LINEAL SE AJUSTE, DONDE LOS ASTERISCOS SON LAS UBICACIONES DE LAS 7
OBSERVACIONES REALES.

Ajusta una línea recta a los datos anteriores que se refieren

Valores de la variable dependiente (y)

generalmente al valor de los datos con el tiempo. Utilizando los Observación Deviación 7
real (y)
mínimos cuadrados.
Deviación 6

Yt = a + bx Deviación 5

Deviación 3
Deviación 4
Yt = Valor calculado de la variable a predecir (v. dependiente)
Punto en la
Deviación 2
b = Pendiente de línea de regresión (Slope) Deviación 1 Regresión Lineal
bx

x = Variable independiente (Tiempo)

ŷ = a +
a = Intersección eje y (Intercept)
Tiempo (x)

y = a + bx
X Y
Trimestre X² Y² XY
Publicidad Ventas
b=
n( ∑ X iYi ) − ( ∑ X i )( ∑ Yi )
a=
∑ Y − b∑ X
i i
1 4 1 16 1 4 n( ∑ X i2 ) − ( ∑ X i )2 n
2 10 4 100 16 40
3 15 5 225 25 75
10(328) − (96)(30)
4 12 4 144 16 48
b= = 0.29
5 8 3 64 9 24 10(1060) - (96)2
6 16 4 256 16 64
7 5 2 25 4 10
30 − (0.29)(96)
8 7 1 49 1 7 a= = 0.22
9 9 4 81 16 36
10
10 10 2 100 4 20
96 30 1060 108 328 y = 0.22 + 0.29X

10
 18/01/2018

A B
AÑOS DEMANDA
2004 6
REGRESIÓN LINEAL
2005 2 REGRESIÓN LINEAL
2006 9
MESES 1 2 3 4 5 6 7 8 9 10 2007 8
Dx Real 55 56 59 62 62 69 71 67 73 2008 16
Yt = a + bx

bx
2009 10

Yt = a + bx 2010 14 yˆ = a + = 1.9444 + 1.9X

bx

2012 20

yˆ = a + = 52.44 + 2.27X MAD = 1.46

2012
2013
18
¿?
MAD = 2.43

bxbxbx
bxbxbx

yˆ10 = a + = 52.44 + 2.27(10) = 75.11 yˆ10 = a + = 1.9444 + 1.9(10) = 20.9444

yˆ11 = a + = 52.44 + 2.27(11) = 77.38 yˆ11 = a + = 1.9444 + 1.9(11) = 22.8444
yˆ12 = a + = 52.44 + 2.27(12) = 79.64 yˆ12 = a + = 1.9444 + 1.9(12) = 24.7444

Trimestre VENTAS
1 78
Y = 1.944 + 1.9 X 2 60 REGRESIÓN LINEAL
AÑOS DEMANDA 21 3 55
2002 6 19 4 48 Yt = a + bx
17

bx
2003 2 5 50
15
2004 9 6 45
yˆ = a + = 74.5333 − 5.2606X
DEMANDA

13
2005 8 11 7 33
2006 16 9 8 35
MAD = 3.98
2007 10 7 9 32
Slope = 1.9 R-square = Coeficiente de Determinación = 0.91972
2008 14 5 10 20
2009 20 3
bx bx

1
2010 18
2011 ¿?
2002 2003 2004 2005 2006 2007 2008 2009 2010
AÑOS
yˆ11 = a + = 74.5333 − 5.2606(11) = 16.67
Intercept = 1.944 yˆ12 = a + = 74.5333 − 5.2606(12) = 11.41

Trimestre VENTAS

REGRESIÓN LINEAL
PROYECCIONES DE TENDENCIA
Yt = a + bx
bx

yˆ = a + = 74.5333 − 5.2606X La siguiente tabla muestra la demanda de energía eléctrica en

