LOGÍSTICA DE

PRODUCCIÓN
Parte II

1
PREVISIÓN DE LA
DEMANDA

2
 ¿Qué es la previsión?
• Arte y ciencia de
predecir
¡Venderá 200
acontecimientos millones de
dólares!
futuros.
• Base de todas las
decisiones
empresariales:
– Producción.
– Inventario.
– Personal.
– Instalaciones. 3
 Tipos de horizontes
temporales de la previsión
• Previsión a corto plazo:
– Cobertura de hasta un año, generalmente inferior
a los tres meses.
– Programación de trabajos, asignación de tareas.
• Previsión a medio plazo:
– Entre tres meses y tres años.
– Planificación de las ventas, de la producción y del
presupuesto.
• Previsiones a largo plazo:
– Periodos superiores a tres años.
– Planificación de nuevos productos, localización4
de las instalaciones.
Previsiones a corto plazo frente a
previsiones a largo plazo
• Las previsiones a medio 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.
• Las previsiones a corto plazo
normalmente emplean metodologías
diferentes a las utilizadas en las
previsiones a largo plazo.
• Las previsiones a corto plazo tienden a 5
ser más exactas que las realizadas a
 La influencia del ciclo de vida
del producto
• Las etapas de introducción y crecimiento
necesitan previsiones más largas que las de
madurez y declive.
• Las previsiones 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.
6
 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
7
Tipos de previsiones
• Previsiónes económicas:
– Dirigidas al ciclo empresarial, por
ejemplo, las tasas de inflación, la masa
monetaria, etc.
• Previsiónes tecnológicas:
– Predicen el progreso tecnológico.
– Predicen el nacimiento de nuevas ventas.
• Previsiones de demanda:
– Predicen las ventas ya existentes.
8
 Siete etapas en el sistema de
previsión
• Determinar la utilización de la previsión.
• Seleccionar los artículos en los que se
va a realizar la previsión.
• Determinar el horizonte temporal de la
previsión.
• Seleccionar el(los) modelo(s) de
previsión.
• Recogida de datos.
• Realizar la previsión.
• Validar e implementar los resultados. 9
 Recopilación de datos

Selección de datos

Selección de variables

Exploración
del patron de datos

Construcción del modelo

Selección de la técnica
de pronóstico

Estimación del modelo

No Precisión
aceptable ?

Si

Extrapolación del
modelo

Control del pronóstico

Análisis de varianza

Gráfico de control

No Precisión
aceptable ?

Si

Pronóstico de juicio
10
Pronóstico consolidado
 Realidades sobre la previsión
• Raras veces las previsiones son
perfectas.
• 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.
11
PROCESO DE PRONOSTICO
Recopilación de datos

Selección de datos

Construcción del modelo

Extrapolación del modelo

Control del pronóstico

12
 Enfoques de la previsión
Métodos cualitativos Métodos cuantitativos
• Se emplean cuando • Se emplean cuando
la situación no es la situación es
clara y hay pocos “estable” y existen
datos: datos “históricos”:
– Productos nuevos. – Productos
– Nueva tecnología. existentes.
• Requieren intuición y – Tecnología actual.
experiencia: • Requieren ténicas
– Por ejemplo, la matemáticas:
previsión de las – Por ejemplo, la
ventas a través de previsión de las
Internet. ventas de 13
televisiones en color.
Selección de un modelo
1. El horizonte de tiempo para realizar la
proyección.
2. La disponibilidad de los datos.
3. La exactitud requerida.
4. El tamaño del presupuesto de
proyección.
5. La disponibilidad de personal
calificado.
 Modelos de series de tiempo
Método de Cantidad de Patrón de los Horizonte de Tiempo de Antecedentes del
proyección datos históricos datos proyección preparación personal
5 a 10 Los datos deben
Ajuste exponencial observaciones para ser estacionarios Corto Corto Poca sofisticación
simple fijar la
ponderación
Ajuste exponencial 10 a 15 Tendencias pero Ligera
de Holt observaciones para no estacionalidad Corto a mediano Corto sofisticación
fijar la
ponderación
Ajuste exponencial Por lo menos 4 ò 5 Tendencias y Sofisticación
de Winter observaciones por estacionalidad Corto a mediano Corto moderada
trimestre
10 a 20
Modelos de la observaciones para Tendencias y
tendencia de la estacionalidad, estacionalidad Corto a mediano Corto Sofisticación
regresión por lo menos 5 por moderada
trimestre Largo tiempo
10 observaciones Puede manejar para el
Modelos de por variable patrones Corto , mediano desarrollo , Sofisticación
regresión causal independiente complejos o largo corto para la considerable
puesta en
Maneja patrones
ejecución
Descomposición de Suficiente para ver cíclicos y Corto tiempo
las series de tiempo 2 picos y simas estacionales puede Corto a mediano para la Poca sofisticación
identificar los moderación
puntos críticos
Deben ser
Box Jenkins 50 o mas estacionarios o ser Corto , mediano Largo Alta sofisticación
observaciones transformados en o largo
estacionarios
 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.
16
 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”.
17
© 1995 Corel Corp.
 Proposición de personal
comercial
• Cada vendedor estima las
ventas que hará.
• Se combinan con las
previsiones a niveles de Ventas
distritos y con las
nacionales.
• El representante de ventas
conoce las necesidades
de los consumidores.
• Tiende a ser bastante
optimista. 18
© 1995 Corel Corp.
 Método Delphi Los que toman
decisiones
• Proceso de grupo Personal de (¿Ventas?)
iterativo. plantilla (Habrá 50 ventas)
(¿Qué ventas
• 3 tipos de habrá?
participantes: cuestionarios)
– Los que toman
decisiones. Los que responden
– El personal de plantilla. (Habrá 45, 50, 55 ventas)

– Los que responden.

