Curso OPP Pronostico de Demanda (Incluye 1) Imprimir PDF

UNI
RUPAP
El Sistema de OPP
LA FUNCION DEL SISTEMA DE PCP
Aristeu De Melo
aristeu.demelo@uni.edu.ni
Etapa 1
Etapa 2
Etapa X
Organizacin y Planificacin de
la Produccin - OPP
OBJETIVO GENERAL
Elaborar,
interpretar y analizar los
elementos generales de un plan de
produccin,
mediante
di t las
l tcnicas
t i
d organizacin
de
i i y
planificacin de la produccin.
Del primer paso que uno da en el

mundo, hijo mo, depende el resto de
nuestros das. VOLTAIRE
ENTRADAS
Carrera: Ingeniera Mecnica
Salidas
OBJETIVOS PARTICULARES
Tema 2: Pronsticos de Demanda
Conocer los elementos mnimos de la
proyeccin de la demanda, tales como el
mtodo de los mnimos cuadrados y el
porcentaje de crecimiento de la demanda
mediante paquetes de computacin
como el Win-QSB y hojas electrnicas de
clculo.
Analizar,
interpretar y utilizar la
estacionalidad de las ventas, para la
proyeccin de los pronsticos en el corto
plazo.
Tema
1:
Introduccin
a
la
Administracin de la Produccin
Conocer
una
breve
historia
de
la
administracin de la produccin, as como de
las caractersticas actuales de la direccin de
la produccin.
Conocer las distintas fases del proceso
productivo.
Curso OPP
Aristeu De Melo
UNI
RUPAP
Tema 4: Inventarios
Determinar el tamao del lote ptimo de comprar,
as como la frecuencia de adquisicin.
Analizar,
A li
i t
interpretar
t y graficar
fi
sistemas
i t
b i
bsicos
d
de
inventarios, as como sus costos.
Tema 5: Sistema de Admon. de Inventarios
Conocer, diferenciar y saber cundo utilizar, los
pasos necesarios para la implementacin de un
sistema de punto fijo de reorden y de un ciclo fijo de
reorden.
Tema 6: Planificacin Agregada
Elaborar,
Analizar e Interpretar los planes de
produccin, en el corto, mediano y largo plazo.
Tema 3: Planificacin de Capacidad

Planificar los requerimientos
q
de aumento
de la capacidad instalada sobre la base
del crecimiento de la demanda.
Conocer los elementos necesarios para
transformar
los
pronsticos
en
q
de capacidad.
p
requerimientos
Generar y evaluar planes alternativos de
solucin de los requerimientos de
capacidad.
5
PLAN TEMTICO
TEMA
1
TITULO
Introduccin
a
Administracin
de
Produccin
C
la
la
ACTIVIDADES PARA VER UN VIDEO
CP LAB
-
TOTAL
Pronsticos de Demanda
12
Planificacin de Capacidad
Inventarios
10
Sist. Admon Inventarios
12
Planificacin Agregada
10
32
24
56
10
2. Lo QUE QUIERO SABER (antes de ver el video escribir lo

que quiere saber sobre el tema):
3. Lo QUE APREND (despus de ver el video escribir lo
que aprendi sobre el tema):
Curso OPP
Nombre: _________________________________
Grupo: ____________ Fecha: ________________
Ttulo del video: ________________________
R
Responder
d 3 preguntas
t sobre
b ell tema
t
d l video:
del
id
1. Lo QUE S (antes de ver el video escribir lo que sabe

sobre el tema):
TOTAL
Aristeu De Melo
UNI
RUPAP
Tema 1: Introduccin a la
Administracin de la Produccin
Le invitamos a que haga un
Compromiso Personal
Me comprometo durante 16 semanas a

completar este Proceso de Formacin.
Dedicar tiempo cada semana para hacer las
lecturas y las actividades correspondientes a
cada tema,
y compartir con algn compaero los
principios aprendidos con el fin de ponerlos en
prctica.
Los
Canteros
Tarea1 (en grupo de 3)

1. Hacer un breve resumen de la historia de la administracin de
produccin.
la p
2. Cules son las caractersticas actuales de la direccin de la
produccin?
(Identifique y describa las caractersticas actuales de la
direccin de la produccin.)
3. Cules son las distintas fases del proceso productivo?
(Identifique y describa las fases de un proceso productivo.) 10
Qu es un sistema Productivo?
Sistema de OPP
La mejora continua
La meta de todo administrador debe ser establecer ambientes

para que los esfuerzos del equipo permita que los individuos
contribuyan al logro de los objetivos con la mnima cantidad
de insumos tales como dinero,
dinero tiempo,
tiempo esfuerzos y
materiales.
Para lograr lo anterior, la prctica de la administracin
requiere un enfoque de sistemas.
El rol ms importe del administrador es el de planificador,
que consiste en decidir con anticipacin:
qu se debe hacer,
cmo y cunto hacerlo,
hacerlo
dnde y cundo hacerlo,
quin y con qu lo har.
La planificacin hace posible que ocurran las cosas de una
manera ms organizada y con previsin de lo que suceder.
Trabajar con
hechos y datos
La Gerencia
Participacin
El Sistema
El Personal
Recursos
Los proveedores
Fsicos
Materiales
Humanos
Ambiente
ENTRADAS
Los Requisitos
de los Clientes
11
Curso OPP
Conocer una breve historia de la administracin de la
produccin, as como de las caractersticas actuales
d la
de
l direccin
di
i de
d la
l produccin.
d i
Conocer las distintas fases del proceso productivo.
Paso A
Procedimientos
Paso B
Paso C
Los procesos
SALIDAS
Evaluar el nivel
de Satisfaccin
12
de los Clientes
Aristeu De Melo
UNI
RUPAP
1. Los procesos:
ENTRADAS
Qu es un Proceso?
Que es un SISTEMA?
Etapa 1
Etapa 2
Etapa X
Salidas
Identificar, entender y gestionar los procesos del negocio

como un sistema, contribuye a la eficacia y eficiencia de
una organizacin en el logro de sus objetivos.
Los procesos son las actividades que realizamos.

Ejemplos de procesos: Vender, despachar, planificar, comprar
N pedidos
did
2. Los Responsables y sus colaboradores:
incompletos
CLIENTE
Preparacin Pedido
Tomar Pedidos
Tiempo para preparar
Preparar Pizza
3. Los recursos:
(mezclar ingredientes)
Un recurso es todo lo que usamos para hacer nuestro trabajo

trabajo.
Ejemplo de recursos: camiones, montacargas, computadoras,
fotocopiadoras, tiles de oficina, software.
Tiempo
4. Los procedimientos e instructivos.

Cmo hacemos las actividades que realizamos.
Los procedimientos y los instructivos son documentos que dicen
cmo, con qu y cuando hacemos las cosas.
% pizzas
N Pizzas no
entregadas (perdidas)
MANTENI
MIENTO
CLIENTE
14
Objetivos Especficos de un sistema

de PCP:
Toda organizacin tanto pblica como privada debe

proponer un plan de produccin a corto y largo
plazo que le permita enfrentar la demanda actual y
plazo,
futura, garantizando su crecimiento, desarrollo y
competitividad
La planificacin de operaciones es una herramienta
con la cual una empresa busca un equilibrio entre
demanda
y
oferta
para
lograr
competir
adecuadamente.
d
d
t
La planificacin de la produccin se centra en el
volumen y en el tiempo de produccin de los
productos y la utilizacin de la capacidad de
produccin.
15
Curso OPP
Calentar Horno
quemadas
Empaquetar Pizza
Tiempo para realizar

las actividades previas
Temperatura
empaquetar
Entregar Pizza
a Repartidor
Objetivo General de un Sistema

de PCP:
los ingredientes
Tiempo
la Pizza
Procesos
Hornear Pizza
COMPRAS
Preparar Ingredientes
Analizar las condiciones generales de la economa

actual y futura dentro del sector de la empresa.
Establecer estrategias que le permitan a la empresa
competir durante los aos siguientes para expresar
en trminos monetarios el volumen de ventas de la
empresa.
Determinar los pasos a seguir en el sistema de
produccin de la empresa.
Establecer un programa de rdenes de compra o
pedidos de insumos necesarios en la produccin y su
distribucin.
Coordinar las actividades diarias y semanales que
permitan un control dentro de la produccin.
16
Aristeu De Melo
UNI
RUPAP
Proceso de Planificacin
Sistema de PCP
La planificacin y programacin de operaciones se centra:
en el volumen y en el tiempo de produccin de los
productos,
en la utilizacin de la capacidad de las operaciones,
operaciones
y en el establecimiento de un equilibrio P/CP entre los
distintos niveles para lograr competir adecuadamente.
Los sistemas de administracin para hacer todas estas cosas
implican la existencia de diversos niveles jerrquicos de
actividades,
que se enlazan de arriba hacia abajo para apoyarse las unas
a las otras
La orientacin del tiempo va de largo hasta corto plazo, a
medida que se avanza de arriba hacia abajo en la jerarqua.
De la misma manera el nivel de detalle en el proceso de
Planificacin oscila de lo general en la parte superior a lo
particular en la parte inferior.
VISIO
NARIOS
TRADUCTORES
BILINGUES
Tctico: Meses
Operacional: Das
MISIONEROS
17
Proceso de Planificacin
Estratgico: Aos
18
FASES DEL PROCESOS PRODUCTIVO
19
Plan Agregado
Ao1 Ao2 Ao3 Ao4 Ao5
Plan
Maestro
dede
Produccin
para
ao
Plan
Maestro
Produccin
del el
ao
11
1.
2.
3.
4.
Trimestre 1
Trimestre 2
Trimestre 3
Mes1 Mes2 Mes3 Mes4 Mes5 Mes6 Mes7 Mes8 Mes9
Los sistemas productivos presentan 4 fases

principales:
Diseo del sistema productivo,
Planificacin de la produccin
Ejecucin
j
y
Control de la produccin.
Plan Operacional del mes 1

2
3
Semana 1
Semana 2
Da 1 Da 2 Da 3 Da 4 Da 5 Da 6 Da 7 Da 8 Da 9 Da10
Curso OPP
20
Aristeu De Melo
UNI
RUPAP
1. DISEO DEL SISTEMA
Inicialmente los problemas que tienen que ser

analizados para un efectivo diseo del sistema:
El diseo del sistema debe ser llevado a cabo con

base en todos los factores de produccin, de modo a
obtenerse un costo mnimo o una produccin
mxima/hh segn las condiciones lo requieran.
El costo mnimo puede ser obtenido a travs de

mucha automatizacin (Sistemas intensivo en
Capital) o a travs de poca automatizacin (Sistemas
intensivos en MO).
MO)
Un sistema que utiliza mucha MO es generalmente

mas flexible, en cuanto al volumen de produccin y a
la diversificacin, que los sistemas automatizados,
cuyas maquinas son especializadas en unos pocos
productos.
PLANEACIN, EJECUCIN Y CONTROL

Despus de diseado el sistema,
sistema su eficiencia
depender exclusivamente de las actividades
de:
1. Planificacin
2. Ejecucin
3. Control
4. Y para que todas estas actividades puedan ser
llevadas a cabo eficientemente se necesitar:
Un eficiente Sistema de Informacin.
21
22

Las decisiones tomadas en estas 4 reas en cuanto a
cambios de demanda, nivel de los inventarios,
programas de produccin, calidad, innovaciones e
productos
o
maquinarias
maquinarias,
etc
etc.,
depender
bsicamente de los objetivos de la empresa.
Ejemplos:
Cuando hay mucha competencia, el mejor sistema de

planificacin probablemente ser aquel que permita
una minimizacin de los costos.
Si hay
y escasez,, el mejor
j
sistema ser aquel
q
que
q
proporcione el mximo volumen de produccin.
Si los objetivos son minimizar la rotacin del personal

y no perder ningn cliente, la solucin podr ser
mantener un elevado nivel de inventarios o
subcontratar cuando la demanda sea alta.
23
Curso OPP
El propsito del Sistema de PCP es incrementar la

competitividad (Pt+Ct):
Si las maquinas o el personal estn ociosos debido
a que no hay trabajo,
si la MP permanece en inventario porque no se
dispone de una maquina o
si el PT permanece en inventario porque no se
vende,
estos recursos se estn desperdiciando.
La funcin de PCP es reducir este desperdicio
mediante la disponibilidad adecuada de personal,
equipos y materiales
24
Aristeu De Melo
UNI
RUPAP
La meta del Sistema de PCP:

es garantizar la utilizacin eficiente y eficaz
los
os recursos
ecu sos e
en la
a p
produccin
oducc de b
bienes
e es y
servicios que satisfagan las necesidades de los
clientes y obtener utilidades para los
inversionistas.
Los factores de produccin son:
las instalaciones y maquinarias, el trabajo y
los materiales de p
produccin.
Las restricciones incluyen:
la disponibilidad de recursos,
los Te para los productos y las polticas de
administracin
25
26
PLANIFICACIN Y ANLISIS DE SISTEMAS
EL SISTEMA DE PCP COMO ACTIVIDAD ORGANIZATIVA
El Sistema de PCP trata de evitar los conflictos entre