Lima, durante el periodo 2006 a 2012, en megawatts.
MAD = 3.98
R-square = Coeficiente de Determinación = 0.91972 La empresa quiere pronosticar la demanda para el 2013
ajustando una recta de tendencia a los siguientes datos.
bx bx

yˆ11 = a + = 74.5333 − 5.2606(11) = 16.67

yˆ12 = a + = 74.5333 − 5.2606(12) = 11.41

11
 18/01/2018

bx
PERIODO DEMANDA PERIODO DEMANDA
AÑO AÑO x² xy
x y x y ŷ = a +

bx
2006 1 74 2006 1 74 1 74
2007 2 79 ŷ = a + 2007 2 79 4 158 a = Slope (Pendie nte de la recta)
2008 3 80 2008 3 80 9 240
b = Intercept (Inicio en la ordenada)

x
28
2009 4 90 b = Slope (Pendiente de la recta) 2009 4 90 16 360

x
=

4
∑

7
2010 5 105 2010 5 105 25 525
= =
2011 6 142 a = Intercept (Inicio en la ordenada) 2011 6 142 36 852

bx

y
69
y
=

9
2012 7 122 2012 7 122 49 854
yˆ = a + = 56.70 + 10.54X ∑

7
8
= =

2 2 28
28 692 140 3063

.8
x x
y 2
n n
x x
y
30

86
b
=

1
60
− (−

95
∑

14

7
= = =

2
)((

63

9
)

48.
∑ − −)(

.5
) ( )

4
a = y - bx = 98.86 - 10.54(4) = 56.70

bx
yˆ = a + = 56.70 + 10.54X

REGRESIÓN LINEAL
MAD = 8.58
AÑO PERIODO DEMANDA x² xy
2006 1 74 1 74
2007 2 79 4 158
2008 3 80 9 240
2009 4 90 16 360
2010 5 105 25 525
2011 6 142 36 852
2012 7 122 49 854

bx
RECTA DE TENDENCIA
28 692 140 3063 yˆ = a + = 56.70 + 10.54X
bx

yˆ = a + = 56.70 + 10.54X

yˆ 8 = 56.70 + 10.54(8) = 141.02 = 141

yˆ 9 = 56.70 + 10.54(9) = 151.56 = 152

Tn REAL PRONÓSTICO
TRIMESTRE (ERROR)²
DESCARGADO α = 0.10
ERROR MEDIO CUADRÁTICO - MSE 1 180 175.00 5² = 25
2 168 175.50 (- 7.5)² = 56.25
3 159 174.75 (- 15.75)² = 248.06
Es una segunda forma de medir el error del pronóstico. 4 175 173.18 (1.82)² = 3.33
5 190 173.36 (16.64)² = 276.89
El MSE es el promedio de los cuadrados de las diferencias
6 205 175.02 (29.98)² = 898.70
encontradas entre los valores pronosticados y los
observados. 7 180 178.02 (1.98)² = 3.92
8 182 178.22 (3.78)² = 14.31
E

den nós
pr

Ʃ 1,526.46
( )
r
MS

∑ MSE 190.8
ro

o
E

¿Este MSE = 190.8 es bueno o malo?. Todo depende de los MSE calculados
re

para otros métodos de pronóstico. U nMSE mas bajo es mejor porque es un

valor que queremos minimizar. El MSE exagera los errores porque los eleva al
s

ti

cuadrado.
co

12
 18/01/2018

El puerto de Baltimore ahora quiere calcular el MAPE cuando α = 0.10

Tn REAL PRONÓSTICO ERROR PORCENTUAL ABSOLUTO

TRIMESTRE
ERROR PORCENTUAL ABSOLUTO MEDIO - MAPE DESCARGADO α = 0.10 100 ( | ERROR | / ACTUAL)
1 180 175.00 100 ( 5 / 180) = 2.78 %
2 168 175.50 100 ( 7.5 / 168) = 4.46 %
Un problema tanto con la MAD como el MSE, sus valores 3 159 174.75 100 ( 15.75 / 159) = 9.90 %
dependen de la magnitud del elemento que se pronostica. 4 175 173.18 100 ( 1.82 / 175) = 1.05 %
5 190 173.36 100 ( 16.64 / 190) = 8.76 %
Si el elemento pronosticado se mide en millares, los valores de la
MAD y del MSE pueden ser muy grandes. 6 205 175.02 100 ( 29.98 / 205) = 14.62 %
7 180 178.02 100 ( 1.98 / 180) = 1.10 %
Para evitar este problema, podemos usar el MAPE 8 182 178.22 100 ( 3.78 / 182) = 2.08%
Ʃ 44.75
MAPE 5.59 %
10

Re

-r
P

Re

10

P
-ro

Re
e

/ l
/ l

MA

=
MA

∑ ∑

n
0

al

a
n
0

al

PE

n
PE

ós
El MAPE expresa el error como un porcentaje de los errores
ós

reales, sin que esté distorsionado por un solo valor muy grande.