• Reduce el
“pensamiento en
grupo”. 19
 Estudio de mercado

• Preguntar a los
consumidores sobre ¿Cuántas horas
sus futuros planes de utilizará Internet la
próxima semana?
compra.
• Lo que dicen los
consumidores y lo que
luego hacen suele
diferir.
• A veces es difícil
contestar a las © 1995 Corel
Corp.

preguntas del estudio. 20

 Visión global de los métodos
cuantitativos
• Enfoque simple
Modelos de
• Medias móviles
series
• Alisado exponencial temporales
• Proyección de
tendencia
Modelos
asociativos
• Regresión lineal
21
Métodos de previsión cuantitativos
(no simples)
Previsión
cuantitativa

Modelos de series Modelos

temporales asociativos

Media Alisado Proyección Regresión

móvil exponencial de tendencia lineal

22
¿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 una previsión basada en los datos
pasados:
– Supone que los factores que han influido en el
pasado lo sigan haciendo en el futuro.
• Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1 23
Demanda de un producto representada
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
24
Descomposición de una serie
temporal

25
 Descomposición de una serie
temporal

Tendencia Ciclos

Estacionalidad Variaciones
aleatorias

26
 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

27
Mes, trimestre, año © 1984-1994 T/Maker Co.
Tendencia
 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 29
Estacionalidad
 Ciclos
• Movimientos de ascenso o descenso que
se repiten.
• Se pueden ver afectados por
interacciones de factores que influyen en
la economía.
• Suelen durar de 2Ciclo
a 10 años.
Respuesta


Mes, trimestre, año
31
Ciclos
 Variaciones aleatorias
• Son “saltos” en los datos causados por
el azar y situaciones inusuales.
• Son debidas a variaciones aleatorias o
© 1984-1994 T/Maker Co.
a situaciones imprevistas:
– Huelga.
– Tornado.
• Son de corta duración
y no se repiten.
33
Variaciones aleatorias
 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).
35
36
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

37
 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- © 1995 Corel Corp.
coste y eficiencia. 38
 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 alisado:
– Proporciona una impresión general de los
datos a lo largo del tiempo.
• Ecuación:
MM   demanda de n periodos previos
n 39
 Ejemplo de media móvil
Usted es el director de una tienda de
un museo que vende réplicas. Quiere
predecir las ventas (000) del año 1998
mediante una media móvil de 3 meses.
1993 4
1994 6
1995 5
1996 3
1997 7

40
© 1995 Corel Corp.
 Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND

41
 Solución de la media móvil
ponderada
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND

42
 Solución de la media móvil
ponderada
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0

43
Gráfico de la media móvil

Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
44
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

45
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

46
 Inconvenientes de los
métodos de media móvil

• Al aumentar n veces, las

previsiones son menos sensibles
a los cambios.
• No es posible predecir bien la
tendencia.
• Se necesitan muchos datos
históricos. © 1984-1994 T/Maker Co.

47
 Alisado 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 alisado ():
– Toma valores entre 0 y 1.
– Se escoge de forma subjetiva.
• Necesita una cantidad reducida de datos
históricos.
48
 Ecuaciones del alisado
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 alisado
• Ft = Ft-1 + (At-1 - Ft-1)
– Se utiliza para calcular la previsión.
49
 Ejemplo de alisado
exponencial
Usted está organizando una reunión
Kwanza. Desea predecir el número de
personas que asistirán en el año 2000
mediante el alisado exponencial ( =
0,10). La previsión para 1995 fue de
175.
1995 180
1996 168
1997 159
1996 175
© 1995 Corel Corp.

1999 190 50
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 +
1997 159
1998 175
1999 190
2000 ND

51
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND

52
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 -
1997 159
1998 175
1999 190
2000 ND

53
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00)
1997 159
1998 175
1999 190
2000 ND

54
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159
1998 175
1999 190
2000 ND

55
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1994 168 175,00 + 0,10(180 - 175,00) = 175,50
1995 159 175,50 + 0,10(168 - 175,50) = 174,75
1996 175
1997 190
1998 ND

56
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75)= 173,18
1999 190
2000 ND

57
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND

58
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND 173,36 + 0,10(190 - 173,36) = 175,02

59
Gráfico del alisado
exponencial
Ventas
190 Real
180
170 Previsión
160
150
140
93 94 95 96 97 98
Año
60
Efectos de la previsión de la
constante de alisado 
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