Produccin, Ventas y Finanzas, implantando planes de
produccin y polticas de inventario coherentes:
Produccin interesa cumplir con el programa: Un
programa tan flexible que se pudiera cumplir incluso
cuando el equipo se descompusiera, el personal
faltara o se produjera productos inservibles.
Ventas interesa maximizar las facturas y minimizar los
Te: Grandes inventarios de PT.
Finanzas interesa minimizar el capital
p
invertido en
instalaciones, maquinaria, personal e inventarios:
Reducir personal, maquinaria y bajos niveles de
inventarios.
La funcin de PCP es encontrar un equilibrio entre
estos intereses conflictivos.
La PCP requiere un enfoque sistemtico, si se desea

beneficiar a la organizacin en su conjunto y no slo a
unos cuantos componentes. Los pasos para disear un
y
sistema de PCP incluyen:
1. Determinar los objetivos del Sistema de PCP.
2. Definir el sistema y establecer los lmites del mismo.
3. Determinar los componentes significativos del sistema
y construir los modelos matemticos
4. Realizar un estudio detallado de los componentes en
funcin del sistema en su conjunto y resolver los
modelos matemticos.
5. Sintetizar los componentes del sistema y probar los
modelos.
6. Probar el sistema de acuerdo con algn criterio de
desempeo y probar la solucin
7. Poner en practica el sistema y
un proceso de
mejoramiento continuo del mismo mediante un SIG 28
27
Curso OPP
Los temas que se abordan en este Curso

de PCP son:
Pronostico de Demanda,
Demanda
Planificacin de Capacidad,
Anlisis de inventarios,
Planificacin Agregada
Las funciones del Sistema de PCP
tambin
se
pueden
aplicar
a
organizaciones
que
no
sean
de
fabricacin: Un Banco, una tienda
departamental o un hospital
Aristeu De Melo
UNI
RUPAP
PLANIFICACIN Y ANLISIS DE SISTEMAS
Tema 2: Pronsticos
de Demanda
Algunos de los objetivos de diseo del sistema de PCP

pueden ser los siguientes:
Determinar un modelo de p
pronstico q
que minimice los
errores del pronstico.
Buscar equilibrio en los costos de inventario, tiempo
extra y salidas de existencia mientras se satisfacen los
pronsticos de demanda fluctuante.
Disear polticas de inventario que minimicen los
gastos inherentes al ordenamiento y mantenimiento
de inventario.
Determinar una asignacin de tareas a estaciones de
produccin, que permita maximizar el flujo de
produccin.
Programar tareas y personal a fin de reducir el tiempo
ocioso, el inventario durante el proceso y las
terminaciones tardas.
Mtodos de
Proyeccin
29
30
Pronstico de la demanda
Es una estimacin cuantitativa de la demanda futura de

productos o servicios.
La elaboracin de pronsticos de demanda es
fundamental, ya que todas las actividades de la
empresa dependen del volumen de negocios que se va
a realizar.
Actividades o reas de la empresa dependen
directamente de los pronsticos de demanda:
Programa de produccin.
Poltica de inventarios.
Capacidad productiva de la planta.
Presupuestos.
Sistemas de distribucin.
Mtodos de produccin.
Desarrollo de nuevos productos.
31
Curso OPP
Demanda potencial: Es la cantidad total del producto o

servicio que puede demandar la sociedad.
Esta directamente relacionada con las necesidades de la
poblacin.
P
Por
ejemplo,
j
l sii un determinado
d
i d pas
tiene
i
5 millones
ill
d
de
habitantes y stos en promedio desean comprar 3 pares de
zapatos al ao, entonces la demanda potencial de zapatos
sera de 15 millones de pares al ao.
Demanda real: Como los productos o servicios no se
regalan, muchas personas de bajos recursos desean pero
no pueden comprar 3 pares de zapatos al ao.
Depende del precio y del ingreso per cpita,
cpita etc.
etc
El precio del producto/servicio y el ingreso per cpita reducen
la demanda de su valor potencial a una demanda real.
De ah surge la teora de la elasticidad-precio y la
elasticidad-ingreso, que estudia el comportamiento de la
demanda de los productos y servicios en funcin de los
precios y los niveles de ingresos de la poblacin.
32
Aristeu De Melo
UNI
RUPAP
La Importancia del Pronstico
Ventas: Es la cantidad vendida de un determinado producto o servicio.

Si nunca ocurren faltas de existencia, ventas ser igual a la
demanda.
Lo que se debe pronosticar es la demanda real y no las ventas, lo
que implica que,
que si hay faltante,
faltante los datos pasados de ventas
deben ser sometidos a algn tipo de ajuste.
Produccin: Es la cantidad producida del producto o servicio.
En el caso de los servicios, podemos afirmar que el volumen de
ventas siempre es igual al volumen de produccin.
En el caso de los productos esto no ser necesariamente verdadero,
ya que los inventarios cumplen precisamente la funcin de
desacoplar las actividades de ventas y produccin.
Perodo: Es el perodo al cual corresponde el pronstico.
pronstico
Podemos tener pronsticos semanales, mensuales, anuales, etc..
Horizonte: Indica qu tan lejos hacia el futuro est el perodo
pronosticado.
Por ejemplo, si en Enero de 2013 se pronostica la demanda de Enero
de 2014, el perodo ser de 1 mes y el horizonte de 1 ao.
Proveedores
Gestin de Aprovisionamiento
Planificacin de compras
Gestin de proveedores
(negociacin)
Transporte
Gestin de Transporte
Planificacin de medios
humanos y materiales
Muchas organizaciones han perdido
dinero e incluso fracasado porque tenan
demasiado inventario o demasiada
capacidad ociosa
Uno de los problemas ms apremiantes
derivado de la Globalizacin es la
necesidad de reducir el costo e
incrementar
la eficacia y
la
eficiencia de la produccin.
35
Curso OPP
Gestin de Inventarios y
Almacenes
Determinacin del nivel de
inventarios
Planificacin de necesidades
de almacenamiento
Fabricacin
Planificacin de la Produccin
34
Pronstico de la Demanda
Almacenes
Fabricacin
33
PRONSTICO
En logstica, el propsito de estimar la

demanda es mejorar el flujo de informacin
en la cadena de suministro y p
preparar
p
los
medios tcnicos, humanos y financieros de la
empresa para soportar las operaciones
futuras: estimacin de compras, produccin,
necesidades de almacenaje, transportes, etc.
Al igual que en las funciones del Sistema
de PCP, este propsito tambin se puede
aplicar a organizaciones que no sean de
fabricacin: Un Banco, una tienda
departamental o un hospital
36
Aristeu De Melo
UNI
RUPAP
El Pronstico y la Logstica
El Pronstico y la Logstica
Debido a las interrelaciones del pronstico con el resto de

actividades de la compaa, se debe considerar la gestin de la
demanda como un factor fundamental para el xito de cualquier
Sistema Productivo:
La disponibilidad de pronstico de la
demanda constituye una parte fundamental
demanda,
de la logstica por las implicaciones que una
variacin en sta supone en los principales
procesos de la cadena de suministro:
Recursos
Humanos
Mquinas
Instrumentos
Procedimientos
Accin
Formacin
Habilidades
Accin
Clientes
Registro
Fin
SALIDAS
38
Tcnicas de elaboracin de pronsticos
Gua para el Cambio: El Legado de Deminig
CLIENTE
Especifica necesidades de
Calidad
Redefine necesidades para
fijar las capacidades de
operaciones
a
a.
Caractersticas
del
Producto
b.
OPERACIONES
INGENIERIA
Fabrica el Producto o
Define el Concepto de Diseo
Especificaciones
Servicio
Prepara las Especificaciones del Producto
Define caractersticas de la
CONTROL DE CALIDAD
Calidad
Planea y Monitorea la Calidad
Curso OPP
Accin
?
Indicadores
SISTEMA PRODUCTIVO
Requisitos:
Interpretacin
de las
Necesidades
Inicio
Fuentes
energticas
Especificaciones
y por los beneficios que proporciona su

correcta estimacin y control
37
N
Necesidades
id d
ENTRADAS
Materiales
gestin de inventarios,
aprovisionamiento,
transporte, fabricacin, nivel de servicio, etc.
MERCADOTECNIA
Interpreta necesidades del
Cliente
Trabaja con el cliente en el
diseo del producto para fijar
operaciones
Sistema Productivo
10
Existen varias metodologas para predecir el comportamiento

futuro del mercado.
Se puede clasificar las tcnicas de proyeccin en funcin de
su carcter:
Mtodos de carcter subjetivos,
subjetivos
Son cualitativos y se basan en opiniones de los clientes o de
expertos.
Aun que son ms apropiados para proyectos, su uso en
pronostico es frecuente cundo:
Hay poco tiempo para elaborar el pronstico.
No se dispone de todos los antecedentes necesarios, no
hay datos disponibles.
Los datos disponibles no son confiables
Modelos causales, incluyendo los modelos de serie de
tiempo.
Son cuantitativos y parten del supuesto de que los impactos
de las variables que afectan el comportamiento de los
clientes son estables.
Es decir, supone que hay una relacin de causa y efecto
40
predecibles.
Aristeu De Melo
10
UNI
RUPAP

2. Anlisis de Series de Tiempo: Con base en la
idea de que el historial de los eventos a travs
del tiempo se puede utilizar para proyectar el
futuro.
2.1 Promedio mvil simple
2.2 Promedio mvil ponderado
2.3 Suavizacin exponencial
2.4.
2 4 Anlisis de regresin de serie de tiempo
2.5. Tcnica Box Jenkins
2.6. Series de tiempo Shiskin (Se conoce tambin
como Descomposicin o X-11)..
42
2.7 Proyecciones de tendencias
1. Mtodos Cualitativos: Subjetivas; de juicio.

Basadas en estimados y opiniones.
1 1 Tcnicas acumulativas
1.1
1.2 Investigacin de mercados
1.3 Grupos de consenso
1.4 Analoga histrica
1.5 Mtodo Delfi
41
Proyeccin:
Factores en la seleccin de un mtodo
El uso de las tcnicas de pronstico de la demanda

depende de factores tales como:
La validez, confiabilidad y disponibilidad de
los datos,
datos
La precisin deseada del pronstico,
El costo del procedimiento o mtodo utilizado,
Los beneficios del resultado,
El perodo y el horizonte del pronostico y
El tiempo disponible para hacer el estudio
estudio,
entre otros.
3. Causal: Trata de entender el sistema subyacente y

que rodea al elemento que se va a pronosticar. Por
ejemplo, las ventas se pueden ver afectadas por la
bli id d la
l calidad
lid d y los
l competidores.
tid
publicidad,
3.1 Anlisis de regresin
3.2 Modelos economtricos
3.3 Modelos de entrada/salida
p
3.4 Principales
indicadores
4. Modelos de Simulacin: Modelos dinmicos, casi
siempre por computadora, que permiten al
encargado de las proyecciones hacer suposiciones
acerca de las variables internas y el ambiente
43
externo en el modelo.
Curso OPP
44
11
Aristeu De Melo
11
UNI
Proyeccin:
RUPAP
La informacin debe ser expresada en funcin de los

atributos de los clientes (edad, sexo, ingreso, clases
social) por zona geogrfica.
La validez del pronstico depende de la calidad de los
datos de entrada: EBSB.
Las fuentes de informacin de uso ms frecuente son las
series histricas oficiales de organismos pblicos y privados,
las opiniones de expertos y el resultado de encuestas
especiales, entre otras.
La eleccin del mtodo depende de la cantidad y calidad de
los antecedentes disponibles, as como de los resultados
esperados.
Proyeccin:
La bondad o efectividad del mtodo elegido se evala en

funcin de:
Su precisin: Un error de pronostico tiene un costo
(Inventario Faltante,
(Inventario,
Faltante Cliente insatisfecho)
Su Sensibilidad: Debe ser estable para detectar cambios

lentos y dinmicos para reflejar cambios agudos.
Su objetividad: Tanto los datos utilizados como los
resultados obtenidos deben ser validos y oportunos para ser
utilizados en el propsito del pronstico.
Los resultados que se obtienen de los mtodos de proyeccin
son slo indicadores de referencia que debern
complementarse con el juicio y las apreciaciones
cualitativas del analista.
45
46
Errores de pronstico
Errores de pronstico
a. La probabilidad de no cometer errores en los
pronsticos es cero.
El objetivo nunca debe ser pronosticar exactamente
l demanda,
la
d
d sino
i elaborar
l b
pronsticos
ti
con un error
mnimo e intentar evaluar dicho error.
b. Cuanto ms corto sea el perodo, mayor ser la
probabilidad de cometer error al pronosticar.
c. Cuanto ms largo sea el horizonte, mayor ser la
probabilidad de errar el pronstico.
d Cuanto
d.
C
t ms
especfico
fi
sea ell pronstico,
ti
mayor
ser la probabilidad del error:
El error ser menor si agregamos muchos
productos o servicios y ser mayor si se refiere a
un solo producto o servicio.
Et = (Drt Det)
47
Curso OPP
Los errores de pronstico sirven para evaluar y

determinar la efectividad de los diferentes modelos.
El error de pronstico en un perodo t es la
diferencia entre el valor de los datos reales Dt y el
valor del pronstico para ese perodo Det:
Et = Drt - Det
t=1, 2, 3, ..., n
48
12
Aristeu De Melo
12
UNI
RUPAP
Precisin y Exactitud del Pronostico
Errores del Pronostico

Tipos de errores:
1. Error Residual: Es la desviacin entre el valor de D
realmente observados y su valor ajustado estimado:
Et = EResidual,t = Drt - Det
Es el Error del Modelo, Error No Explicado o Error de
diseo (imputable al investigador).
El modelo es una simplificacin de la realidad. Por ejemplo
se puede suponer que el precio es el nico determinante de
la demanda: D = f(p).
En este caso los efectos de los gustos y preferencias de los
individuos, la poblacin, los ingresos y el tiempo entre otras
sern incluidos en el trmino error.
Si los efectos de las variables ignorada son pequeos, es
razonable suponer que el trmino error es aleatorio.
50
Notacin:
Drtt, valor observado en el periodo t
Det, valor pronosticado para el periodo t
Et, error residual en el pronstico del

periodo t, donde t=1, 2, 3,...., n
49
Error No Explicado: Et = EResidual,t = Dr,t De,t

Error Explicado: Er,t = Eregresin,t = De,t Dm
Tipos de errores:
2. Error de Regresin: Es consecuencia del proceso de
estimacin: Ert = Eregresin,t
= Det Dmedia
g
Es el Error Explicado por el Modelo: Error asociado con la
obtencin y la medicin de las observaciones.
Algunos datos resultan difciles de medir: Las empresas no
estn dispuestas a facilitar datos explcitos sobre sus costos.
3. Error Total = Error Residual + Error de Regresin
(Drt Dmedia) = (Drt Det) + (Det Dmedia)
(Drt Dmedia): Error Total: Indica la diferencia entre el
valor observado en la muestra y la media muestral de Dr
(Drt Det): Es el Error Residual: La diferencia entre el
valor observado Drt y el valor estimado Det
(Det Dmedia): Es el Error de Regresin: La diferencia
51
entre el valor estimado Det y la media de D
Curso OPP
Error Total: E=(Dr,t Dm) = (Drt Det) + (Det Dm)
D
De f (X )
Dr,t
E=Dr,t Dm
De,t
Er,t = De,t Dm
Dm
13
Et =Dr,t De,t
Xt
X
Aristeu De Melo
13
UNI
RUPAP