ti
ti

co
co

SUAVIZADO EXPONENCIAL CON SUAVIZADO EXPONENCIAL CON

AJUSTE DE TENDENCIA
Los promedios móviles anteriores fallan en su respuesta a las
tendencias. La siguiente técnica permite mejorar las tendencias.
Suponga que la demanda de un producto o servicio ha venido
aumentando en 100 unidades cada mes y que hemos obtenido
pronósticos con α = 0.4; la tabla siguiente muestra un retraso
considerable en los meses 2, 3, 4 y 5, aún cuando nuestra
estimación inicial para el mes 1 es perfecta.
MES DEMANDA REAL PRONÓSTICO PARA EL MES T(FT)
1 100 F1 = 100 (Dada)
2 200 F2 = F1 + α (A1 – F1) = 100 + 0.4 (100 -100) = 100
3 300 F3 = F2 + α (A2 – F2) = 100 + 0.4 (200 -100) = 140
4 400 F4 = F3 + α (A3 – F3) = 140 + 0.4 (300 -140) = 204
5 500 F5 = F4 + α (A4 – F4) = 204 + 0.4 (400 -204) = 282
AJUSTE DE TENDENCIA
Para mejorar nuestro pronóstico, ilustraremos un modelo
de suavizamiento exponencial más complejo, uno que
hace ajuste de tendencia. La idea es calcular un promedio
de S.E. de los datos y después ajustar el retraso positivo o
negativo encontrado en la tendencia. La nueva fórmula es:
Pronóstico incuyendo la tendencia (FITt) = Pronóstico de
S.E. (Ft) + Tendencia S.E. (Tt)
Este procedimiento requiere dos constantes de
suavizamiento; α para el promedio y β para la tendencia.
Después calculamos el promedio y la tendencia para cada
periodo.

SUAVIZADO EXPONENCIAL CON SUAVIZADO EXPONENCIAL CON

AJUSTE DE TENDENCIA AJUSTE DE TENDENCIA

Ft = α(Dx real del último periodo) + (1 – α) (Pronóstico del último

periodo + Tendencia estimada para el último periodo)
Pasos para calcular el pronóstico con ajuste de tendencia:

Paso 1.- Calcule Ft, el pronóstico suavizado

Ft = α ( At-1) + (1 - α)( Ft-1 + Tt-1) (1)
exponencialmente para el periodo t, usando la ecuación (1)
Tt = β(Pronóstico de este periodo – Pronóstico del último periodo) + (1
– β) (Tendencia estimada para el último periodo) Paso 2.- Calcule la tendencia suavizada, Tt, usando la
ecuación (2)
Tt = β ( Ft – Ft-1 ) + (1 – β ) Tt-1 (2)
Paso 3.- Calcule el pronóstico incluyendo la tendencia, FITt,
Ft = Pronóstico S.E. de la serie de datos incluidos en el periodo t con la fórmula:
Tt = Tendencia S.E. en el periodo t
At = Demanda real en el periodo t
α = Constante de suavizamiento para el periodo (0 ≤ α ≤ 1) FITt = Ft + Tt
β = Constante de suavizamiento para la tendencia (0 ≤ β ≤ 1)

13
 18/01/2018

SUAVIZADO EXPONENCIAL CON

AJUSTE DE TENDENCIA
Pronostique para el mes 2
MES DEMANDA
Un importante fabricante quiere (t) REAL (At) F2 = αA1 + (1 - α)(F1 + T1)
MES DEMANDA
(t) REAL (At) pronosticar la demanda de un equipo 1 12
1 12 para control de la contaminación. Una 2 17 F2 = (0.2) (12) + (1 – 0.2) (11 + 2 ) = 12.8
2 17 revisión de las ventas histórica, como 3 20
se muestra, indica que hay una Calcule la tendencia en el periodo 2
3 20 4 19
4 19 tendencia creciente. 5 24 T2 = β ( F2 – F1 ) + (1 – β ) T1
5 24 6 21
6 21 A las contante de suavizamiento se les 7 31 T2 = 0.4 ( 12.8 – 11 ) + (1 – 0.4 ) ((2) = 1.92
7 31 asignan los valores de α = 0.2 y β = 8 28 Calcule el Pronostico incluyendo la tendencia
8 28 0.4. La Cía. Supone que el pronóstico 9 36
9 36 inicial para el mes 1 (F1) fue de 11 10 ? FIT2 = F2 + T2
10 ? unidades y que la tendencia durante el
mismo periodo T1) fue de 2 unidades. FIT2 = 12.8 + 1.92 = 14.72 unidades