61
Efectos de la previsión de la
constante de alisado 
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

62
Efectos de la previsión de la
constante de alisado 
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

63
Efectos de la previsión de la
constante de alisado 
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%

64
Efectos de la previsión de la
constante de alisado 
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%

65
Efectos de la previsión de la
constante de alisado 
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%

66
 Si se selecciona 
Trate de minimizar la desviación absoluta media (DAM)

Si: Error de previsión = demanda - previsión

 errores de previsión
Entonces: DAM 
n

67
 Alisado exponencial con
ajuste de tendencia

Previsión incluyendo la tendencia (PITt)

= previsión alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)

68
 Alisado 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

69
Alisado 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 alisado para la media.
•  = constante de alisado para la
tendencia.
70
 Comparación de previsiones
Alisado exponencial +
40 Tendencia
35 Demanda real
Demanda del producto

30
25
20
15
Alisado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes

71
Box - Jenkins
Box y Jenkins han desarrollado modelos
estadísticos que tienen en cuenta la
dependencia existente entre los datos.
Cada observación en un momento dado es
modelada en función de los valores
anteriores.
Se modela a través de ARIMA
(Autorregresive Integrate Moving Average).
 METODOLOGIA DE BOX-
JENKINS
 Tiene solamente en cuenta la pauta de serie
serie de tiempo en el pasado.
 Ignora la información de variables causales.
 Procedimiento técnicamente sofisticado de
predicción de una variable.
 Utiliza la observación más reciente como
valor inicial.
 Permite examinar el modelo más adecuado
 METODOLOGIA DE
BOX-JENKINS
 Analiza errores recientes de pronósticos para
seleccionar el ajuste apropiado para periodos
futuros.
 Box-Jenkins es más apropiado para
predicciones a largo plazo que para corto
plazo.
 Extrae mucha información de la serie de
tiempo, más que cualquier otro método.
Elección del modelo
 Existen tres tipos básicos de modelos a ser
examinados
 Modelos autorregresivos (AR).
 Modelos de medias móviles (MA)
 Modelos mixtos autorregresivos-medias
móviles (ARIMA)
 Modelos autorregresivos AR(p).
Describe una clase particular de proceso en
que las observaciones en un momento dado
son predecibles a partir de las
observaciones previas del proceso mas un
termino de error.,el caso mas simple ARIMA
(1,0,0) o AR(1).
Yt = Ф1 Yt-1 + at
Modelos de medias móviles MA(q)
También describe una serie de tiempo
estacionaria.En este modelo el valor actual
puede predecirse a partir de las
componentes aleatorias de este momento y,
en menor medida los impulsos aleatorios
anteriores. ARIMA (0,0,1) o MA (1)

Yt = at - V1 at-1
ARIMA

Es un modelo que permite describir un

valor como una funcion lineal de datos
como una funcion lineal de datos
anteriores y errores debidos al azar.
Se analiza sobre una serie estacionaria
y se necesitan como minimo 50 datos.
Autocorrelacion simple (ACF)

La autocorrelación muestra la
asociación entre valores de la
misma variable en diferentes
periodos de tiempo(no aleatoria).
Grafico

DEMANDA
1.0

.5

0.0

-.5
Confidence Limits
ACF

-1.0 Coefficient
1 2 3 4 5 6 7 8 9 10 11 12 13

Lag Number
Autocorrelacion Parcial (PACF)

La autocorrelación parcial
identifica la relación entre los
valores actuales y los valores
anteriores de la serie cronológica
original.
 Grafico

DEMANDA
1.0

.5

0.0

-.5
Partial ACF

Confidence Limits

-1.0 Coefficient
1 2 3 4 5 6 7 8 9 10 11 12 13

Lag Num ber

AR (1)

Los procesos AR(1) se reconocen por una

ACF infinita y una PACF que desaparece
tras el primer retardo. Si los datos tienen
media, es necesario especificar un termino
constante.
Identificacion del modelo

Si la S.T presenta tendencia debemos

transformarla mediante una diferenciación de
orden d.
• ACF está mas ajustada que la PACF el modelo
suele ser (0,d,q),por lo tanto se calcula MA.
• PACF está mas ajustada que la ACF el modelo
suele ser (p,d,0),por lo tanto se calcula AR.
• Si ACF y PACF,estan igualmente ajustadas el
modelo suele ser (p,d,q),por lo tanto se calculan
AR y MA.
AR (1)
MA(1)

Los procesos MA(1) se reconocen por

una PACF infinita y una ACF que
desaparece tras el primer retardo.
Si los datos tienen media, es
necesario especificar un término
constante.
MA(1)
AR(2) (I)
AR(2) (II)
MA (2)
Función de autocorrelacion
 Función de autocorrelación

Para ver si la serie es o no estacionaria veamos el

correlograma.Observamos que decrece lentamente, por lo
que podemos decir que no hay estacionariedad (cuando el
decrecimiento es más rápido la serie es estacionaria).

Aplicamos un modelo en el que hay que diferenciar la serie

y obtenemos el gráfico de la serie después de haber hecho
una diferenciación no estacional.Se observa que la serie se
ha estabilizado.
Función de autocorrelacion
En el correlograma estimado con una
diferenciación no estacional ya no aparece el
decrecimiento.
Los valores que se salen fuera de las bandas
son significativamente distintos de cero, pero
simplemente por azar un 5% se sale fuera.
.