(Dr,t Dm)2 = (Drt Det)2 + (Det Dm)2
STC
D
SCE
SCR
De f (X )
Dr,t
Et =Dr,t De,t
De,t
E=Dr,t Dm
Er,t = De,t Dm
Dm

(Dr,t Dm)2 = (Drt Det)2 + (Det Dm)2
Xt
Exactitud del Pronstico:

Coeficiente de Determinacin R2:
SCR
SCE
R
R2 1
STC
STC
Error Medio Absoluto %:
EMA%
Error Tpico (Se):
SCE E
Se
nk nk
2
1 n Drt Det
D
n t 1
rt
Curso OPP
(D
2
rt Det )
nk
k es el nmero de variables independientes en el anlisis de

regresin y n es el nmero de puntos de datos
SCE
STC
SCR
STC
SCE
STC
SCR
STC
54
STC
STC
55
14
El "error estndar" de una estimacin, designado Se se

define como la "desviacin estndar" de la regresin y se
calcula por:
p
en el anlisis
Se = SCE/(N
SCE/(N-k)
k) k es el nmero de variables independientes
de regresin y n es el nmero de puntos de datos
IC = De ZSe
El "error estndar" muestra el intervalo de confianza de la
estimacin.
Suponiendo que los trminos del error estn normalmente
distribuidos en torno a la lnea de regresin:
Existe un 68% de probabilidad de que la demanda futura est
dentro de IC68% = De Se,
Existe un 95% de probabilidad de que la demanda futura est
dentro de IC95% =De 2Se
Existe un 99% de probabilidad de que se ubique entre IC99%
= De 3Se.
Una mayor precisin se asocia con "errores estndares" ms
pequeos de la estimacin.
56
Aristeu De Melo
14
UNI
RUPAP
Anlisis de Series de Tiempo
2. Anlisis de Series de Tiempo
Los modelos de pronsticos de series de tiempo tratan

de predecir el futuro con base en la informacin
pasada.
Pronstico
de la
Demanda
Mtodo de Pronstico
Patrn de los Datos

Horizonte
Los datos deben ser
6 a 12 meses, a menudo
estacionarios (es decir, sin Corto a
PMS
se utilizan datos
tendencia ni
mediano
semanales
temporalidad)
PMP y suavizacin Para empezar se necesitan Los datos deben ser
Corto
exponencial simple de 5 a 10 observaciones
estacionarios
Suavizacin
Para empezar se necesitan
exponencial con
Estacionarios y tendencias
Corto
de 5 a 10 observaciones
tendencia
Ms de 24 observaciones;
Corto,
Descomposicin y para la temporalidad, por Estacionarios, tendencias
mediano y
Regresin lineal lo menos 5 observaciones
y temporalidad
largo plazo
por temporada
58
57
Cantidad de Datos

Al seleccionar un modelo de pronstico, tambin se
debe tener en cuenta:
el grado de flexibilidad de la empresa (mientras
mayor sea su habilidad para reaccionar con rapidez
a los cambios, menos preciso necesita ser el
pronstico).
la consecuencia de un mal pronstico.
Si una decisin importante sobre la inversin de
capital se basa en un pronstico, ste debe ser
bueno.
El modelo de pronstico que una empresa debe utilizar

depende de:
El horizonte de tiempo que se va a pronosticar.
La disponibilidad de los datos.
La precisin requerida.
El tamao del presupuesto de pronstico.
La disponibilidad de personal calificado.
59
Curso OPP
60
15
Aristeu De Melo
15
UNI
Promedio Mvil Simple
Con este mtodo, el valor proyectado de una

variable en el momento t, Pt, es funcin del
promedio de los t-n valores reales anteriores, Dt-n:
Pt =
RUPAP
Dt-1 + Dt-2 + Dt-3 + + Dt-n

n
El pronstico para el perodo (Pt), es igual al PMS

del perodo anterior, es decir: Pt = Pt-1
Tarea2: Explicar y dar ejemplos de los Mtodos de

Promedios Mviles:
1. Mtodo del promedio mvil con ajuste de tendencia
2. Mtodo del promedio mvil ponderado
3. Mtodo del promedio ponderado exponencialmente simple
4. Mtodo del promedio ponderado exponencialmente con ajuste
de tendencia
Texto de apoyo
61
62
La frmula de un PMS es
Pt =
Dt-1 + Dt-2 + Dt-3 + + Dt-n

n
Pt = Pronstico para el siguiente periodo

n = Nmero de periodos para promediar
Dt1 = Ocurrencia real en el periodo pasado
Dt2, Dt3 y Dtn = Ocurrencias reales hace
dos periodos,
periodos hace tres periodos,
periodos y as
sucesivamente, hasta hace n periodos
63
Curso OPP
Cuando la demanda de un producto no crece ni baja con

rapidez, y si no tiene caractersticas estacionales, un PMS
puede ser til ppara eliminar las fluctuaciones aleatorias del
p
pronstico.
Aunque los PM casi siempre son centrados, es ms
conveniente utilizar datos pasados para predecir el periodo
siguiente de manera directa.
Para ilustrar, un PMS de 3 meses (enero, febrero y marzo)
da un promedio centrado en febrero.
Sin embargo, los 3 meses de datos deben existir.
Si el objetivo es pronosticar para abril, se debe proyectar
el PMS de febrero a abril.
Si el promedio no est centrado sino que se encuentra en

un extremo, se puede pronosticar con mayor facilidad,
aunque quiz se pierda cierta precisin.
P lo
Por
l tanto, sii se quiere
i
pronosticar
i
para abril
b il con un PM
de 3 meses, puede tomarse el promedio de enero, febrero y
marzo.
Cuando pase abril, el pronstico para mayo ser el
promedio de febrero, marzo y abril. As es como se
calcularon los siguientes ejemplos:
64
16
Aristeu De Melo
16
UNI
RUPAP
Promedio Mvil Simple: comparacin con

datos observados
Medias mviles de 3 y 4 meses
Pt 3
Dt
1655
1875
2140
2250
2700
1900
1725
1220
2350
2845
2420
2930
PM3
PM4
Pt
Comparacin Ventas vs. Pronsticos

3000
2750
1890
2088
2363
2283
2108
1615
1765
2138
2538
2732
1890
2088
2363
2283
2108
1615
1765
2138
2538
1655 1875 2140

1890
3
Pt 3
1980
2241
2248
2144
1886
1799
2035
2209
2636
2500
2250
1980
2241
2248
2144
1886
1799
2035
2209
1875 2140 2250

2088
3
2000
1750
1500
1250
1000
Ene Feb Mar Abr May

Vt 1655 1875 2140 2250 2700
P3
1890 2088
P4
1980
Oct
2845
1765
1799
Nov
2420
2138
2035
Dic
2930
2538
2209
Mes
66
Bondad del modelo:

Error Medio Absoluto Porcentual (EMA%)
Error Medio Absoluto Porcentual (EMA%)

Mes
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
El Error Absoluto porcentual (EA%) mide el tamao de los errores

del modelo:
EA%=[100x(Valor RealValor Estimado)/Valor real]
El Error Medio Absoluto porcentual (EMA%) mide el promedio
de los errores del modelo:
1
N
t 1
Dt Pt
100
Dt
El modelo con mnimo EMA% proporciona el mejor ajuste y la

mejor proyeccin (supuestamente)
Ventas
Dt
1655
1875
2140
2250
2700
1900
1725
1220
2350
2845
2420
2930
PMS
67
Curso OPP
Jun Jul Ago Sep

1900 1725 1220 2350
2363 2283 2108 1615
2241 2248 2144 1886
65
EMA%
Pt: Pronstico
Ventas
Mes
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
p
Oct
Nov
Dic
17
Pt
PMS3
EA%
Pt
PMS4
EA%
16% = |2250 1890|/2250 x 100

1890
2088
2363
2283
2108
1615
1765
2138
2538
16.0%
22.7%
24.4%
32.4%
72.8%
31.3%
38.0%
11.6%
13.4%
1980
2241
2248
2144
1886
1799
2035
2209
26.7%
18.0%
30.3%
75.7%
19.7%
36.8%
15.9%
24.6%
EMA% =
29.2%
EMA% =
31.0%
68
Aristeu De Melo
17
UNI
RUPAP
Promedio Mvil de 3 y 9 semanas

Semana Demanda PMS3 PMS9 DMA3 EMA%3 DMA9 EMA%9
T
Dr
Pt
Pt 254.321 12.85% 272.487 12.19%
1
800
2
1,400
3
1 000
1,000
4
1,500
1,067
433
28.89%
5
1,500
1,300
200
13.33%
6
1,300
1,333
33
2.56%
7
1,800
1,433
367
20.37%
8
1,700
1,533
167
9.80%
9
1,300
1,600
300
23.08%
10
1 700
1,700
1 600 1
1,600
1,367
367
100
5 88% 333
5.88%
333.33
33 19.61%
19 61%
11
1,700
1,567 1,467
133
7.84% 233.33 13.73%
12
1,500
1,567 1,500
67
4.44%
0.00
0.00%
13
2,300
1,633 1,556
667
28.99% 744.44 32.37%
14
2,300
1,833 1,644
467
20.29% 655.56 28.50%
15
2,000
2,033 1,733
33
1.67% 266.67 13.33%
16
1,700
2,200 1,811
500
29.41% 111.11 6.54%
17
1 800
2 000 1 800
200
11 11%
0 00
0 00% 69
Pronstico con ajuste de Tendencia
Cuando la demanda no presenta cambios

muy bruscos y el nmero de trminos es
grande,
d se puede
d estimar
ti
l tendencia
la
t d i lineal
li l
ms reciente a travs del valor de la
expresin:
2
Tt -1
T =
16 0%
16.0%
22.7%
24.4%
32.4%
72.8%
31.3%
38.0%
11.6%
13.4%
29.2%
2
x (2732-2635) = 97
3-1
Curso OPP
1980
2241
2248
2144
1886
1799
2035
2209
2636
2111
2244
2196
2015
1843
1917
2122
2423
1980
2241
2248
2144
1886
1799
2035
2209
2636
2779
2921
EMA% =
3000
2750
2500
2250
2000
1750
1500
1250
1000
26.7%
18.0%
30.3%
75.7%
19.7%
36.8%
15.9%
24.6%
Ventas
1890
2088
2363
2283
2108
1615
1765
2138
2538
2732
2828
2925
EMA% =
- PMD t -1,2
Promedio Mvil Simple: Proyeccin
2
PM t -1,k - PMD t -1,2
Tt -1
k -1
1989
2226
2323
2196
1862
1690
1952
2338
2635
t -1, k
70
Promedio Mvil Simple con k=3 Promedio Mvil Simple con k=4
PM3T
PMD
Pt
EA%
PM4T PMD
Pt
EA%
1890
2088
2363
2283
2108
1615
1765
2138
2538
2732
PM
y usar este valor para pronosticar la demanda

de los periodos siguientes.
Pronstico con ajuste de Tendencia

Mes Venta
Mes Vt
Ene 1655
Feb 1875
Mar 2140
Abr 2250
May 2700
Jun 1900
Jul 1725
Ago 1220
Sep 2350
Oct 2845
Nov 2420
Dic 2930
Ene
Feb
Mar
k -1
Ene Feb Mar Abr May

Vt 165 187 214 225 270
Pt
189 208
Pt
198
Jun
190
236
224
Jul
172
228
224
Ago
122
210
214
Sep
235
161
188
Oct
284
176
179
Nov
242
213
203
Dic Ene Feb Mar

293
253 273 282 292
220 263 277 292
Mes
31.0%
PFeb = 97 + 2732 = 2828
Los valores se obtienen reemplazando las

ventas reales por la MM correspondiente
71
18
72
Aristeu De Melo
18
UNI
RUPAP
Ajustado exponencial considerando

a= 0.1 y a= 0.9
Alisado exponencial
En este mtodo, el valor de la variable en el

momento t es funcin del valor real en t-1 y
d l valor
del
l previsto
i t para t-1,
t 1 ponderados
d d por
un coeficiente:
Pt = Dt-1 + (1- ) Pt-1
o
Pt = Pt-1 + (Dt-1 Pt-1)
Este mtodo tambin es conocido como:
Mtodo
del
promedio
ponderado
exponencialmente simple
73
Mes
Ventas
Mes
Ene
F b
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Vt
1655
1875
2140
2250
2700
1900
1725
1220
2350
2845
2420
2930
1677 =0.1
1655 +PM1t,
0.1 (1875-1655)
PM1t,
0.9
Pt=0.1
EA%
Pt=0.9
EA%
1655
1677
1723
1776
1868
1872
1857
1793
1849
1948
1996
11 7%
11.7%
21.6%
23.4%
34.2%
1.7%
8.5%
52 2%
52.2%
23.7%
35.0%
19.5%
31.9%
1655
1853
2111
2236
2654
1975
1750
1273
2242
2785
2456
11 7%
11.7%
13.4%
6.2%
17.2%
39.7%
14.5%
43 4%
43.4%
45.8%
21.2%
15.1%
16.2%
EMA% =
23.9%
EMA% =
22.2% 74
Alisado exponencial:
Comparacin con datos observados
Ventas