TENDENCIA PRONÓSTICO
MES DEMANDA PRONÓSTICO
SUAVIZADA, INCLUYENDO LA
(t) REAL (At) SUAVIZADO, Ft
Tt TENDENCIA, FITt
1 12 11.00 2.00 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 ? 32.48 2.68 35.16
Demanda Real (At)

La siguiente figura se compara la demanda real (At) contra un

pronóstico de S.E. que incluye la tendencia (FITt). El FIT incorpora la Pronóstico incluyendo la tendencia (FITt)
tendencia en la demanda real. Un modelo de S.E. simple (tal como lo con α = 0.2 y β = 0.4
vimos en los ejemplos anteriores) tiene un retraso importante.

MODELOS CAUSALES

Para que una variable independiente tenga valor para un pronóstico, debe ser
un indicador. Por ejemplo, podemos esperar que un largo periodo de días
lluviosos aumente las ventas de paraguas. La lluvia es la causa de la venta de
estos artículos; esta es una relación causal, donde un fenómeno da lugar a otro.
Si se conoce con anticipación suficiente el elemento causante, éste puede
MODELOS CAUSALES usarse como base para los pronósticos.

Se pueden considerar muchos factores para un análisis causal. Por ejemplo, las
ventas de un producto pueden estar relacionadas con el presupuesto para
publicidad de la empresa, el precio, los precios de los competidores y las
estrategias promocionales, o aún las tasas económicas y de desempleo. En este
caso, las ventas serían llamadas variable dependiente y las otras variables serían
llamadas variables independientes. El trabajo del administrador es el de
desarrollar la mejor relación estadística entre las ventas y las variables
independientes.

14
 18/01/2018

PUBLICIDAD
VENTAS
S/.
ANÁLISIS DE REGRESIÓN Factor 1 Factor 2
1600
1400
257 100 1200
Ajusta una línea recta a los datos anteriores que se refieren 601 200 1000

generalmente al valor de los datos con la causa. 782 300 800

La técnica de ajuste más común es la de los mínimos cuadrados. 765 400 600
895 450 400
1133 500 200
Yt = a + bx 1153 600 0
0 200 400 600 800
1133 550
Yt = Valor calculado de la variable a predecir (v. dependiente) 1459 700 Yt = -61.047 + 0.52585X
971 400
b = Pendiente de línea de regresión (Slope) Ventas = -61.047 + 0.52585 S/. Publicidad
x = Variable independiente (Causa)

a = Intersección eje y (Intercept)

Ventas
Población
anuales
COSAPI
(miles)
(miles) PIZERÍA
2 58
Ventas en Nómina
6 105
Yt = 60 + 5X millones $ local $
8 88
2.0 1
8 118
3.0 3
12 117
Ventas = 60 + 5(16) = 140 2.5 4
16 137
2.0 2
20 157
2.0 1
Ventas = 60 + 5(30) = 210

bx
20 169
4.5 7
22 149 yˆ = a + = 1.75 + 0.25X
26 202

VENTAS y NÓMINA x x² xy

VENTAS y NÓMINA x x² xy 2.0 1 1 2.0

x
18

3.0 3 9 9.0
x
=

2.0 1 1 2.0
∑
n

3.0 3 9 9.0 = = 2.5 4 16 10.0

2.5 4 16 10.0 2.0 2 4 4.0

2.0 2 4 4.0 2.0 1 1 2.0

y
15
y
=

2.

4.5 7 49 24.5
2.0 1 1 2.0 ∑
n

= = 15.0 18 80 51.5
5

4.5 7 49 24.5
bx

15.0 18 80 51.5
yˆ = a + = 1.75 + 0.25X
$
1.
x x
y 2
n n
x x
y
51

Ventas en millones de = 75 + 0.52(6) = 3.25

b
=

0.

− (− )
3

∑
80

= =
2

)
(−(
.5

2.

)
3 5

∑ −
25

))
(( Ventas = $ 3 250 000.00
a = y - b x = 2.5 - 0.25(3) = 1.75 Las ventas se incrementan a una tasa de un millón de dólares por
bx

cada 250 millones pagados en la nómina local, esto es porque b = 0.25

yˆ = a + = 1.75 + 0.25X

15
 18/01/2018

VENTAS y NÓMINA x x² xy y²
2.0 1 1 2.0 4.0
3.0 3 9 9.0 9.0
2.5 4 16 10.0 6.25
2.0 2 4 4.0 4.0
2.0 1 1 2.0 4.0
4.5 7 49 24.5 12.25
15.0 18 80 51.5 39.5 REGRESIÓN MÚLTIPLE
6

-
186
r

0.
( (
51
6

18

15
= )( =
[ ][ ]
13
2

2
( (−
()( (−
80

90
.5

59.