Vemos como corresponde a un modelo de

medias móviles de orden uno en que no
sabemos si tendrá termino constante.Se trata de
un modelo ARIMA(0,1,1).
 La serie no tiene un nivel constante, se observa una
tendencia creciente.
Se ve claramente en el gráfico que hay una componente
estacional.
La amplitud de las oscilaciones crece con la tendencia.
 CORRELOGRAMAS DE LA EMISIÓN MONETARIA Y SUS DIFERENCIACIONES (sin transformación logarítmica)

No se rechaza la hipótesis de RAIZ UNITARIA Se rechaza la hipótesis de RAIZ UNITARIA al 10% Se rechaza la hipótesis de RAIZ UNITARIA
SERIE ORIGINAL PRIMERA DIFERENCIA D1 D12
Construcción Modelo ARIMA

• Después de correr 2 modelos ARIMA de la Forma

(0,1,1) (1,1,0) y Log (0,1,1) (1,1,0) en el primer caso
el valor de sitha y fhi eran < 1 pero los residuos no
eran Ruido Blanco, el segundo el sitha no fuen
significativo ni su errores era Ruido Blanco.
• El modelo RSA=4 cumplió con todos los test de
verificación.
• Procedimos al pronostico.
Modelo Autorregresivo
Dependent Variable: LOG(EMIR)
Method: Least Squares
Date: 11/15/04 Time: 15:05
Sample(adjusted): 1997:02 2003:12
Included observations: 83 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

C 0.4624 0.3367 1.3734 0.1734

LOG(EMIR(-1)) 0.9466 0.0399 23.7415 0.0000

R-squared 0.8744 Mean dependent var 8.4524

Adjusted R-squared 0.8728 S.D. dependent var 0.2356
S.E. of regression 0.0840 Akaike info criterion -2.0913
Sum squared resid 0.5720 Schwarz criterion -2.0330
Log likelihood 88.7901 F-statistic 563.6579
Durbin-Watson stat 2.2261 Prob(F-statistic) 0.0000

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 2.1916 Probability 0.1185

Obs*R-squared 4.3631 Probability 0.1129

White Heteroskedasticity Test:

F-statistic 0.5578 Probability 0.5747

Obs*R-squared 1.1416 Probability 0.5651
Modelo Corrección de Errores
D(LOG(EMIR(-1))) -0.8320 10.4415 0.0479 -0.0879
Date: 11/18/04 Time: 09:13 -0.1376 -1.7882 -0.1184 -0.1147
Sample(adjusted): 1997:06 2003:12 (-6.04494) -5.8390 -0.4046 (-0.76600)
Included observations: 79 after adjusting endpoints D(LOG(EMIR(-2))) -0.7491 7.2977 -0.2430 0.1713
Standard errors & t-statistics in parentheses -0.2010 -2.6120 -0.1730 -0.1675
(-3.72587) -2.7939 (-1.40484) -1.0227

Cointegrating Eq: CointEq1 D(LOG(EMIR(-3))) -0.1763 4.9990 -0.2095 0.1493

-0.2057 -2.6726 -0.1770 -0.1714
(-0.85681) -1.8705 (-1.18347) -0.8711
LOG(EMIR(-1)) 1.0000
D(LOG(EMIR(-4))) 0.1413 -0.0552 -0.1467 0.1346
-0.1426 -1.8524 -0.1227 -0.1188
ICAM(-1) 0.0325 -0.9907 (-0.02982) (-1.19552) -1.1332

-0.0106 D(ICAM(-1)) 0.0053 0.3135 -0.0042 0.0078

-3.0609 -0.0078 -0.1018 -0.0067 -0.0065
-0.6717 -3.0813 (-0.62230) -1.1999

LOG(PIB(-1)) -1.6684 D(ICAM(-2)) 0.0046 0.0187 0.0066 -0.0071

-0.0075 -0.0970 -0.0064 -0.0062
-0.2639 -0.6150 -0.1931 -1.0316 (-1.13550)
(-6.32285)
D(ICAM(-3)) 0.0113 -0.1037 0.0004 -0.0028
-0.0067 -0.0870 -0.0058 -0.0056
LOG(PROF(-1)) 0.0646 -1.6882 (-1.19182) -0.0673 (-0.49518)

-0.2168 D(ICAM(-4)) -0.0046 0.0747 -0.0029 0.0015

-0.2979 -0.0067 -0.0874 -0.0058 -0.0056
(-0.68127) -0.8544 (-0.50907) -0.2588

C 1.4381 D(LOG(PIB(-1))) 2.8752 -13.1686 0.8894 -0.4945

-0.4131 -5.3667 -0.3554 -0.3442
-6.9606 (-2.45378) -2.5025 (-1.43654)
Error Correction: D(LOG(EMIR)) D(ICAM) D(LOG(PIB)) D(LOG(PROF)) D(LOG(PIB(-2))) 1.0952 -37.2717 -0.2486 0.2029
-0.5358 -6.9612 -0.4610 -0.4465
-2.0441 (-5.35417) (-0.53924) -0.4543
CointEq1 -0.3035 -7.2156 -0.0142 0.0440
-0.1050 -1.3644 -0.0904 -0.0875 D(LOG(PIB(-3))) -0.1417 -6.3134 -0.2744 0.6215
-0.6393 -8.3055 -0.5501 -0.5327
(-2.89022) (-5.28848) (-0.15724) -0.5027 (-0.22160) (-0.76015) (-0.49892) -1.1665