3000
2750
2500
2250
2000
1750
1500
1250
1000
E
Ene
F b Mar
Feb
M
Vt
1655 1875 2140
Pt=0.1
1655 1677
Pt=0.9
1655 1853
Regresin de series
temporales
Ab
Abr
2250
1723
2111
M
May
2700
1776
2236
J
Jun
1900
1868
2654
J l
Jul
1725
1872
1975
A
Ago
1220
1857
1750
S
Sep
2350
1793
1273
O t
Oct
2845
1849
2242
N
Nov
2420
1948
2785
Di
Dic
2930
1996
2456
Pronstico de
la Demanda
Mes
76
75
Curso OPP
19
Aristeu De Melo
19
UNI
RUPAP
Anlisis de regresin de serie de tiempo
Anlisis de regresin de serie de tiempo
Puede definirse la regresin como una relacin funcional

entre dos o ms variables correlacionadas.
Se utiliza ppara ppronosticar una variable con base en las
otras.
Por lo general, la relacin se desarrolla a partir de datos
observados.
Primero es necesario graficar los datos para ver si
aparecen lineales o si por lo menos son linealizables.
La regresin lineal se refiere a la clase de regresin
especial en la que la relacin entre las variables forma una
recta.
Pronstico de regresin
La regresin se utiliza tanto para pronsticos de series de
tiempo
p como p
para ppronsticos de relaciones causales.
Cuando la variable dependiente (que casi siempre es el eje
vertical en una grfica) cambia como resultado del tiempo
(trazado como el eje horizontal), se trata de un anlisis de
serie temporal.
Si una variable cambia debido al cambio en otras, se trata
de una relacin causal (como el nmero de muertes
debidas al aumento de cncer pulmonar entre la gente que
fuma).
77
78
Pasos para construir el Modelo de Regresin:
Regresin de series temporales

Mtodos de anlisis de series de tiempo:
Se supone que el nico factor que controla la magnitud de la
demanda es el tiempo.
Adems del Promedio mvil (simple, con ajuste de tendencia
y ponderado,
d d etc.),
) estudiaremos
d
2 mtodos
d de
d anlisis
l
d
de
series de tiempo:
a. Regresin lineal (rectas y curvas) y,
b. Descomposicin (PMS y con Regresin).
En ambos casos, para construir un modelo hay que hacer un
anlisis de la demanda con el objetivo de identificar patrones
comportamiento que posibilite su proyeccin
bsicos en su comportamiento,
futura.
1.
2.
3.
4.
5.
80
79
Curso OPP
Modelo Terico: D= f(T)

Identificar patrones (Diagrama de Dispersin, etc.)
que faciliten
f ilit la
l construccin
t
i del
d l Modelo
M d l Matemtico
M t ti
Construir el Modelo Matemtico (recta o curva)
Fijar el Error tipo I () permitido o deseado, el Nivel
de Confianza (NC= 1 ) del pronstico y calcular
los coeficientes del Modelo Matemtico
Validar el Modelo Matemtico: El modelo debe pasar
todas las pruebas.
Si el modelo no aprueba uno o ms de los criterios
de validacin, regresar al paso 2.
20
Aristeu De Melo
20
UNI
RUPAP
Para Validar el Modelo Matemtico:

Evaluar la HO para el Coeficiente de Determinacin:
La hiptesis
p
nula ((H0:R2=0)) q
que se trata de
probar en el modelo de regresin es la de que no
existe relacin entre la VD y las VIs, es decir R2
= 0.
Ho: R2 = 0
Evaluar la Hiptesis Nula para los Coeficientes de las
VI del
VIs
d l Modelo
M d l Matemtico:
M
i
L hiptesis
La
hi
i nula
l (H0:
Ai=0) que se trata de probar en el modelo de
regresin lineal es la de que la Pendiente de cada
VI de la recta de regresin es igual a cero.
Ho: A = B = C = = 0
81
6.
7.
Usar el Modelo Matemtico para estimar los datos del

pasado, calcular el EMA% y comparar con el EMP por la
organizacin:
EMA% > EMP. Si EMA%c < EMPd, entonces Rechazar Ho
Calcular el Intervalo de Confianza (IC) del Modelo
Matemtico, utilizando en Nivel de Confianza (NC= 1 ) elegido:
ICNC=D
De Z1-/2
1 /2Se
Graficar y analizar los resultados.
Usar el modelo seleccionado para pronosticar la
demanda para el horizonte de planificacin y
monitorear la efectividad del mismo.
82
Ejemplo 1: Regresin de Serie de Tiempo
Ejemplo 1: Regresin
de Serie de Tiempo
Tarea3
Regresin de Serie
Temporal: Caso
Producto Z
Curso OPP
Pronstico
de la
Demanda
Tarea4
Regresin de Serie
Temporal: :
Caso SAPAG
La empresa GILSA quiere implementar un nuevo

sistema de planificacin y control de la produccin
para su principal lnea de producto, con el objetivo
reducir
d i costos
t de
d operacin.
i
Sin embargo, antes de tomar la decisin el Gerente
General solicit al Director de Planificacin de la
empresa, que realice un estudio con el propsito de
determinar el modelo de pronstico de la demanda
ms conveniente para la empresa.
empresa
Las ventas de la principal lnea de productos de la
empresa durante los 48 meses de los ltimos 4
aos son las siguientes:
84
83
21
Aristeu De Melo
21
UNI
RUPAP

Mes Ventas/10
SOLUCIN:
Ventas/11 Ventas/12 Ventas/13 Ventas/14
100
105
108
112
90
93
95
102
85
91
90
96
66
75
75
70
75
75
80
80
85
90
93
97
105
95
101
105
113
120
120
115
131
3
140
0
135
35
145
10
123
130
130
130
11
120
126
128
12
117
122
124
135
129
Construir un Modelo Explicativo:

1) Modelo Terico: D= F(t)
2) Analizar los Datos
3) Modelo Matemtico
4) Calcular coeficientes
5) Validar
Ho : R2 = 0
EMA% = ?
Ho : A = B = C = 0
IC95%=De ZSe
6) Graficar
7) Usar el modelo
La compaa quiere pronosticar la demanda para los

85
siguientes 12 meses del ao 2014.
86

1.
Modelo Terico: D= f(T)
2.
Identificar patrones (en el Diagrama de Dispersin,
etc.) que faciliten la construccin del Modelo
Matemtico
3.
Dt A B T C Seno(2 T/12) D Cos(2 T/12)

4.
Diagrama de Dispersin
150
140
130
120
Demand
da
110
100
90
80
70
60
50
0
Curso OPP
10
15
20
25
Mes
30
35
40
45
Construir el Modelo Matemtico:
50
87
22
Calcular los coeficientes del Modelo Matemtico, con

=5% y NC= 95%
Excel tiene una herramienta de regresin muy
poderosa diseada para realizar estos clculos.
Para utilizarla, es necesario crear una tabla que
contenga los datos del problema ajustado al modelo
matemtico
La herramienta forma parte del Complemento Anlisis
de Datos, al que se tiene acceso desde la pestaa
88
Datos
Aristeu De Melo
22
UNI
RUPAP
Para usar la herramienta, primero capture los datos

de la demanda en una columna (Ver archivo en
Excel 1. Pronostico de la Demanda.xlsx) y luego
capturar los datos de los periodos de tiempo en una
o ms columnas, de acuerdo con el modelo
matemtico.
Si es necesario debe transformar los datos de la
serie de tiempos a los requerimientos del modelo
matemtico.
Tabla 4: Capturar los datos de la demanda en una
columna y los datos de los periodos de tiempo en 1
o ms comunas, segn el modelo matemtico
Dt A B T C Seno(2 T/12) D Cos(2 T/12)

1
2
3
4
6
7
49
50
51
89
Mes T Sin(2T/12) Cos(2T/12) DReal

T
B
C
D
DReal
1
1
0.5000
0.8660
100
2
2
0.8660
0.5000
90
3
3
1.0000
0.0000
85
46 46
0.8660
0.5000
130
47 47
0.5000
0.8660
135
48 48
0.0000
1.0000
129
90
Una vez capturado los datos en dos grupos de

columnas en la hoja de clculo (ver tabla 4), entre
en la opcin Datos Anlisis de Datos
Regresin y Aceptar.
Aceptar
A continuacin aparece el cuadro de dialogo de la
figura 5.
Figura 5: Cuadro de dialogo de la Funcin
Regresin de Excel y Anlisis de regresin de
mnimos cuadrados
91
Curso OPP
92
23
Aristeu De Melo
23
UNI
RUPAP

Resumen
Estadsticasdelaregresin
Coeficientedecorrelacinmltiple
CoeficientededeterminacinR^2
R^2ajustado
Error tpico
Errortpico
Observaciones
ANLISISDEVARIANZA
Gradosde
libertad
Regresin
3
Residuos
44
Total
47
0.9683756
0.9377513
0.93350707
5 40789282
5.40789282
48
Sumade Promediodelos
Valorcrticode
F
cuadrados
cuadrados
F
19385.0191
6461.67303 220.947365 0.00000%
1286.79341
29.2453047
20671.8125
Coeficientes Errortpico Estadsticot Probabilidad Inferior95% Superior95% Inferior95.0% Superior95.0%
A
B
C
D
99.6659667 1.60996948 61.9055006

0.24067483 0.05747316 4.18760357
22.0933727 1.12452724 19.6468098
15.8132226 1.10537665 14.3057325
0.0000% 96.4212864 102.910647

0.0133% 0.12484528 0.35650438
0.0000% 24.3597085 19.827037
0.0000% 13.5854823 18.0409628
96.4212864
0.12484528
24.3597085
13.5854823
La figura 5 muestra el cuadro de dialogo de Excel

as como los resultados obtenidos con Excel.
Los rangos de las ventanas Rango Y de Entrada
($F$3:$F$51) y Rango X de Entrada ($C$3:$E$51)
deben coincidir.
En el Rango Y se debe introducir los datos de la
demanda y en Rango X los datos de la serie y sus
ajustes. Indicar tambin:
102.910647
0.35650438
19.827037
18.0409628
93
Como puede observar en los datos de salida, existe

cierta informacin proporcionada por Excel que va
ms all de lo que se estudi, pues lo que lo que se
busca son los coeficientes del modelo matemtico,
matemtico los
cuales se pueden ubicar en la columna de
coeficientes:
A= 99.665967
B= 0.240675
C -22.093373
C=
22 093373
D= 15.813223
5.
Validar el Modelo Dt= A + BT +

CSeno(2T/12) + DCos(2T/12): El
modelo debe pasar todas las pruebas. Si el modelo
no aprueba uno o ms de los criterios de
validacin, regresar al paso 2
Evaluar la Hiptesis Nula para el Coeficiente de
Determinacin:
Ho: R2 = 0. Si c < d, entonces Rechazar Ho
Como
c
d
Decisin
Ho: R2 = 0 Valor crtico de F= 0.00000% < 5% Rechazar Ho
Pt= 99.666 + 0.2407T 22.0934Seno(2T/12) + 15.8132Cos(2T/12)
95
Curso OPP
Si las 1as filas de los rangos de entradas contienen rtulos

o no,
Si la
l constante
on t nte del modelo matemtico
m temti o es
e igual
ig l a cero
eo o
no,
El NS elegido (Excel define por defecto NC= 95%)
La opcin de salida deseada: En el ejemplo se indic la
celda $R$15
Si se desea que Excel calcule y grafique los residuos
94
(Residuos= Dr De), tambin debe indicar.
96
24
Aristeu De Melo
24
UNI
RUPAP
Evaluar la Hiptesis Nula para los Coeficientes de

las Variables Independientes (VI) del Modelo
Matemtico:
Ho: A = 0.
0 Si c < d, entonces Rechazar Ho
Ho: B = 0. Si c < d, entonces Rechazar Ho
Ho: C = 0. Si c < d, entonces Rechazar Ho
Ho: D = 0. Si c < d, entonces Rechazar Ho
H o:
H o:
H o:
H o:
A=0
B=0
C=0
D=0
Como
Probabilidad=
Probabilidad=
Probabilidad=
Probabilidad=
c
0.0000%
0.0133%
0.0000%
0.0000%
<
<
<
<
d
5%
5%
5%
5%
Decisin
Rechazar Ho
Rechazar Ho
Rechazar Ho
Rechazar Ho
Usar el Modelo Matemtico para estimar los datos

del pasado, calcular el Error Medio Absoluto
Porcentual y comparar con el Error Mximo
Permitido por la organizacin:
EMA% > EMP. Si EMA%c < EMPd, entonces
Rechazar Ho
Ho: EMA% > EMP
Como EMA%c
EMPd Decisin
3.82% < 5% Rechazar Ho
97
98
Calcular el Intervalo de Confianza (IC) del

Modelo Matemtico, utilizando en Nivel de
Confianza (NC= 95%) y =5%, elegidos
previamente:
IC95%=De Z97.5%Se
donde:
De= A + BT + CSeno(2T/12) + DCos(2T/12)
Pt= 99.666 + 0.2407T 22.0934Seno(2T/12) + 15.8132Cos(2T/12)
99
Curso OPP
25
Mes T Sin(2T/12) Cos(2T/12)

T B
C
D
DReal
1 1
0.5000
0.8660
100
2 2
0.8660
0.5000
90
3 3
1.0000
0.0000
85
4 4
0.8660
0.5000
66
5 5
0.5000
0.8660
75
6 6
0.0000
1.0000
85
7 7 0.5000
0.8660
95
8 8 0.8660
0.5000
113
9 9 1.0000
0.0000
131
10 10 0.8660
0.5000
123
11 11 0.5000
0.8660
120
12 12 0.0000
1.0000
117
13 13 0.5000
0.8660
105
14 14 0.8660
0.5000
93
15 15 1.0000
0.0000
91
16 16 0.8660
0.5000
75
17 17 0.5000
0.8660
75
18 18 0.0000
1.0000
90
19 19 0.5000
0.8660
101
20 20 0.8660
0.5000
120
De
102.6
88.9
78.3
73.6
76.1
85.3
98.7
112.8
123.9
129.1
127.1
118.4
105.4
91.8
81.2
76.5
79.0
88.2
101.6
115.7
EA%
2.55%
1.20%
7.89%
11.50%
1.50%
0.35%
3.90%
0.16%
5.40%
4.97%
5.88%
1.17%
0.42%
1.28%
10.79%
1.97%
5.35%
2.02%
0.58%
3.58%
LI
92.0
78.3
67.7
63.0
65.5
74.7
88.1
102.2
113.3
118.5
116.5
107.8
94.8
81.2
70.6
65.9
68.4
77.6
91.0
105.1
LS
113.2
99.5
88.9
84.2
86.7
95.9
109.3
123.4
134.5
139.7
137.7
129.0
116.0
102.4
91.8
87.1
89.6
98.8
112.2
100
126.3
Aristeu De Melo
25
UNI
RUPAP
Ventas en unidad
des
6. Graficar y analizar los resultados.