)( )(
) )
1
)
R = 0.901)
5

parece
) indicar que hay una correlación significativa y
ayuda a confirmar la relación estrecha que existe entre las dos
)
variables.

REGRESION MULTIPLE
ANÁLISIS DE REGRESIÓN MULTIPLE
En muchos casos es útil usar más de una variable independiente para predecir el
valor de una variable dependiente. En estos casos aplicamos la regresión múltiple.
La constructora Nodel quiere ver el impacto de una segunda variable
Por ejemplo, si tratamos de predecir las ventas mensuales de la cadena de independiente, tasas de interés, sobre las ventas.
Pollerías el Mesón, tendríamos que tener en cuenta el uso de las siguientes
variables independientes: ingreso nacional, precio del pollo, soles gastados en La nueva recta de regresión múltiple para Nodel, calculada con Winqsb, es:
publicidad durante el mes y soles gastados en publicidad durante el mes anterior.
y
=.80
1

0.

5.
+ −

2
ˆ
Yt = a + b1x1 + b2 x2 + ............ + bn xn
30

0x
x

Yt = Valor calculado de la variable a predecir (v. dependiente) Encontramos que el nuevo coeficiente de correlación es 0.96, lo cual
implica que la inclusión de la variable X2, tasas de interés, agrega aún más
B1, ... ,bn = Pendientes de líneas de regresión (Slope) fuerza lineal.

x1,.......,xn = Valores de las variables independientes

a = Intersección eje y (Intercept)

FACTORES RELACIONADOS CON EL DESCUBRIMIENTO DE

ANÁLISIS DE REGRESIÓN MULTIPLE IMPUESTOS NO PAGADOS

Ahora podemos estimar las ventas de Nodel si sustituimos los valores de la Horas de trabajo Horas en Recompensa Impuestos reales
nómina y de la tasa de interés para el próximo año. MES en auditorías de computador a informantes no pagados
Si la nómina de West Bloomfield va a ser de 6 mil millones de dólares y la tasa de campo X1 aX2 X3 descubiertos Y
interés de 12 %, entonces las ventas se pronostican como: Enero 4500 1600 71000 29000000
Febrero 4200 1400 70000 24000000
Marzo 4400 1500 72000 27000000
Ventas ($ millones) = 1.80 + 0.30 (6) – 5.0 (0.12) = 3.00 Abril 4500 1300 71000 25000000
= $ 3 000,000.00 Mayo 4300 1300 75000 26000000
Junio 4600 1400 74000 28000000
Julio 4400 1600 76000 30000000
Al usar ambas variables, nómina y tasas de interés, Nodel tiene ahora un Agosto 4500 1600 69000 28000000
pronóstico de ventas de 3 millones de dólares y un coeficiente de correlación
Setiembre 4400 1500 74000 28000000
más alto. Esto sugiere una relación más fuerte entre las dos variables y una
Octubre 4300 1500 73000 27000000
estimación más precisa de las ventas.
Y4 = -45796350 + 5969.718X 1 + 11768.38X 2 + 405.1086X 3

16
 18/01/2018

INDICES ESTACIONALES

Las series de tiempo involucra examinar la tendencia de los datos a

través de una serie de observaciones en el tiempo.
Sin embargo, algunas veces, las variaciones recurrentes en ciertas
INDICES ESTACIONALES estaciones del año ejercen, de forma necesaria un ajuste estacional
en el pronóstico de la línea de tendencia, por ejemplo la demanda
de bebidas, loción para broncear, pueden tener sus puntos máximos
durante el verano.
El análisis de datos en términos mensuales o trimestrales
generalmente facilita a la persona que hace la estadística señalar
los patrones estacionales.