D(LOG(PIB(-4))) -0.7466 -17.5208 0.0076 -0.0129

-0.5583 -7.2533 -0.4804 -0.4653
R-squared 0.6765 0.7220 0.4000 0.3922 (-1.33740) (-2.41557) -0.0157 (-0.02781)
Adj. R-squared 0.5863 0.6446 0.2328 0.2228 D(LOG(PROF(-1))) 2.5495 -3.7879 0.9387 -0.7071
Sum sq. resids 0.1858 31.3607 0.1375 0.1290 -0.4079 -5.3001 -0.3510 -0.3400
-6.2498 (-0.71470) -2.6744 (-2.07983)
S.E. equation 0.0552 0.7170 0.0475 0.0460
Log likelihood 126.9817 -75.6023 138.8561 141.3825 D(LOG(PROF(-2))) 0.6709 -26.4933 -0.2896 0.1407
-0.5061 -6.5750 -0.4355 -0.4217
Akaike AIC -2.7590 2.3697 -3.0596 -3.1236 -1.3256 (-4.02938) (-0.66508) -0.3336
Schwarz SC -2.2192 2.9096 -2.5198 -2.5837
D(LOG(PROF(-3))) -0.1437 -3.7574 -0.2152 0.5309
Mean dependent 0.0129 -0.3320 0.0043 0.0095 -0.5613 -7.2921 -0.4829 -0.4677
S.D. dependent 0.0858 1.2027 0.0542 0.0522 (-0.25606) (-0.51527) (-0.44569) -1.1350

D(LOG(PROF(-4))) -0.7565 -16.0871 -0.0353 -0.0262

Determinant Residual Covariance 0.0000 -0.5167 -6.7125 -0.4446 -0.4306
(-1.46415) (-2.39661) (-0.07947) (-0.06074)
Log Likelihood 428.8295
Akaike Information Criteria -8.9324 C -0.0021 0.3215 0.0033 0.0064
-0.0121 -0.1571 -0.0104 -0.0101
Schwarz Criteria -6.6529 (-0.17498) -2.0463 -0.3150 -0.6309
Modelo VAR
Date: 11/16/04 Time: 11:30
Sample(adjusted): 1997:03 2003:12
Included observations: 82 after adjusting endpoints
Standard errors & t-statistics in parentheses

LOG(EMIR) ICAM LOG(PIB) LOG(PROF)

LOG(EMIR(-1)) 0.0662 2.4754 0.0279 -0.0997

-0.1170 -2.2076 -0.0848 -0.0842
-0.5655 -1.1213 -0.3287 (-1.18375)

LOG(EMIR(-2)) -0.0471 -0.8396 -0.3100 0.2721

-0.1182 -2.2299 -0.0857 -0.0850
(-0.39857) (-0.37654) (-3.61815) -3.1994

ICAM(-1) 0.0122 1.1937 0.0023 0.0017

-0.0059 -0.1103 -0.0042 -0.0042
-2.0786 -10.8215 -0.5396 -0.3956

ICAM(-2) -0.0135 -0.3348 -0.0012 -0.0025

-0.0055 -0.1043 -0.0040 -0.0040
(-2.44526) (-3.21056) (-0.28750) (-0.63919)

LOG(PIB(-1)) 2.6547 -3.4779 1.7493 -0.5354

-0.3675 -6.9342 -0.2665 -0.2645
-7.2231 (-0.50156) -6.5651 (-2.02468)

LOG(PIB(-2)) -1.5470 1.9800 -0.8142 0.7217

-0.4471 -8.4360 -0.3242 -0.3217
(-3.45973) -0.2347 (-2.51172) -2.2433

LOG(PROF(-1)) 2.1898 -4.8601 1.0328 0.0476

-0.3733 -7.0429 -0.2706 -0.2686
-5.8661 (-0.69008) -3.8161 -0.1772

LOG(PROF(-2)) -1.6044 1.4739 -0.7453 0.7131

-0.3938 -7.4297 -0.2855 -0.2834
(-4.07414) -0.1984 (-2.61031) -2.5168

C -1.2333 12.0074 1.5618 -1.6027

-0.7940 -14.9806 -0.5757 -0.5713
(-1.55326) -0.8015 -2.7131 (-2.80522)

R-squared 0.9478 0.9744 0.7834 0.9793

Adj. R-squared 0.9420 0.9716 0.7596 0.9770
Sum sq. resids 0.2290 81.4985 0.1203 0.1185
S.E. equation 0.0560 1.0566 0.0406 0.0403
Log likelihood 124.7654 -116.1014 151.1353 151.7550
Akaike AIC -2.8235 3.0513 -3.4667 -3.4818
Schwarz SC -2.5594 3.3154 -3.2026 -3.2177
Mean dependent 8.4574 15.3782 6.3881 4.2122
S.D. dependent 0.2326 6.2643 0.0828 0.2657