160
150
140
130
120
110
100
90
80
70
60
7. Usar el modelo seleccionado para pronosticar la

demanda para el horizonte de planificacin y
monitorear la efectividad del mismo.
La ecuacin de los mnimos cuadrados para la
regresin es D A B T C Seno(2 T/12) D Cos(2 T/12)
Demanda Real y Prpnosticada incluyendo Li y Ls
Pt= 99.6660 + 0.2007xT 22.0934xSeno(2T/12) + 15.8132xCos(2T/12)
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58
Meses
DReal
De
LI
LS
donde
Pt = Pronstico o demanda estimada. Es decir, es la
variable dependiente calculada mediante la ecuacin
A = Constante o intercepto (Secante)
B,C y D = Pendientes de la recta
X = Periodo t
101
102
Basndose estrictamente en la ecuacin,

los 12 meses de 2013 seran:
Mes T Sin(2T/12) Cos(2T/12)
T
B
C
D
DReal
49 49
0.5000
0.8660
50 50
0 8660
0.8660
0 5000
0.5000
51 51
1.0000
0.0000
52 52
0.8660
0.5000
53 53
0.5000
0.8660
54 54
0.0000
1.0000
55 55
0.5000
0.8660
56 56
0.8660
0.5000
57 57
1.0000
0.0000
58 58
0.8660
0.5000
59 59
0.5000
0.8660
60 60
0.0000
1.0000
los pronsticos para

De EA% LI
LS
114
104 125
100
90 111
90
79 100
85
75 96
88
77 98
97
86 107
110
100 121
124
114 135
135
125 146
141
130 151
139
128 149
130
119 141
Descomposicin de una
serie de tiempo
Pronstico de
la Demanda
Tatera5
Descomposicin: Caso
Producto Z
Se puede decir, con un NC del 95%, que la demanda, por

ejemplo para enero de 2014, va estar entre 104 y 125
unidades, y que el valor ms probable ser 114 unidades. 103
Curso OPP
Tarea6
Descomposicin:
Caso SAPAG
104
26
Aristeu De Melo
26
UNI
RUPAP
Descomposicin aditiva
Descomposicin de una serie de tiempo
Puede definirse una serie temporal como datos

ordenados en forma cronolgica que pueden
contener uno o ms componentes de la demanda:
tendencia, cclico, estacional, aleatorio o
autocorrelacin.
La descomposicin de una serie temporal significa
identificar y separar los datos de la serie temporal
en estos componentes.
El mtodo de descomposicin y pronstico puede ser aditiva,
multiplicativa o mixta.
Aditiva: La aditiva simplemente supone que la cantidad

estacional es una constante sin importar cul es la tendencia
o la cantidad promedio.
Pronstico
que
incluye
tendencia y estacional =
Tendencia + Estacional
La figura A muestra un
ejemplo de una tendencia
en aumento con cantidades
estacionales constantes.
106
105
Descomposicin multiplicativa
Componentes de la demanda
En la variacin estacional multiplicativa, la tendencia se

multiplica por los factores estacionales.
Pronstico que incluye tendencia y estacional = Tendencia
Factor estacional
En un anlisis de series de tiempo pueden distinguirse

4 componentes bsicos:
1. C. Tendencias: se refiere al cambio en el largo
g
plazo del valor promedio de la demanda
El simple hecho de que la demanda est aumentando
o disminuyendo consistentemente conduce a que
cada semana, cada mes y cada ao esta misma
demanda sea diferente.
La demanda vara porque hay una tendencia y sta
podr seguir una lnea recta o cualquier otro tipo de
lnea.
La figura B muestra la
variacin
estacional
en
aumento
t
conforme
f
se
incrementa
la
tendencia
porque su tamao depende de
sta ltima.
107
Curso OPP
108
27
Aristeu De Melo
27
UNI
RUPAP
Variable
Estudiada
2. C. Cclico: es causado por el efecto

combinado de fuerzas econmicas, sociales,
polticas,
lti
t
tecnolgicas,
l i
culturales
lt l
y otras
t
existentes en el mercado.
La mayora de estos ciclos no tienen patrones
constantes
que
permitan
prever
su
ocurrencia, magnitud y duracin.
Las variaciones cclicas son aqullas que
se repiten peridicamente cada determinado
nmero de das, semanas, meses o aos.
Componente Cclico
Componente
Tendencial
Componente Aleatoria
Componente Estacional
110
Tiempo109
4. C. Aleatorio: Una variable puede tener un
comportamiento real distinto del previsible por su
lnea de tendencia y por los factores cclicos y
estacionases.
A esta desviacin de carcter no sistemtico se le
denomina componente aleatorio.
Las variaciones aleatorias son todas aquellas

variaciones que ocurren al azar y que, por
definicin, no pueden predecirse.
Ej
Ejemplos:
l
V i i
Variaciones
provocadas
d
por eventos
t
no
esperados (ciclones, terremotos), por cambios en
los gustos de los consumidores o por la
irregularidad misma de los hbitos de compra de
los consumidores.
3. C. Estacional: Al Contrarios a los componentes

cclicos, los componentes estacionales, exhiben
fluctuaciones que se repiten en forma peridica y
que normalmente dependen de factores como el
clima (ropa de verano) y la tradicin (tarjetas de
Navidad), entre otros.
Las variaciones estacionales son un tipo especial
de variacin cclica, para la cual el ciclo es igual a un
ao.
Las variaciones estacionales se observan siempre en
los mismos meses o estaciones del ao
112
111
Curso OPP
28
Aristeu De Melo
28
UNI
RUPAP
Mtodo de Descomposicin
Paso 1: Crear una Tabla de DESCOMPOSIN y

ordenar los datos de la demanda por da, semana, mes,
trimestre, etc.. Definir en nmero de trminos (k) del
PMS y calcular el PMSk.
La ubicacin de los PMSk de ser exacta: El primer PMSk
debe ser ubicado en la fila k/2. El ltimo PMSk debe
ubicado en la fila k(n)-k/2.
Paso 2: Calcular el PMCt = ((PMkt + PMkt
kt-1
1))/2.
La ubicacin de los PMCt debe ser exacta: El primer
PMCt en la fila k/2 + 1 y el ltimo en la fila k(n) - k/2.
1.
2.
3
3.
4.
Paso 3: Calcular la TENDENCIA con los datos del PMC

(TPMC) para cada perodo utilizando un modelo de
regresin.
Modelo Terico: TPMC= f(T)
Identificar patrones (en el Diagrama de Dispersin, etc.)
que faciliten la construccin del Modelo Matemtico
Construir el Modelo Matemtico (recta o curva)
Fijar el Error tipo I () permitido o deseado, el Nivel de
Confianza (NC= 1 ) del pronstico y calcular los
coeficientes del Modelo Matemtico
113
114
5.
Validar el Modelo Matemtico: El modelo debe pasar

todas las pruebas. Si el modelo no aprueba uno o ms de
los criterios de validacin, regresar al paso2:
Evaluar la Ho para el R2: La hiptesis nula (H0:R2=0) que se

trata de
d probar
b en ell modelo
d l de
d regresin
i es la
l de
d que no existe
relacin entre la VD y las VIs, es decir R2 = 0.
Ho: R2 = 0
Evaluar la Ho para los Coeficientes de las Variables
Independientes (VI) del Modelo Matemtico: La hiptesis nula
(H0: Ai=0) que se trata de probar en el modelo de regresin lineal
es la de que la Pendiente de cada VI de la recta de regresin es
igual a cero.
Ho: A = B = C = = 0
Usar los coeficientes para definir la ecuacin y estimar el
Componente Tendencia.
115
Curso OPP
29
Paso 4: Calcular el FC para cada dato de la serie de

tiempo: Ct= PMCt/TPMCt
Paso 5: Ordenar cada FCt en una tabla de k filas y n +2
columnas
l
(k es ell nmero de
d trminos
i
d l PMS y n es ell
del
nmero de periodos de la serie):
La ubicacin debe ser exacta: El primer Ct de ser ubicado
en la fila k/2 + 1 del primer periodo. El ltimo Ct en la
primera fila del ltimo periodo.
Nombrar las dos ltimas columnas con los nombres: FC y
FCC.
Agregar una fila al final para la suma de los k trminos de
los n periodos.
Agregar una fila y una columna para encabezado de la
116
tabla
Aristeu De Melo
29
UNI
RUPAP
1
2
k-1
k
n-1
FC
FCC
Calcular el Factor Cclico medio (FC) como el

promedio de cada fila.
Al final obtendr k factores cclicos medios (FC).
Sumar los k factores cclicos medios (FC) de la
columna FC.
117
Paso 10: Elaborar el pronstico para cada perodo

t sobre la base de la siguiente relacin:
Pt = Pronstico ppara el pperiodo t = TPMCt x FCCt x IECt
TPMCt = Componente de tendencia del perodo t

FCCt = Factor cclico corregido del perodo t
IECt = Factor de estacionalidad corregido del
perodo t
119
Curso OPP
Paso 6: Calcular los FCCt, dividiendo cada factor cclico

medio (FC) por el total de la columna FC y
multiplicndolo por el nmero de trminos K. Trasladar los
k FCCt a la Tabla de DESCOMPOSICIN,
y ubicarlos
en las k(n+1) filas segn corresponda.
Paso 7: Calcular el E para cada periodo: Et= Drt/PMCt
Paso 8: Ordenar cada Et en una tabla de k filas y n+2
columnas (k es el nmero de trminos del PMS y n es el
nmero de periodos de la serie). Ver el paso 5.
Paso 9: Calcular el IECt, dividiendo cada IE por el total de
la columna IE y multiplicndolo por K. Trasladar los k
IECt a la Tabla de DESCOMPOSICIN, y ubicarlos en las
k(n+1) filas segn corresponda.
118
Paso 11: Calcular el EMA%, el IC y Graficar:

Estimar los datos del pasado, calcular el EMA% y
comparar con el EMP por la organizacin:
EMA% > EMP. Si EMA%c < EMPd, entonces Rechazar Ho
Calcular el IC, utilizando en NS (NC= 1 - ) elegido:
ICNC=(TPMCt Z1-/2Se) x FCCt x IECt
Paso 12: Usar el modelo para gestionar la demanda:
Usar el modelo seleccionado para pronosticar la demanda
para el horizonte de planificacin y monitorear la
efectividad del mismo.
120
30
Aristeu De Melo
30
UNI
RUPAP
Ejemplo 2: Ventas de Laptops
La tabla siguiente proporciona la informacin de las ventas

mensuales de Laptops de la empresa X, que se encuentra ubicada
cerca de dos universidades.
Las ventas muestran un patrn de estacionalidad,
estacionalidad con los valores ms
altos cuando las universidades se encuentran en funcionamiento y
decrece durante los meses en que las unidades se encuentran de
vacaciones interanuales.
Con estos datos la empresa X desea pronosticar la demanda mensual
de Laptops para el ao 2014
DatosmensualesdeventasdeLaptop
Datos
mensuales de ventas de Laptop'ss (unidades)
Mes
2011
2012
2013
1
80
85
105
2
70
85
85
3
80
93
82
4
90
95
115
5
113
125
131
6
110
115
120
7
100
102
113
8
88
102
110
9
85
90
95
Solucin Ejemplo 2: Ventas de Laptops
Paso 1: Los datos estn ordenados en una tabla de 48 filas

(12 meses por 3 aos de datos + 12 meses para el
pronstico: ver Tabla DESCOMPOSICIN).
El PMS deber ser de 12 trminos (k=12). Luego se
calcula el PMS12
El primer PMS12 est en la fila 12/2= 6.
El ltimo PMS12 est en la fila 12(3)-12/2= 30. (ver Tabla
Descomposicin
p
en el ppaso 3))
Paso 2: Calcular el PMCt = (PMS12t + PMS12t-1)/2.
El primer PMC est en la fila 12/2 +1 = 7 y el ltimo est
en la fila 12(3) 12/2= 30.
Ver Tabla Descomposicin en el paso 3.
121
122
Paso 3: Calcular la TENDENCIA con los datos del PMC

(TPMC) para cada perodo utilizando un modelo de
regresin.
Pasos para construir el Modelo de Regresin (Recta o
C
Curva):
)
Modelo Terico: TPMC= f(T)
Identificar patrones (en el Diagrama de Dispersin, etc.)
que faciliten la construccin del Modelo Matemtico
3. Construir el Modelo Matemtico (recta o curva)

TPMC = A + BT + CT2 + DT3
4. Calcular los coeficientes del Modelo Matemtico, con
=5%
5% y NC=
NC 95%
a. Ordenar los datos de la demanda en una columna (Ver
archivo en Excel 1. Pronostico de la Demanda.xlsx) y
luego transformar los datos de los periodos de tiempo,
generando las 3 variables T, T2 y T3, de acuerdo con el
modelo matemtico:
Ventas de Laptop's (unidad

des)
Diagrama de Dispersin PMC

102
100
98
96
94
92
90
88
86
0
10
15
20
25
30
35
Meses
123
Curso OPP
124
31
Aristeu De Melo
31
UNI
RUPAP

B
T
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
C
T2
1
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
289
324
361
D
T3
1
8
27
64
125
216
343
512
729
1000
1331
1728
2197
2744
3375
4096
4913
5832
6859
Ventas
Descomposicin
Dr PM12 PMC TPMC Ct FCC Et
80
70
80
90
113
110
100
88
85
77
75
82
85
85
93
95
125
115
102
88
88
89
90
91
92
92
92
93
94
94
94
93
95
IEC
88
89
90
90
91
92
92
93
94
94
94
94
94
IC95%
Pt EA% Li Ls
B
T
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
125