INDICES ESTACIONALES
AÑOS 2008 2009 2010 2011 2012
MÉTODO 1 Abril Real 382 401 458 480 533
Abril Tendencia 400 436 472 508 544
Abril R/T 0.96 0.92 0.97 0.94 0.98
Un fabricante de ropa deportiva desea usar los datos de un período Abril Total 4.77
de cinco años para desarrollar índices estacionales. Los valores de
Abril Promedio 4.77 / 5 = 0.95
tendencia y las razones de “R” real a tendencia “T” para la mayoría de
los meses han sido calculados como se muestra en la siguiente tabla: AÑOS 2008 2009 2010 2011 2012
Mayo Real 485 530 560 592 656
MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici Mayo Tendencia 403 439 475 511 547
Razón R/T 0.72 0.58 0.85 1.43 1.21 1.05 0.98 0.92 0.88 1.12 Mayo R/T 1.20 1.21 1.18 1.16 1.20
Mayo Total 5.95
Mayo Promedio 5.95 / 5 = 1.19
Calcúlense las relaciones para abril y mayo, corríjase el total
para igualar a 12.00, y determine los índices estacionales MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici
12
meses
resultantes.
R/T 0.72 0.58 0.85 0.95 1.19 1.43 1.21 1.05 0.98 0.92 0.88 1.12 11.88

YENERO 2013 = 405

12 Pronóstico YJULIO 2013 = 347
Factor de Corrección = = 1.01
11.88
YDICIEMBRE 2013 = 568
Multiplicando la razón de cada mes por el factor de MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici
12
meses
corrección 1.01, tenemos la siguiente tabla:
INDICE
ESTACIONAL
0.73 0.59 0.86 0.96 1.20 1.44 1.22 1.06 0.99 0.93 0.89 1.13 12.00

MES Ener Febr Marz Abri Mayo Juni Juli Agos Seti Octu Novi Dici
12
meses YENERO 2013 = 405 (0.73) = 296
INDICE
ESTACIONAL 0.73 0.59 0.86 0.96 1.20 1.44 1.22 1.06 0.99 0.93 0.89 1.13 12.00
YJULIO 2013 = 347 (1.22) = 423

YDICIEMBRE 2013 = 568 (1.13) = 642

17
 18/01/2018

INDICES ESTACIONALES
MÉTODO 2

Ventas - Demanda Demanda Media Demanda Media Indice

MES MES Demanda
2016 2017 2016 – 2017 Mensual Estacional
Utilizando los índices
Enero 80 100 90 94 0.957 Enero (1200 / 12) * 0.957 = 96
estacionales, si
Febrero 75 85 80 94 0.851 Febrero (1200 / 12) * 0.851 = 85
esperamos que la
Marzo 80 90 85 94 0.904 Marzo (1200 / 12) * 0.904 = 90
demanda anual de
Abril 90 110 100 94 1.064 Abril (1200 / 12) * 1.064 = 106 computadoras para
Mayo 115 131 123 94 1.309 Mayo (1200 / 12) * 1.309 = 131 el 2018 sea de 1200
Junio 110 120 115 94 1.223 Junio (1200 / 12) * 1.223 = 122 unidades,
Julio 100 110 105 94 1.117 Julio (1200 / 12) * 1.117 = 112 preveríamos la
Agosto 90 110 100 94 1.064 Agosto (1200 / 12) * 1.064 = 106 demanda mensual,
Setiembre 85 95 90 94 0.957 Setiembre (1200 / 12) * 0.957 = 96 tal como se muestra
Octubre (1200 / 12) * 0.851 = 85
en el cuadro.
Octubre 75 85 80 94 0.851
Noviembre 75 85 80 94 0.851 Noviembre (1200 / 12) * 0.851 = 85
Diciembre 80 80 80 94 0.851 Diciembre (1200 / 12) * 0.851 = 85
Demanda Media Total 1128 1128 / 12 = 94

VARIACIONES ESTACIONALES EN LOS DATOS

VARIACIONES ESTACIONALES EN LOS DATOS
Para calcular un pronóstico de ventas con ajuste estacional, sólo
multiplicamos cada índice estacional por el pronóstico de tendencia
apropiado.
La administración de Davis Departament Store usó regresión de
yˆ estacional = Indice x yˆ pronóstico de tendencia
series de tiempo para pronosticar las ventas al menudeo de los
siguientes 4 trimestres. Las ventas estimadas son de 100,000; Trimestre I = yˆ l = (1.30)($ 100,000) = $ 130,000
120,000; 140,000 y 160,000 dólares para los trimestres respectivos.
Trimestre II = yˆ Il = (0.90)($ 120,000) = $ 108,000
Se ha encontrado que los índices estacionales para los 4 trimestres
Trimestre III = yˆ lII = (0.70)($ 140,000) = $ 98,000
son de 1.30; 0.90; 0.70 y 1.15, respectivamente.
Trimestre IV = yˆ lV = (1.10)($ 160,000) = $ 176,000

Ahora el pronóstico con tendencia en línea recta está ajustado

para reflejar los cambios estacionales.