Determinant Residual Covariance 0.0000

Log Likelihood 391.1372
Akaike Information Criteria -8.6619
Schwarz Criteria -7.6053
Comparación

HONDURAS CIFRAS EN Logaritmos

COMPARACIÓN DE PRONÓSTICOS: Período Enero 04 - junio 04
CRITERIO: Menor raíz cuadrada del Error Cuadrático Medio
muestra completa hasta LnIMAEP LnIMAEP
Jun-03 Lnvel Lnvel

CIFRAS ARIMA EMISIÓN MONETARIA

ORIGINAL RSA=4 -ECM- MCO -ECM- AUTOREG -ECM- VAR2 -ECM- MCE4 -ECM-
Ene-04 6,958.9 6,849.6 11,956.2 7,508.5 302,052.3 7,914.7 913,559.3 6,384 330,897.3 7,250 84,712.7
Feb-04 7,200.3 6,965.1 55,298.9 7,165.0 1,243.2 7,783.1 339,703.4 6,408 628,136.1 7,537 113,202.3
Mar-04 7,288.6 7,172.7 13,436.9 6,667.5 385,797.3 7,660.6 138,396.4 6,431 734,695.9 7,589 90,437.1
Abr-04 7,165.0 7,161.9 9.9 6,741.2 179,639.1 7,546.4 145,473.7 6,455 504,403.2 7,248 6,943.7
May-04 7,050.2 6,799.7 62,743.3 6,549.0 251,211.1 7,439.9 151,842.0 6,478 327,704.0 7,104 2,876.8
Jun-04 7,649.7 7,340.5 95,582.2 6,807.9 708,657.3 7,340.4 95,665.8 6,500 1,321,033.5 7,559 8,138.3
135.6 375.0 370.5 544.0 153.5
muestra completa hasta Log(pib) Log(emir) icam
Dic-03 Log(prof) log(vel) infla
 Pronósticos de los diferentes
modelos
MODELO ARIMA PARA TRAMO/SEAT
8,000.0

7,500.0

7,000.0

6,500.0

6,000.0

5,500.0

5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04

CIFRAS ORIGINAL ARIMA RSA=4

 MODELO CORRECCION DE ERRORES
8,000.0

7,500.0

7,000.0

6,500.0

6,000.0

5,500.0

5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04

CIFRAS ORIGINAL MCE1

 MODELO AUTORREGRESIVO
8,500.0

8,000.0

7,500.0

7,000.0

6,500.0

6,000.0

5,500.0

5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04

CIFRAS ORIGINAL AUTOREG

 MODELO VAR CON 2 REZAGOS
8,000.0

7,500.0

7,000.0

6,500.0

6,000.0

5,500.0

5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04

CIFRAS ORIGINAL VAR1

 Método de mínimos
cuadrados
Observación
Valores de la variable dependiente

Desviación
real

Desviación Desviación

Desviación
Desviación Punto en la
línea de
Desviación tendencia
Desviación

Yˆ  a  bx
Periodo de tiempo
107
 Demanda real y línea de
tendencia
180
160
Y = 56,70+ 10,54X
140
120
Demanda

100
80
60 Demanda real
40
20
0
0 2 4 6 8 10
Periodo de tiempo

108
 Análisis de regresión lineal
• Se usa para prever la línea de
tendencia lineal.
• Supone una relación entre la variable
de respuesta, Y, y el periodo de
tiempo, X, que es una función lineal:
Y$i  a  bX i

• Se calcula mediante el método de los

mínimos cuadrados:
– Minimiza la suma de errores cuadrados.
109
Diagrama de dispersión

Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96

Periodo de tiempo
111
Ecuaciones de mínimos
cuadrados
Ecuación: Ŷi  a  bx i

n
 x i y i  nx y
Pendiente: b  i n
 x i  nx 
i 

Corte con el eje Y: a  y  bx

112
Tabla de cálculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
113
 Ejemplo de análisis de
regresión lineal
Usted es el analista de marketing de
Hasbro Toys. Recoge los siguientes
datos:
Año Ventas (unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
¿Cuál es la ecuación de la tendencia?
114
 Modelo de previsión del
análisis de regresión lineal
Usted está realizando el análisis de marketing
^ codificados,
de Hasbro Toys. Al utilizar años
halla que Yi = -0,1 + 0,7Xi.
Año Ventas (Unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
La previsión es de 2000 ventas. 115
 Modelo estacional multiplicativo
• Encontrar la demanda histórica media para cada “estación”
sumando la demanda de esa estación cada año y dividiéndola
entre el número de años de datos disponibles.
• Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
• Calcular un índice estacional dividiendo la demanda histórica
real de esa estación (calculado en la etapa 1) entre la
demanda media a lo largo de todas las estaciones.
• Estimar la demanda anual de todo el año próximo.
• Dividir esta estimación de la demanda anual total entre el
número de estaciones y entonces multiplicarla por el índice
estacional de esa estación. Esto proporciona la previsión
estacional .
116
 Modelo de regresión lineal
• Muestra la relación lineal entre las
variables dependientes e independientes.
– Ejemplo: ventas y publicidad (sin tiempo)