B
T
39
40
41
42
43
44
45
46
47
48
C
D
Ventas
Descomposicin
T2
T3
1521 59319
1600 64000
1681 68921
1764 74088
1849 79507
1936 85184
2025 91125
2116 97336
2209 103823
2304 110592
IEC
D
T3
8000
9261
10648
12167
13824
15625
17576
19683
21952
24389
27000
29791
32768
35937
39304
42875
46656
50653
54872
Ventas
Descomposicin
102 95 95
90
94 95
78
96 95
72
96 96
78
97 96
105 98 97
85
98 98
82
99 98
115 99 99
131 100 100
120 100 100
IEC
IC95%
Pt EA% Li Ls
113
110
95
85
83
80
126

b. Calcular los coeficientes A, B, C y D del modelo
TPMC = A + BT + CT2 + DT3:
IC95%
Pt EA% Li Ls
127
Curso OPP
C
T2
400
441
484
529
576
625
676
729
784
841
900
961
1024
1089
1156
1225
1296
1369
1444
128
32
Aristeu De Melo
32
UNI
RUPAP
b. Calcular los coeficientes A, B, C y D del modelo
Resumen
Coeficientedecorrelacinmltiple 0.995499018
CoeficientededeterminacinR^2 0.991018295
R^2ajustado
0.989671039
Errortpico
0.347941338
Observaciones
24
Los coeficientes A, B, C y D del modelo TPMC = A + BT

+ CT2 + DT3 pueden ser ubicados en la columna de
coeficientes de la tabla anterior:
A
B
C
D
ANLISISDEVARIANZA
Gradosde
Sumade Promediode
Valorcrtico
F
libertad
cuadrados loscuadrados
deF
Regresin
3
267.1559934 89.0519978 735.582871
0.0000%
Residuos
20
2.421263499 0.12106317
Total
23
269.5772569
Coeficientes
Errortpico
76.31896121
1.407715111
54.2147773
0.0000%
73.382519
79.2554035
73.382519
79.2554035
2.278949566
0.266281984
8.55840688
0.0000%
1.72349508
2.83440405
1.72349508
2.83440405
0.01536397
6.87642319
0.0001%
0.13769784
0.07360048
0.13769784
0.07360048
0.000275205
6.87954102
0.0001%
0.00131922
0.00246735
0.00131922
0.00246735
129
C 0.105649162
D
0.001893283
Estadsticot
Probabilidad
Inferior95%
Coeficientes
Intercepcin 76.31896121
Variable X 1 2.278949566
Variable X 2 -0.105649162
Variable X 3 0.001893283
Superior95% Inferior95.0% Superior95.0%
130
5. Validar el Modelo Matemtico: El modelo debe pasar

todas las pruebas. Si el modelo no aprueba uno o ms de
los criterios de validacin, regresar al paso2:
Evaluar la Hiptesis Nula
para el Coeficiente de
Determinacin:
Como
c
d Decisin
Valor
Ho: R2 = 0 crtico 0.00000% < 5% Rechazar Ho
de F=
Evaluar la Hiptesis Nula para los Coeficientes de las VIs

del Modelo TPMC = A + BT + CT2 + DT3:
Ho: A = 0. Si c < d, entonces Rechazar Ho
Ho: B = 0.
0 Si c < d, entonces
t
R h
Rechazar
Ho
H o:
H o:
H o:
H o:
A=0
B=0
C=0
D=0
Como
Probabilidad=
Probabilidad=
Probabilidad=
Probabilidad=
c
0.0000%
0.0000%
0.0001%
0.0001%
<
<
<
<
d
5%
5%
5%
5%
Decisin
Rechazar Ho
Rechazar Ho
Rechazar Ho
Rechazar Ho
Usar la ecuacin para estimar la Tendencia TPMC:

TPMC = 76.31896121 + 2.278949566T - 0.105649162T2 + 0.001893283T3
131
Curso OPP
132
33
Aristeu De Melo
33
UNI
RUPAP
Paso 4: Calcular el Factor Cclico para cada dato de la

serie de tiempo: Ct= PMCt/TPMCt
B
T
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
C
D Ventas
Descomposicin
T2
T3
Dr PM12T PMC TPMC Ct
FCC
Et
1
1
80
78
1.001
4
8
70
80
1.003
9
27
80
82
1.005
16
64
90
84
1.003
25
125
113
85
1.000
36
216
110
88
87
0.994
49
343
100
88 88 88 0.9996 0.998 1.1401
64
512
88
89 89 89 0.9976 1.000 0.9939
81
729
85
90 90 90 1.0006 0.997 0.9475
100 1000
77
91 90 90 1.0002 0.997 0.8512
121 1331
75
92 91 91 1.0005 1.001 0.8227
144 1728
82
92 92 92 1.0016 1.001 0.8925
169 2197
85
92 92 92 0.9991 1.001 0.9222
196 2744
85
93 93 93 1.0013 1.003 0.9156
225 3375
93
94 94 93 1.0054 1.005 0.9933
256 4096
95
94 94 93 1.0041 1.003 1.0120
289 4913 125
94 94 94 0.9996 1.000 1.3327
324 5832 115
93 94 94 0.9931 0.994 1.2299
361 6859 102
95 94 94 0.9968 0.998 1.0832
IC95%
IEC Pt EA% Li Ls
1.002
0.892
0.913
1.087
1.323
1.214
1.112
1.034
0.950
0.837
0.786
0.851
1.002
0.892
0.913
1.087
1.323
1.214
1.112
133
B C
T T2
20 400
21 441
22 484
23 529
24 576
25 625
26 676
27 729
28 784
29 841
30 900
31 961
32 1024
33 1089
34 1156
35 1225
36 1296
37 1369
38 1444
39 1521
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Suma
Curso OPP
1 000
1.000
0.998
1.001
1.000
1.000
1.002
6.000
2
0.999
1.001
1.005
1.004
1.000
0.993
0 997
0.997
1.002
0.994
0.994
1.001
1.001
11.992
3
1.003
1.005
1.004
1.001
1.000
0.995
6.008
FC
1.001
1.003
1.005
1.003
1.000
0.994
0 998
0.998
1.000
0.997
0.997
1.001
1.001
12.000
D Ventas
Descomposicin
T3
Dr PM12T PMC TPMC Ct
FCC
Et
8000 102
95 95 95 1.0023 1.000 1.0737
9261
90
94 95 95 0.9939 0.997 0.9520
10648 78
96 95 95 0.9941 0.997 0.8218
12167 72
96 96 96 1.0012 1.001 0.7500
13824 78
97 96 96 1.0013 1.001 0.8086
15625 105
98 97 97 1.0029 1.001 1.0811
17576 85
98 98 97 1.0050 1.003 0.8681
19683 82
99 98 98 1.0037 1.005 0.8328
21952 115
99 99 99 1.0010 1.003 1.1621
24389 131 100 100 100 0.9998 1.000 1.3138
27000 120 100 100 101 0.9953 0.994 1.1970
29791 113
102
0.998
32768 110
103
1.000
35937 95
105
0.997
39304 85
106
0.997
42875 83
108
1.001
46656 80
110
1.001
50653
112
1.001
54872
114
1.003
59319
117
1 005
IC95%
IEC Pt EA% Li Ls
1.034
0.950
0.837
0.786
0.851
1.002
0.892
0.913
1.087
1.323
1.214
1.112
1.034
0.950
0.837
0.786
0.851
1.002
0.892
134
0 913
Paso 5: Los 24 Factores Cclicos Ct ordenados segn

instrucciones y los 12 FC promedios se muestran en la
tabla siguiente: K/2 +1 = 12/2 +1= 7
1
Paso 4: Calcular el Factor Cclico para cada dato de la

serie de tiempo: Ct= PMCt/TPMCt
FCC
Paso 6: Se calcul un factor cclico corregido (FCCt) para cada mes

del ao, dividiendo cada factor cclico medio (FC) por el total de la
columna FC y multiplicndolo por el nmero de trminos 12.
Los 12 FCCt fueron trasladados a la Tabla de DESCOMPOSICIN,
y ubicarlos en las 48 filas segn corresponde.
FC
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Suma
135
34
1.000
0.998
1.001
1.000
1.000
1.002
6.000
2
0.999
1.001
1.005
1.004
1.000
0 993
0.993
0.997
1.002
0.994
0.994
1.001
1.001
11.992
3
1.003
1.005
1.004
1.001
1.000
0 995
0.995
6.008
FC
1.001
1.003
1.005
1.003
1.000
0 994
0.994
0.998
1.000
0.997
0.997
1.001
1.001
12.000
FCC
1.001
1.003
1.005
1.003
1.000
0 994
0.994
0.998
1.000
0.997
0.997
1.001
1.001
12.000
136
Aristeu De Melo
34
UNI
RUPAP
Paso 7: Calcular el ndice de Estacionalidad para cada

periodo: Et= Drt/PMCt
Paso 8: Los 24 ndice de Estacionalidad Et ordenados
segn instrucciones y los 12 IE promedios se muestran en
la tabla siguiente:
IE
Ene
Feb
Mar
Abr
May
J
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Suma
1.140
0.994
0.948
0.851
0.823
0.893
5.648
2
0.922
0.916
0.993
1.012
1.333
1 230
1.230
1.083
1.074
0.952
0.822
0.750
0.809
11.895
3
1.081
0.868
0.833
1.162
1.314
1 197
1.197
IE
IEC
1.002
0.892
0.913
1.087
1.323
1 213
1.213
1.112
1.034
0.950
0.836
0.786
0.851
6.455 11.999
Paso 9: Se calcul un IECt para cada mes del ao,

dividiendo cada IE medio por el total de la columna IE y
multiplicndolo por el nmero de trminos 12.
Los 12 IECt fueron trasladados a la Tabla de
DESCOMPOSICIN, y ubicarlos en las 48 filas segn
IE
1
2
3
IE
IEC
corresponde
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Suma
137
EA%
1.61%
2.86%
5.68%
1.56%
0.12%
5.01%
2 62%
2.62%
4.27%
0.09%
2.02%
4.37%
4.71%
8.83%
2.41%
1.081
0.868
0.833
1.162
1.314
1.197
1.002
0.892
0.913
1.087
1.323
1.213
1.112
1.034
0.950
0.836
0.786
0.851
6.455 11.999
1.002
0.892
0.913
1.087
1.323
1.214
1.112
1.034
0.950
0.837
0.786
0.851
12.000
138
Paso 10: El pronstico para cada perodo t sobre la base

de la siguiente relacin: Pt = TPMCtFCCtIECt se muestra
a continuacin:
A C
D Ventas
Descomposicin
T T2
T3
Dr PM12 PMC TPMC Ct
FCC
Et
IEC Pt
1 1
1
78
1.001
1.002 79
80
2 4
8
80
1.003
0.892 72
70
3 9
27
82
1.005
0.913 75
80
4 16
64
84
1.003
1.087 91
90
5 25 125
85
1.000
1.323 113
113
6 36 216
87
0.994
1.214 104
110 88
7 49 343
0 9996 0.998
0 998 1.1401
1 1401 1.112
1 112 97
100 88 88 88 0.9996
8 64 512
89 89 89 0.9976 1.000 0.9939 1.034 92
88
9 81 729
90 90 90 1.0006 0.997 0.9475 0.950 85
85
10 100 1000
91 90 90 1.0002 0.997 0.8512 0.837 75
77
11 121 1331
92 91 91 1.0005 1.001 0.8227 0.786 72
75
12 144 1728
92 92 92 1.0016 1.001 0.8925 0.851 78
82
13 169 2197
92 92 92 0.9991 1.001 0.9222 1.002 93
85
14 196 2744
93 93 93 1.0013 1.003 0.9156 0.892 83
85
Curso OPP
1.140
0.994
0.948
0.851
0.823
0.893
5.648
0.922
0.916
0.993
1.012
1.333
1.230
1.083
1.074
0.952
0.822
0.750
0.809
11.895
A
T
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
IC95%
Li Ls
78 79
71 73
75 76
91 92
112 114
104 105
97 98
91 92
84 86
75 76
71 72
78 79
92 93
82 13984
35
C
T2
225
256
289
324
361
400
441
484
529
576
625
676
729
784
841
900
961
D Ventas
Descomposicin
T3
Dr PM12 PMC TPMC Ct
FCC
Et
IEC Pt
3375
94 94 93 1.0054 1.005 0.9933 0.913 85
93
4096
94 94 93 1.0041 1.003 1.0120 1.087 102
95
4913 125 94 94 94 0.9996 1.000 1.3327 1.323 124
5832 115 93 94 94 0.9931 0.994 1.2299 1.214 114
6859 102 95 94 94 0.9968 0.998 1.0832 1.112 105
8000 102 95 95 95 1.0023 1.000 1.0737 1.034 98
9261
94 95 95 0.9939 0.997 0.9520 0.950 90
90
10648 78
96 95 95 0.9941 0.997 0.8218 0.837 80
12167 72
96 96 96 1.0012 1.001 0.7500 0.786 75
13824 78
97 96 96 1.0013
1 0013 1.001
1 001 0.8086
0 8086 0.851
0 851 82
15625 105 98 97 97 1.0029 1.001 1.0811 1.002 97
17576 85
98 98 97 1.0050 1.003 0.8681 0.892 87
19683 82
99 98 98 1.0037 1.005 0.8328 0.913 90
21952 115 99 99 99 1.0010 1.003 1.1621 1.087 108
24389 131 100 100 100 0.9998 1.000 1.3138 1.323 132
27000 120 100 100 101 0.9953 0.994 1.1970 1.214 122
29791 113
102
0.998
1.112 113
IC95%
EA% Li Ls
8.15% 85 86
7.26% 101 103
0.69% 123 125
1.22% 113 114
2.78% 104 106
3.93% 97 99
0.11% 89 91
2.12% 79 80
4.81% 75 76
5 21% 81 83
5.21%
7.51% 96 98
2.56% 87 88
9.74% 89 91
6.30% 107 108
0.72% 131 133
1.27% 121 122
0.02% 112140
114
Aristeu De Melo
35
UNI
RUPAP