MODELOS DE SIMULACION
MODELOS ECONOMETRICOS
Modelos dinámicos, usualmente basados
Tratan de describir algún sector de la economía mediante una en computador, que permiten que quién
hace la proyección haga suposiciones
serie de ecuaciones interdependientes.
acerca de las variables internas y del
medio externo del modelo.
MODELOS DE INSUMO - PRODUCTO ependiendo de las variables del modelo,
quién hace la proyección puede hacer
preguntas como: ¿Qué le ocurrirá a mi
Se enfocan en las ventas de cada industria con relación a otras proyección si el precio se incrementara en
firmas y gobiernos. Indica los cambios en las ventas que una un 10%?, ¿Qué efecto tendría en mi
industria productora puede esperar debido a los cambios en las proyección una recesión nacional
compras por parte de la otra industria moderada?

18
 18/01/2018

1.

TENDENCIA CON VARIACIÓN TEMPORADA

TRIMESTRE DEMANDA
1 1900
2 3500
2015 3 4770
TENDENCIA CON VARIACIÓN 4 2530
5 2320
TEMPRADA 6 4250
2016
7 5790
8 3090
9 2810
10 5160
2017
11 7050
12 3780

1.

TENDENCIA CON VARIACIÓN TEMPORADA

TENDENCIA CON VARIACIÓN TEMPORADA

8000

D
m =
q,
j j
7000

D
j
1 m
∑
IT
=
6000

5000 q
DEM ANDA

4000
Donde:
3000

2000 ITq = Índice de temporada para el trimestre q

Dqj = Demanda real para el trimestre q en el año j
1000
Dj = Demanda promedio trimestral en el año j
0 m = Número de años
1 2 3 4 5 6 7 8 9 10 11 12
PERIODO

1. 1.
PASO 2. Destemporalizar la demanda
PASO 1. Identificar el índice de temporada
Demanda Indice de Demanda
PERIODO
1900 2320 2810
Real Temporada Destemporalizada
+ + 1T1 2014 1900 0.6 3167
IT

1900 + 3500 + 4770 + 2530 2320 + 4250 + 5790 + 3090 2810 + 5160 + 7050 + 3780
= = 0.6 2T2 2014 3500 1.1 3182
1 3 3T3 2014 4770 1.5 3180
4T4 2014 2530 0.8 3163
3500 4250 5160
+ + 5T1 2015 2320 0.6 3867
3175 3862.5 4700 6T2 2015 4250 1.1 3864
IT = = 1.1
2 3 7T3 2015 5790 1.5 3860
8T4 2015 3090 0.8 3863
IT1 = 0.6 9T1 2016 2810 0.6 4683
IT2 = 1.1 10T2 2016 5160 1.1 4691
IT3 = 1.5 11T3 2016 7050 1.5 4700
IT4 = 0.8 12T4 2016 3780 0.8 4725

19
 18/01/2018

1. 1.

PASO 3. Calcular la línea de tendencia

Ingresar los datos de la demanda destemporalizada a Winqsb. PASO 5. Ajustar los estimados de la demanda futura utilizando
el ITq
Yt = 2,799 + 171.2X

Demanda Indice de Demanda Estimada

PASO 4. Estimar la demanda futura PERIODO
Estimada Temporada Ajustada
TI 2016 F13 = 2,799 + 171.2 (13) = 5024.6 1T1 2017 5025 0.6 3015
2T2 2017 5196 1.1 5716
TRIMESTRE DEMANDA 3T3 2017 5367 1.5 8051
1 5025 4T4 2017 5538 0.8 4430
2 5196
3 5367
4 5538

PERIODO MES DEM ANDA

1. 1 ENERO 68
2 FEBRERO 55
3 MARZO 63
4 ABRIL 82
5 MAYO 87
6 JUNIO 63
7 JULIO 77
8 AGOSTO 78
9 SEPTIEMBRE 62
10 OCTUBRE 78
11 NOVIEMBRE 74
PROYECCIONES DE TENDENCIA 12
13
DICIEMBRE
ENERO
62
74
14 FEBRERO 80
15 MARZO 96
16 ABRIL 74
17 MAYO 71
18 JUNIO 71
19 JULIO 66
20 AGOSTO 86
21 SEPTIEMBRE 85
22 OCTUBRE 89
23 NOVIEMBRE 91
24 DICIEMBRE 103