Corte con el eje Y Pendiente

^
Yi = a b Xi

Variable dependiente Variable independiente

117
Ecuaciones de regresión
lineal
Ecuación: Ŷi  a  bx i

n
 x i y i  nx y
Pendiente: b  i n
 x i  nx 
i 

Corte con el eje Y: a  y  bx

119
Tabla de cálculo

2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
120
 Interpretación de los
coeficientes
• Pendiente (b):
– El cálculo de Y varía en b cada unidad
extra en X.
• Si b = 2, entonces las ventas (Y) aumentarán
en 2 por cada unidad extra en publicidad (X).
• Corte con el eje Y (a):
– Valor medio de Y cuando X = 0.
• Si a = 4, entonces las ventas medias (Y) serán
de 4 cuando la publicidad (X) sea 0.

121
 Variación de los errores
aleatorios
• Variación del Y real a partir del Y predecido.
• Se mide mediante el error estándar de la
estimación:
– Muestra los errores de la desviación estándar.
– SY,X
• Afecta a varios factores:
– Significado del parámetro.
– Precisión de la predicción.
122
 Suposiciones de los mínimos
cuadrados
• Se supone que la relación es lineal.
Primero trace los datos, si existe la curva,
utilice el análisis curvilineal.
• Se supone que la relación sólo se sustenta
dentro o justo fuera del campo de datos.
No trate de predecir periodos de tiempo
lejanos al campo de la base de datos.
• Se supone que las desviaciones que
rodean a la línea de los mínimos
cuadrados son aleatorias. 123
 Error estándar de la
desviación
n
 yi  ŷi  El libro utiliza el
S y, x  i 
n símbolo Yc

n  n n
 yi a  yi  b  x i yi
 i  i  i 
n

124
 Correlación

• Respuestas: „¿qué intensidad tiene la

relación lineal entre las variables?‟
• El coeficiente de correlación se identifica
normalmente como r .
– Los valores varían entre -1 y +1 .
– Mide el grado de asociación.
• Se usa principalmente para comprender.

125
Fómula del coeficiente de
correlación

n n n
n  x i yi   x i  yi
r i  i  i 
 n   n   n   n  
n  x i    x i   n  yi    yi  
 i   i     i   i   

126
 Coeficiente de correlación y
modelo de regresión
Y r=1 Y r = -1
Y^i = a + b X i

Y^i = a + b X i
X X

Y r = 0,89 Y r=0

Y^i = a + b X i Y^i = a + b X i
X X
128
 Guía para elegir el modelo de
previsión
• Usted quiere conseguir:
– Ninguna conducta o dirección del error de
previsión. ^
• Error = (Yi - Yi) = (Real - Previsión).
• Se observa en las representaciones de los
errores a lo largo del tiempo.
– Un error de previsión más pequeño:
• Error cuadrado medio (ECM).
• Desviación absoluta media (DAM).

129
 Conducta del error de
previsión

Tendencia no totalmente
justificada Conducta deseada
Error Error

0 0

Tiempo (años) Tiempo (años)

130
 Ecuaciones del error de
previsión
• Error cuadrado medio (ECM):
n
 (y i  ˆy i ) 2 2
i 1  errores de previsión
ECM  
n n

• Desviación absoluta media (DAM):

n
 | yi  yˆ i |
i   |errores de previsión |
DAM  
n n

131
 Ejemplo de selección del
modelo de previsión
Usted es el analista de marketing de Hasbro Toys. Ha
previsto las ventas con un modelo lineal y alisado exponencial.
¿Qué modelo usará?

Ventas Previsión del Previsión del

alisado
Año reales modelo lineal exponencial (0,9)

1995 1 0,6 1,0

1996 1 1,3 1,0
1997 2 2,0 1,9
1998 2 2,7 2,0
1999 4 3,4 3,8
132
 Evaluación del modelo lineal
^
Año Yi Yi Error Error2 |Error|
1992 1 0,6 0,4 0,16 0,4
1993 1 1,3 -0,3 0,09 0,3
1994 2 2,0 0,0 0,00 0,0
1995 2 2,7 -0,7 0,49 0,7
1996 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Σ Error2 / n = 1,10 / 5 = 0,220
DAM = Σ |Error| / n = 2,0 / 5 = 0,400
133
 Evaluación del modelo de
alisado exponencial
^
Year Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Σ Error2 / n = 0,05 / 5 = 0,01
DAM = Σ |Error| / n = 0,3 / 5 = 0,06
134
 Evaluación del modelo de
alisado exponencial
Modelo de alisado exponencial:

ECM = Σ Error2 / n = 0,05 / 5 = 0,01

DAM = Σ |Error| / n = 0,3 / 5 = 0,06

Modelo lineal:

ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400
135
Señal de rastreo
• Mide el grado de precisión de la
previsión para predecir valores reales.
• Suma actual de los errores de previsión
(SAEP) dividida entre la desviación
absoluta media (DAM):
– Una buena señal de rastreo tiene valores
bajos.
• Debe estar dentro de los límites de
control superiores e inferiores.
136
 Ecuación de la señal de
rastreo
SAEP
Señal de rastreo 
DAM

 y i  y
ˆi
n

 i 
DAM

 errores de previsión

DAM

137
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140

138
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140

139
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10

2 100 95
3 100 115 SAEP =  Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140

140
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10

2 100 95
3 100 115 Error absoluto = |Error|
= |-10| = 10
4 100 100
5 100 125
6 100 140

141
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10

2 100 95
3 100 115 |Error| acumulado =  |Errores|
= NA + 10 = 10
4 100 100
5 100 125
6 100 140

142
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0

2 100 95
3 100 115 DAM =  |Errores|/n
= 10/1 = 10
4 100 100
5 100 125
6 100 140
143
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95
3 100 115 SR = SAEP/DAM
= -10/10 = -1
4 100 100
5 100 125
6 100 140

144
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5
3 100 115
4 100 100 Error = Real - Previsión
= 95 - 100 = -5
5 100 125
6 100 140

145
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15
3 100 115
4 100 100 SAEP =  Errores
= (-10) + (-5) = -15
5 100 125
6 100 140

146
 Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140

147
 Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado =  |Errores|
= 10 + 5 = 15
5 100 125
6 100 140

148
 Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM =  |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140

149
 Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1

2 100 95 -5 -15 5 15 7,5 -2
3 100 115
4 100 100 SR = SAEP/DAM
= -15/7,5 = -2
5 100 125
6 100 140

150
Representación de una señal
de rastreo
Señal que supera el límite

Señal de rastreo
Límite de control superior
+

0 Intervalo aceptable

-
Límite de control inferior

Tiempo

151
 Señales de rastreo
160 3
140 Previsión
2

Señal de rastreo
120
Demanda real

100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo

152
Previsión en el sector
servicios
• Presenta algunos retos poco comunes:
– Especial necesidad de datos a corto
plazo.
– Las necesidades varían mucho en función
de la industria y del producto.
– Vacaciones y calendario.
– Eventos poco comunes.

153
 Previsión de ventas por hora
en un restaurante de comida
20
rápida

15

10

0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11

154
Control de Pronóstico

155
 Pronóstico: Análisis de Varianza
Modelos

Periodos 1 2 ... n Total (P) Media(P)

1 Y11 Y12 ... Y1n ∑Y1j M1j=∑Y1j/n

2 Y21 Y22 ... Y2n ∑Y2j M2j=∑Y2j/n

... ... ... ... ... ... ...

m Ym1 Ym2 ... Ymn ∑Ymj Mmj=∑Ymj/n

Total (M) ∑Yi1 ∑Yi2 ... ∑Yin ∑Y i j

Media (M) Mi1=∑Yi1/m Mi2=∑Yi2/m ... Min=∑Yin/m M=∑Yij/mn

156
 n m m n
SCM  m ( M ij  M ) 2
SCP  n ( M ij  M ) 2
SCT    (Y ij  M )2
j 1 i 1 i 1 j 1

SCM SCP SCE

SCE  SCT  SCM  SCP CMM  CMP  CME 
n 1 m 1 (n  1)(m  1)
CMM CMP
FCM  FCP 
CME CME

157
 Control de pronóstico:
Tabla ANOVA
Fuente de Grados de Suma de Cuadrados F
variación Libertad Cuadrados Medios calculado

Modelos n-1 SCM CMM FCM

Periodos m-1 SCP CMP FCP

Error (n-1)(m-1) SCE CME

Total mn-1 SCT

158
Ejemplo
Periodo Modelo 1 Modelo 2 Modelo 3 Modelo 4
1 51 47 57 50
2 47 50 48 61
3 56 58 52 57
4 52 61 60 65
5 57 51 61 58
6 59 48 57 53
7 58 59 51 61
8 60 50 46 59
159
 Periodo Modelo 1 Modelo 2 Modelo 3 Modelo 4
1 51 47 57 50
2 47 50 48 61
3 56 58 52 57
4 52 61 60 65
5 57 51 61 58
6 59 48 57 53
7 58 59 51 61
8 60 50 46 59
Media de
Suma 440 424 432 464 Medias
Promedio 55 53 54 58 55

160
 Modelo Modelo Modelo Modelo
Periodo 1 2 3 4
1 16 64 4 25
2 64 25 49 36
3 1 9 9 4
4 9 36 25 100
5 4 16 36 9
6 16 49 4 4
7 9 16 16 36
8 25 25 81 16
Suma Total 144 240 224 230 838 SST
Suma Variable 0 4 1 9 112 SSA
726 SSE

161
 Tabla de Análisis de Varianza
Suma de Grados de Cuadrados
Variación cuadrados Libertad Medios Relacion F
Explicada
por modelo 112 3 37,33 1,44

Error 726 28 25,93

Total 838 31

162
F de tablas para un nivel de significación
numerador: modelos -1
Denominador: (datos-1)*modelo

Región de Aceptación - Región de rechazo

Fc < Ft se acepta Ho
u1 = u2 = u3
163
¿PREGUNTAS?