A C
D Ventas
Descomposicin
T T2
T3
Dr PM12 PMC TPMC Ct
FCC
32 1024 32768 110
103
1.000
33 1089 35937 95
105
0.997
34 1156 39304 85
106
0 997
0.997
35 1225 42875 83
108
1.001
36 1296 46656 80
110
1.001
37 1369 50653
112
1.001
38 1444 54872
114
1.003
39 1521 59319
117
1.005
40 1600 64000
120
1.003
68 689
68921
123
3
1.000
000
41 1681
42 1764 74088
126
0.994
43 1849 79507
129
0.998
44 1936 85184
133
1.000
45 2025 91125
137
0.997
46 2116 97336
142
0.997
47 2209 103823
147
1.001
48 2304 110592
152
1.001
Et
IC95%
IEC Pt EA% Li Ls
1.034 107 3.11% 106 107
0.950 99 4.21% 98 100
0 837 88 4.11%
0.837
4 11% 88 89
0.786 85 2.26% 84 85
0.851 94 16.89% 93 94
1.002 112
112 113
0.892 102
102 103
0.913 107
107 108
1.087 130
130 131
1.323
3 3 162
6
161
6 163
63
1.214 152
151 153
1.112 144
143 144
1.034 138
137 139
0.950 130
130 131
0.837 118
118 119
0.786 115
115 116
0.851 129
129141
130
Como EMA%c
EMPd Decisin
Ho: EMA% > EMP
Ventas Reales, Simulacin y Pronstico
Mes
La ecuacin de la tendencia es:

TPMC = 76.31896121 + 2.278949566T - 0.105649162T2 + 0.001893283T3
Ventas
170
160
150
140
130
120
110
100
90
80
70
60
El IC, fue calculado utilizando la siguiente informacin:

NC= 95% y = 5%.
IC95%=(TPMCt Z97.5%Se)FCCtIECt
142
Paso 11: Calcular el EMA%, el IC y Graficar los

resultado:
Estimar los datos del pasado, calcular el EMA% y
comparar con el EMP por la organizacin:
EMA% > EMP. Si EMA%c < EMPd, entonces Rechazar
Ho
Dr
Pt
Li
Ls
La ecuacin para el pronstico es:

Pt =TPMCtFCCtIECt
TPMCt = Componente de tendencia del perodo t
FCCt = Factor cclico corregido del perodo t
IECt = Factor de estacionalidad corregido del perodo t
Paso 12: Usar el modelo para gestionar la demanda:

Usar el modelo seleccionado para pronosticar la demanda
para el horizonte de planificacin y monitorear la
efectividad del mismo.
143
Curso OPP
144
36
Aristeu De Melo
36
UNI
RUPAP
3. Pronstico de Relaciones Causales
T
37
38
39
40
41
42
43
44
45
46
47
48
Basndose estrictamente en la ecuacin, los pronsticos

para los 12 meses de 2013 seran
C
T2
1369
1444
1521
1600
1681
1764
1849
1936
2025
2116
2209
2304
Pronstico
de la
Demanda
D
Ventas
Descomposicin
IC95%
T3
Dr PM12T PMC TPMC Ct FCC Et IEC Pt EA% Li Ls
50653
112
1.001
1.002 112
112 113
54872
114
1.003
0.892 102
102 103
59319
117
1.005
0.913 107
107 108
64000
120
1.003
1.087 130
130 131
68921
123
1.000
1.323 162
161 163
74088
126
0.994
1.214 152
151 153
79507
129
0.998
1.112 144
143 144
85184
133
1.000
1.034 138
137 139
91125
137
0.997
0.950 130
130 131
97336
142
0.997
0.837 118
118 119
103823
03823
147
1.001
00
0 86 115
0.786
115 116
6
110592
152
1.001
0.851 129
129 130
Se puede decir, con un nivel de confianza del 95%, que la

demanda, por ejemplo para enero de 2014, va estar entre
112 y 113 Laptops, y que el valor ms probable ser 112
145
unidades.
146
Pronstico de Relaciones Causales
Para que un pronstico sea de valor, cada variable

independiente debe ser un indicador gua.
Por ejemplo, es de esperar que un periodo de lluvias
ms prolongado aumente la venta de paraguas y
gabardinas.
La lluvia provoca la venta de artculos personales
para este clima.
Se trata de una relacin causal en la que una
ocurrencia causa otra.
Si se sabe del elemento de causa con mucha
anticipacin, se puede usar como base para el
pronstico.
Relacin causal
El primer paso del pronstico de una relacin causal es
encontrar las ocurrencias que realmente sean la causa.
Muchas
M h veces los
l indicadores
i di d
gua
no son relaciones
l i
causales
l
sino que indican, de cierta forma indirecta, que podran
ocurrir otras cosas.
Otras relaciones no causales simplemente parecen existir
como una coincidencia.
Hace unos aos se demostr en un estudio que la cantidad
de alcohol vendido en Suecia era directamente proporcional al
salario de los maestros.
Se cree que era una relacin espuria (falsa).
147
Curso OPP
148
37
Aristeu De Melo
37
UNI
RUPAP
Mtodos Causales
Mtodos Causales:
Los modelos causales de uso ms frecuentes son:
El Modelo Economtrico
El Mtodo de Encuestas de Intencin de Compra
p
El Modelo de Insumo Producto
El Modelo de Regresin
La demanda de un bien o servicio depende de muchos
factores que explican el comportamiento del cliente a travs
del tiempo:
Estos factores explicativos se definen como VIs y la cantidad
demandada se define como VD
Los valores de las VIs pueden ser dados.
Los valores de la VD deben obtenerse por medio de
muestreo.
149
Mtodos Causales
Mtodos Causales
Modelo economtrico:
Es una prolongacin del anlisis de regresin.
El
siguiente modelo estima la demanda de un
producto, partiendo del supuesto de que el precio se
d t
determina
i
por la
l interaccin
i t
i
d la
de
l oferta
f t y la
l
demanda. El modelo define:
Donde:
Qd = Qo + I + M X
Qd: Cantidad Demandada
Qd =F(P, NA, PS,...),
Qo: Cantidad Ofertada
I: (In In-1): Cambio en el Inventario de PT
Qo = F(P, CP, CF,...),
M: Nivel de Importacin
I = F( Qo, P, PE),
X: Nivel de Exportacin
M = F(PM, P,...),
P: Precio del producto
NA: Nivel de actividad
X = F(PX, P,...)
PS: Precio de Producto Sustituto
Consumo RealPC:
CP: Capacidad de Produccin
QdPC=(Qo+I+MX)/H
PE: Precio Esperado del Producto
Consumo AparentePC:
QdPC= (Qo + M X)/H
Curso OPP
CF: Costo de los Factores de Produccin

PM: Precio de Importacin
PX: Precio de Exportacin
Supuestos de los modelos causales: Hay una relacin

de causa y efecto estables y predecibles de las
variables que afectan el comportamiento de la
demanda
Estos mtodos se usan con frecuencia para construir
modelos explicativos del comportamiento del Mercado
que son muy tiles en el Anlisis Histrico de la
demanda.
Los modelos de Series de Tiempo son un tipo
particular de modelos causales.
Parten del supuesto que el comportamiento futuro del
mercado puede ser explicado en gran parte por el
transcurso del tiempo.
Requiere mucha informacin histrica confiable y
completa.
150
Mtodos causales:
Son aqullos que consideran otras variables adems del
tiempo, u otras variables en vez del tiempo.
Los mtodos causales pueden clasificarse en:
a. Regresin lineal simple: Cuando se considera una sola
variable independiente que no sea el tiempo.
b. Regresin lineal mltiple: Cuando se considera ms de
una variable (una de ellas puede ser el tiempo).
c. Regresin no lineal.
151
152
38
Aristeu De Melo
38
UNI
RUPAP
Anlisis de regresin
El anlisis de regresin es un mtodo de pronstico muy

utilizado. Por ejemplo, en el campo del mobiliario
domstico, los efectos del nmero de matrimonios,
g
disponible
p
y tendencias
construccin de viviendas,, ingreso
puede expresarse en una ecuacin de regresin mltiple
como: S = B + Bm(M) + Bh(H) + Bi(I) + Bt(T), donde
Construccin de modelos de pronstico

utilizando Anlisis de Regresin
S = Ventas brutas anuales

B = Ventas de base, a partir del que otros factores ejercen una
influencia
M = Matrimonios durante el ao
H = Construccin de viviendas durante el ao
I = Ingreso personal disponible anual
T = Tendencia temporal (primer ao = 1, segundo = 2, tercero =
3, etctera)
Bm, Bh, Bi y Bt representan la influencia en las ventas esperadas
del nmero de matrimonios y construccin de viviendas, ingreso
y tendencia.
153
154
Proceso de Pronostico
1. Identificar el objetivo del
pronstico y construir el
modelo terico
4. Construir el
modelo matemtico
de pronstico
2. Recopilar datos
histricos y/o
transversales
3. Graficar datos e
identificar patrones
5. Calcular los coeficientes

del modelo de pronstico
6. Validar y Evaluar la
exactitud del pronstico
con diferentes mtodos
8. Ajustar
j
los parmetro
p
del modelo o
Cambiar el modelo de pronstico
No
La construccin del modelo tiene 7 etapas:

Construir el modelo terico, identificando las
variables que causan mayor impacto en el
comportamiento del mercado.
mercado
La identificacin de las variables debe estar
fundamentado en el conocimiento cientfico y
en la observacin practica del comportamiento
de las variables
D = f(PNB,
f(PNB Yd,
Yd PEA,
PEA Poblacin,
Poblacin etc.)
etc )
Dhelados = f(P , P
,T
, Tiempo, etc.)
Dmuebles = f(P
, I , No
, No
,
etc.)
1.
7. La exactitud
ddell pronstico
ti es
aceptable ?
recio
Si
9. Pronosticar el
prximo
perodo
Curso OPP
10. Ajustar el pronstico

con informacin cualitativa
adicional o subjetividad
recio
11. Monitorear
resultados y medir
155
exactitud del pronstico
oblacin
ngreso
emp media del verano
de Viviendas nuevas
de matrimonios
156
39
Aristeu De Melo
39
UNI
RUPAP
4.
2. Recopilar los Datos Histricos de las variables y

graficar las VIS vs la VD
3 Determinar
3.
D t
i
ell tipo
ti de
d relacin
l i matemtica
t ti que existe
i t
entre las variables causales y la demanda con el
propsito de construir los modelos matemticos que
mejor se ajustan a los datos.
Observando el comportamiento de la demanda como
p
a un cambio en cada variable
respuesta
independiente, manteniendo las dems fijas, se
puede establecer la relacin matemtica entre
ambas (Diagrama de Dispersin, Elasticidad,
Coeficiente de correlacin, R2).
5.
6.
157
Estado
Decisin
H0 es Falsa
(H1 es Verdadera)
Accin Correcta:
Error Tipo II:
Aceptar
Prob = 1 -
Prob =
H0
Nivel de Confianza Error del Consumidor
Accin Correcta:
Error Tipo I: Prob =
Rechazar
Prob = 1 -
Error del Productor
H0
Nivel de Significacin Potencia de la Prueba
Los parmetros de la regresin, una vez tipificados, siguen

una distribucin f (para R2) o t (para Ai) es posible
construir intervalos de confianza para los mismos con un
)
determinado nivel de confianza ((95%,, 99%,, etc).
Si el cero no est contenido en el intervalo de confianza
construido para el parmetro estimado se rechaza la hiptesis
nula y se puede decir que la estimacin del parmetro es
significativa a un nivel del 5%.
Estado
Decisin
AceptarHo
RechazarHo
Curso OPP
Ho esVerdadera
AccinCorrecta:
Prob=1
NiveldeConfianza
ErrorTipoI:Prob=
ErrordelProductor
Nivel de Significacin
Ho esFalsa(H1es
Verdadera)
ErrorTipoII:
Prob=
ErrordelConsumidor
AccinCorrecta:
Prob =1
159
Potencia de la Prueba
158
Construir el Modelo Matemtico (recta o curva).

Fijar el Error tipo I () permitido o deseado, el Nivel de
Confianza (NC= 1 ) del pronstico y calcular los
coeficientes del Modelo Matemtico.
Validar
lid ell modelo:
d l Hacer simulaciones
i l i
y usar criterios
i i tales
l
como: Coeficiente de correlacin, R2=0, Ai=0, Ed, Eo, EI,
EMA%, IC=De ZxSe, etc.. Si el modelo no aprueba uno o
ms de los criterios de validacin, regresar al paso 2
Evaluar la HO para R2: La hiptesis nula (H0:R2=0) que se
trata de probar en el modelo de regresin es la de que no
existe relacin entre la VD y las VIs, es decir R2 = 0.
H o: R 2 = 0
Evaluar la HO para los Coeficientes de las VIs del Modelo
Matemtico: La hiptesis nula (H0: Ai=0) que se trata de
probar en el modelo de regresin lineal es la de que la
Pendiente de cada VI de la regresin es igual a cero.
H o: A = B = C = = 0
H0 es Verdadera
es la probabilidad de cometer un Error Tipo I: Rechazar

H0 siendo esta VERDADERA.
es el nivel de importancia o el nivel con el que se desea
evaluar los valores crticos de la Distribucin F.
es la probabilidad de cometer un Error Tipo II: Aceptar
H0 siendo esta FALSA.
160
40
Aristeu De Melo
40
UNI
RUPAP