1. 1.
PROMEDIO SIMPLE (AV)

TENDENCIA ASCENDENTE CON VARIACIONES IRREGULARES MAD = 10.41238

Pronóstico = 76.4583
110
PROMEDIO MÓVIL (MA)
DE 3 TÉRMINOS: DE 5 TÉRMINOS:
100
MAD = 10.20635 MAD = 9.705263
Pronóstico = 94.33334 Pronósticos = 100.4835
90 SUAVIZADO EXPONENCIAL (SE)
DEMANDA

α = 0.2 α = 0.8
80 MAD = 9.927332 MAD = 10.1221
Pronóstico = 86.21584 Pronóstico = 100.4835
70 REGRESIÓN LINEAL (RL)
MAD = 8.19241
60 Slope = 0.9586945
Intercept = 64.47464
Yt = 64.47464 + 0.9586945X
50 Pronóstico Y25 = 88.442
1 3 5 7 9 11 13 15 17 19 21 23 Pronóstico Y26 = 89.401
MES
Pronóstico Y36 = 98.988

20
 18/01/2018

PERIODO MES DEMANDA

2. 2.
1 ENERO 175
2 FEBRERO 182
3 MARZO 156 DEMANDA ESTACIONAL CON VARIACIONES IRREGULARES
4 ABRIL 180
5 MAYO 158 200
6 JUNIO 143
7 JULIO 150
190
8 AGOSTO 144
9 SEPTIEMBRE 177
10 OCTUBRE 171 180
11 NOVIEMBRE 185

DEMANDA
12 DICIEMBRE 177
13 ENERO 194 170
14 FEBRERO 190
15 MARZO 168 A B C D
16 ABRIL 165 160
17 MAYO 153
18 JUNIO 145
150
19 JULIO 152
20 AGOSTO 162
21 SEPTIEMBRE 162 140
22 OCTUBRE 171.8 1 3 5 7 9 11 13 15 17 19 21 23
23 NOVIEMBRE 177
24 DICIEMBRE 186 MES

PERIODO M ES DEMANDA
2. 3. 1 ENERO 184
2 FEBRERO 185
3 MARZO 183
E=A+C 4 ABRIL 169
5 MAYO 177
A = 186.4667 – 5.942871X 6 JUNIO 131
C = 205.0667 – 10.25714X 7 JULIO 160
8 AGOSTO 173
E = 195.7667 – 8.100000X 9 SEPTIEMBRE 179
Pronóstico Y 2 = 179.567 10 OCTUBRE 210
11 NOVIEMBRE 206
12 DICIEMBRE 187
13 ENERO 214
F=B+D 14 FEBRERO 206
15 MARZO 191
B = 142.1334 + 7.199997X 16 ABRIL 188
17 MAYO 198
D = 146.0001 + 6.428558X
18 JUNIO 178
F = 144.0668 + 6.814278X 19 JULIO 178
Pronóstico Y 2 = 157.695 20 AGOSTO 200
21 SEPTIEMBRE 205
22 OCTUBRE 223
23 NOVIEMBRE 219
24 DICIEMBRE 245

3.
4. 1 ENERO 108
DEMANDA CICLICA QUE SIGUE UNA TENDENCIA ASCENDENTE 2 FEBRERO 195
CON VARIACIONES IRREGULARES 3 MARZO 205
4 ABRIL 250
260
5 MAYO 290
6 JUNIO 390
240
7 JULIO 105 Los datos que se
8 AGOSTO 160 presentan son
220 9 SEPTIEMBRE 190
10 OCTUBRE 280 de los años 2016
200 11 NOVIEMBRE 320 y 2017 de la
12 DICIEMBRE 400
demanda de
DEM ANDA

13 ENERO 95
180
14 FEBRERO 140 cierto producto.
15 MARZO 160
160
16 ABRIL 290
17 MAYO 360 Calcule la
140 18 JUNIO 400 demanda para
19 JULIO 220
120 20 AGOSTO 305 el año 2018
21 SEPTIEMBRE 380
22 OCTUBRE 450
100
1 3 5 7 9 11 13 15 17 19 21 23
23 NOVIEMBRE 500
M ES
24 DICIEMBRE 590

21
 18/01/2018

EJERCICIOS PRÁCTICOS DE
APLICACIÓN

22