7.
Ejemplo 3
Pronstico con el uso de una relacin causal
Un promotor inmobiliario dispone de los siguientes
datos, que fueron extrados al azar de una muestra
de 11 edificios de oficinas entre 1500 edificios:
Usar el Modelo Matemtico para estimar los datos

del pasado, calcular el EMA% y comparar con el
EMP por la organizacin:
Rechazar Ho
Calcular el IC del Modelo Matemtico, utilizando en
Nivel de Confianza (NC= 1 - ) elegido:
ICNC=D
De Z1-/2Se
Efectuar el pronstico e implantar un SIG para
retroalimentar el modelo
reao
Superficie(m2)
2310
2333
2356
2379
2402
2425
2448
2471
2492
2517
2540
Nmero Nmerodeentradaso Antigedaddel

de
accesosparalas
edificio
oficinas
entregas
(aos)
2
2
20
2
2
12
3
1.5
33
3
2
43
2
3
53
4
2
23
2
1.5
99
2
2
34
3
3
23
4
4
55
2
3
22
161
162
Ejemplo 3
Solucin Ejemplo 3
Se sabe que adems que este promotor inmobiliario

se dispone a adquirir un conjunto de pequeos
edificios de oficinas en un Centro Comercial
establecido.
En especial, el promotor inmobiliario desea estimar
el valor de tasacin de un edificio de oficinas que se
encuentre en la misma zona, con una superficie de
2500 metros cuadrados,, 3 oficinas,, 2 accesos,, y con
una antigedad de 25 aos.
Utilizar un anlisis de regresin mltiple para estimar
el valor del edificio de oficinas en cuestin.
1. Construir el modelo terico, identificando las

variables que causan mayor impacto en el
comportamiento del mercado.
mercado
Para construir el modelo terico se decidi definir las
siguientes variables:
Variable
Y
X1
X2
X3
X4
163
Curso OPP
Valorde
tasacindel
edificiode
oficinas
142000
144000
151000
150000
139000
169000
126000
142900
163000
169000
149000
41
Representa
Valor de tasacin del edificio de oficinas
rea o Superficie
p
en metros cuadrados
Nmero de oficinas
Nmero de entradas o accesos reservados para las entregas
Antigedad del edificio, en nmero de aos
Modelo Terico: Y= f(X1, X2, X3, X4)
164
Aristeu De Melo
41
UNI
RUPAP
Solucin Ejemplo 3
Solucin Ejemplo 3
2. Los Datos de las VIS y la VD, extrados de la

muestra:
3. Determinar el tipo de relacin matemtica que

existe entre las variables causales y la demanda
con el propsito de construir los modelos
matemticos que mejor se ajustan a los datos.
datos
Se supone que existe una relacin lineal entre cada
una de las variables independientes (X1, X2, X3 y X4)
y la variable dependiente (Y), que representa el
valor de tasacin de los edificios de oficinas en el
rea
rea.
4. Construir el Modelo Matemtico (recta o curva)
Y = A + BX1 + CX2 + DX3 + EX4
Nmero Nmerodeentradas Antigedaddel

reao
de
de
o accesos para las
oaccesosparalas
edificio
Superficie(m2) oficinas
(aos)
entregas
X1
2310
2333
2356
2379
2402
2425
2448
2471
2492
2517
2540
X2
2
2
3
3
2
4
2
2
3
4
2
X3
2
2
1.5
2
3
2
1.5
2
3
4
3
X4
20
12
33
43
53
23
99
34
23
55
22
Valorde
tasacindel
edificiode
oficinas
Y
142000
144000
151000
150000
139000
169000
126000
142900
163000
169000
149000165
166
Solucin Ejemplo 3
Solucin Ejemplo 3
5. Calcular A, B, C, d y E del modelo Y= A+ BX1+

CX2+ DX3+ EX4 utilizando un NC=95% y = 5%:
Y=52425.2725+27.5908X1+ 12531.2987X2+ 2561.46724X3 234.3234X4
ANLISISDEVARIANZA
Gradosde
libertad
Regresin
4
Residuos
6
Total
10
Resumen
Coeficientedecorrelacinmltiple
CoeficientededeterminacinR^2
R^2ajustado
Errortpico
Observaciones
Sumade
cuadrados
1732182733
5862721 16
5862721.16
1738045455
Promediodelos
cuadrados
433045683
977120 194
977120.194
6. Validar el Modelo Y = A + BX1 + CX2 + DX3 +

EX4: El modelo debe pasar todas las pruebas. Si el
modelo no aprueba uno o ms de los criterios de
validacin, regresar al paso 2
Evaluar la Hiptesis Nula para el Coeficiente de
Determinacin:
0.99831199
0.99662683
0.99437805
988.493902
11
Valorcrticode
F
F
443.185686
0.0000%
Como
c
d Decisin
Ho: R2 = 0 Valor crtico de F= 0.00000% < 5% Rechazar Ho
Coeficientes Etpico
Estad.t
Probab
Inf 95%
Sup 95%
Inf 95.0% Sup 95.0%
A 52425.2725 12495.2298 4.19562292 0.57135% 21850.5466 82999.9983 21850.5466 82999.9983
B 27.590786 5.54342673 4.97720767 0.25087% 14.0265095 41.1550626 14.0265095 41.1550626
C 12531.2987 407.439764 30.7561995 0.00001% 11534.3295 13528.2679 11534.3295 13528.2679
D 2561.46724 540.340154 4.74047175 0.31899% 1239.30251 3883.63196 1239.30251 3883.63196
167
E 234.323364 13.5247806 17.3254835 0.00024% 267.41731 201.229418 267.41731 201.229418
Curso OPP
168
42
Aristeu De Melo
42
UNI
RUPAP
Solucin Ejemplo 3
Solucin Ejemplo 3
Evaluar la Ho para los Coeficientes de las VIs:

Ho: A = 0. Si c < d, entonces Rechazar Ho
Ho: B = 0. Si c < d, entonces Rechazar Ho
Ho: E = 0. Si c < d, entonces Rechazar Ho
Ho: A = 0
Ho: B = 0
Ho: C = 0
Ho: D = 0
Ho: E = 0
Como
P b bilid d
Probabilidad=
Probabilidad=
Probabilidad=
Probabilidad=
Probabilidad=
c
0.57135%
0
57135%
0.25087%
0.00001%
0.31899%
0.00024%
<
<
<
<
<
d
5%
5%
5%
5%
5%
Usar el Modelo Matemtico para estimar los datos de

la muestra, calcular el EMA% y comparar con el
EMP por la organizacin:
Rechazar Ho
Ho: EMA% > EMP
Decisin
Rechazar
R
h
Ho
Rechazar Ho
Rechazar Ho
Rechazar Ho
Rechazar Ho
Como EMA%c
EMPd Decisin
Calcular el IC del Modelo Matemtico,, utilizando

NC= 95% y =5%, elegidos previamente:
IC95%=Ye Z97.5%Se
Y=52425.273+27.591X1+ 12531.299X2+ 2561.467X3 234.323X4

169
170
Solucin Ejemplo 3
X1
2310
2333
2356
2379
2402
2425
2448
2471
2492
2517
2540
2500
X2
2
2
3
3
2
4
2
2
3
4
2
3
X3
2
2
15
1.5
2
3
2
1.5
2
3
4
3
2
X4
20
12
33
43
53
23
99
34
23
55
22
25
Y
142000
144000
151000
150000
139000
169000
126000
142900
163000
169000
149000
Ye
141659
144168
151133
150705
139026
169192
125674
142821
161070
169355
150098
158261
EA%
0.240%
0.117%
0 088%
0.088%
0.470%
0.019%
0.113%
0.258%
0.056%
1.184%
0.210%
0 737%
0.737%
0.317%
Li
139722
142231
149195
148767
137089
167254
123737
140883
159133
167417
148160
156324
Solucin Ejemplo 3
7. Usar el modelo Y=52425.2725+27.590786X1+
12531.2987X2+ 2561.46724X3 234.323364X4,
para estimar el valor de tasacin de un edificio con
las siguientes caractersticas:
Ls
143596
146106
153070
152642
140964
171129
127612
144758
163008
171292
152035
160198
reao Nmero
Superficie de
(m2) oficinas
X2
X1
2500
3
Antigedad Valordetasacindel
deledificio
edificiodeoficinas
(aos)
X4
Ye
Li
Ls
25
158261 156324 160198
Basndose estrictamente en la ecuacin, se puede

afirmar, con un nivel de confianza del 95%, que el
valor de tasacin del edificio en referencia, esta
entre $ 156324 y $ 160198, y que el valor ms
172
probable ser de $ 158261.
171
Curso OPP
Nmerode
entradaso
accesospara
lasentregas
X3
2
43
Aristeu De Melo
43
UNI
RUPAP
Estudio de Caso (E1)
Estudio de Caso: Una

Simulacin
Ejemplo 1
Tarea7
174
173
Estudio de Caso
Las reglas internas son las siguientes:
Las ventas de la principal lnea de productos de la empresa

durante los 48 meses de los ltimos 4 aos son las
siguientes:
Mes
Ventas/10 Ventas/11 Ventas/12
Ventas/13
100
105
108
112
90
93
95
102
85
91
90
96
66
75
75
70
75
75
80
80
85
90
93
97
95
101
105
105
113
120
120
115
131
140
135
145
10
123
130
130
130
11
120
126
128
135
117
122
124
129
12
Curso OPP
El propsito del caso es demostrar como interactan

el pronstico, la programacin y el anlisis de
inventario.
En este ejemplo se analiza el inventario de PT.
La empresa GILSA quiere implementar un nuevo
sistema de planificacin y control de la produccin
para su principal lnea de produccin, con el objetivo
reducir costos.
Sin embargo,
embargo antes de tomar la decisin el Gerente
General solicit al Director de Planificacin de la
empresa, que realice un estudio con el propsito de
determinar el modelo de pronostico ms conveniente
para la empresa
La compaa quiere pronosticar los siguientes 12 meses del

ao 2014:
1. Para el pronstico se debe utilizar la serie temporal. Construir
un mnimo de 3 modelos.
2. La poltica del programa es utilizar el pronstico de la
demanda para programar la produccin
3. Poltica de Inventarios: El inventario se usa para satisfacer
la demanda cada vez que el nivel de inventario este ms alto
que la
l existencia
i t
i mnima
i
especificada.
ifi d
El valor que se debe usar para la existencia mnima
deseada es Io= 5 unidades.
El inventario inicial es Ii= 10
Ventas/14
175
176
44
Aristeu De Melo
44
UNI
RUPAP

Evaluar cada alternativa respecto a los datos de
demanda real para determinar la:
1. La alternativa que optimiza el costo total del sistema
de PCP: CTOi=CM
CMi+CSCi+CPi
2. La alternativa que optimiza el costo de la poltica de
de produccin: Pi=Dei + I0 - Ii-1
Clientes: Si Ii<0 entonces SCi=Ii e Ii=0
inventario: Ii=Ii-1+Pi-Dri
5. La alternativa de pronstico que minimiza el EMA%:
4. Poltica de Cliente: Si la produccin sumada al inventario

no satisface la demanda real en algn periodo, la empresa
debe subcontratar los artculos necesarios, a un vendedor
externo.
Si las ventas son menores que la produccin en algn
perodo, el exceso de inventario se acumula
Debido a que se construirn 3 modelos, existirn 3
alternativas
lt
ti
d pronstico,
de
ti
programa e inventario;
i
t i habr
h b 3
combinaciones de los parmetros, cualquiera de las cuales
puede ser ptima para un conjunto dado de datos.
EMA %
177
178
SOLUCIN:
Construir un Modelo explicativo:

1) Modelo Terico, Datos
2) Modelo Matemtico
3) Calcular coeficientes
4) Validar
Ho : R2 = 0
EMA% = ?
Ho : A = B = C = 0
IC95%=De ZSe
5) Usar el modelo
En el anlisis se usar la siguiente informacin

adicional:
1. El costo de mantener un artculo en inventario en un
periodo o fraccin de ste es de $ 2.00 por unidad
por mes
2. El costo de un artculo subcontratado es de $ 13.00
por unidad
3. El costo de producir un artculo en la empresa es de
$ 10.00 por unidad
179
Curso OPP
1 m Dri Dei
Dr
m i 1
i
180
45
Aristeu De Melo
45

Curso OPP Pronostico de Demanda (Incluye 1) Imprimir PDF

Cargado por

Copyright:

Formatos disponibles

Curso OPP Pronostico de Demanda (Incluye 1) Imprimir PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso OPP Pronostico de Demanda (Incluye 1) Imprimir PDF

Cargado por

Copyright:

Formatos disponibles

UNI

Del primer paso que uno da en el

Carrera: Ingeniera Mecnica

Carrera: Ingeniera Mecnica

Tema 3: Planificacin de Capacidad

ACTIVIDADES PARA VER UN VIDEO

Sist. Admon Inventarios

2. Lo QUE QUIERO SABER (antes de ver el video escribir lo

1. Lo QUE S (antes de ver el video escribir lo que sabe

Carrera: Ingeniera Mecnica

Le invitamos a que haga un

Me comprometo durante 16 semanas a

Tarea1 (en grupo de 3)

La meta de todo administrador debe ser establecer ambientes

Carrera: Ingeniera Mecnica

Identificar, entender y gestionar los procesos del negocio

Los procesos son las actividades que realizamos.

2. Los Responsables y sus colaboradores:

Tiempo para preparar

Un recurso es todo lo que usamos para hacer nuestro trabajo

4. Los procedimientos e instructivos.

Objetivos Especficos de un sistema

Toda organizacin tanto pblica como privada debe

Tiempo para realizar

Objetivo General de un Sistema

Analizar las condiciones generales de la economa

Carrera: Ingeniera Mecnica

FASES DEL PROCESOS PRODUCTIVO

Mes1 Mes2 Mes3 Mes4 Mes5 Mes6 Mes7 Mes8 Mes9

Los sistemas productivos presentan 4 fases

Plan Operacional del mes 1

Carrera: Ingeniera Mecnica

FASES DEL PROCESOS PRODUCTIVO

FASES DEL PROCESOS PRODUCTIVO

1. DISEO DEL SISTEMA

Inicialmente los problemas que tienen que ser

El diseo del sistema debe ser llevado a cabo con

El costo mnimo puede ser obtenido a travs de

Un sistema que utiliza mucha MO es generalmente

PLANEACIN, EJECUCIN Y CONTROL

LA FUNCION DEL SISTEMA DE PCP

FASES DEL PROCESOS PRODUCTIVO

Cuando hay mucha competencia, el mejor sistema de

Si los objetivos son minimizar la rotacin del personal

El propsito del Sistema de PCP es incrementar la

Carrera: Ingeniera Mecnica

LA FUNCION DEL SISTEMA DE PCP

LA FUNCION DEL SISTEMA DE PCP

La meta del Sistema de PCP:

PLANIFICACIN Y ANLISIS DE SISTEMAS

EL SISTEMA DE PCP COMO ACTIVIDAD ORGANIZATIVA

El Sistema de PCP trata de evitar los conflictos entre

La PCP requiere un enfoque sistemtico, si se desea

Los temas que se abordan en este Curso

Carrera: Ingeniera Mecnica

PLANIFICACIN Y ANLISIS DE SISTEMAS

Algunos de los objetivos de diseo del sistema de PCP

Es una estimacin cuantitativa de la demanda futura de

Demanda potencial: Es la cantidad total del producto o