Y Pronóstico de La Demanda

FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE
INGENIERÍA INDUSTRIAL
PLANIFICACIÓN Y CONTROL
DE LAS OPERACIONES
UNIDAD II
ESTRATEGIAS DEL PROCESO Y
PLANEACION DE LA CAPACIDAD
SESION 3 y 4
Administración y pronóstico de la
demanda
WILTON LÓPEZ MIÑANO

wlopezm1@upao.edu.pe
948329505
https://www.youtube.com/watch?v=Ghtd3FLEDiQ
https://www.youtube.com/watch?v=8VzqzFCCozk
“EL ALMACÉN DE DATOS DE WALMART”
Vivimos en una sociedad en la que constantemente escuchamos acerca
de pronósticos y proyecciones. Desde el pronóstico del tiempo, hasta las
proyecciones del tipo de cambio o crecimiento económico. La importancia
de los pronósticos así mismo en las empresas, más para aquellas que
manejan una gran cantidad de variables y requieren exactitud en la
planeación por ejemplo WalMart como veremos a continuación.
El tamaño de Wal-Mart y su poder en la industria al menudeo, ejercen
una gran influencia en la industria de las bases de datos. Wal-Mart
maneja uno de los almacenes de datos más grandes del mundo, con más
de 35 terabytes de información. Un terabyte es igual a 1 024 gigabytes o
un billón de bytes. Muy probablemente su computadora tiene de 8 a 250
gigabytes. La fórmula de Wal-Mart para lograr el éxito (tener el producto
apropiado en el anaquel correcto al precio más bajo) se debe en gran
parte a la inversión multimillonaria de la compañía en almacenamiento de
datos. Wal-Mart ofrece más detalles que sus competidores en cuanto a lo
que sucede con cada producto, en cada tienda y todos los días.
Los sistemas registran los datos de los puntos de venta en cada
tienda, los niveles de inventario por tienda, los productos en tránsito,
las estadísticas de mercado, las características demográficas de los
clientes, las finanzas, las devoluciones de productos y el desempeño
de los proveedores. La información se utiliza para las tres extensas
áreas de apoyo a las decisiones: analizar las tendencias, manejar
inventarios y entender a los clientes. Lo que surgen son los “rasgos de
la personalidad” de cada una de las aproximadamente 3,000 tiendas
de Wal-Mart, mismos que los gerentes de la compañía utilizan para
determinar la mezcla de productos y la presentación de cada almacén.
La minería de datos es lo que sigue. Wal-Mart creó una aplicación
de pronóstico de la demanda que toma en cuenta los artículos
para cada tienda con el fin de decidir su perfil de ventas por
temporada. El sistema conserva la información correspondiente a 1
año sobre las ventas de 100,000 productos y proyecta qué artículos se
van a necesitar en cada tienda.
Ahora, Wal-Mart realiza un análisis de la canasta básica. Recopila
información sobre los artículos que constituyen la compra total de un
cliente, de modo que la compañía puede analizar las relaciones y los
patrones en las compras de sus clientes. El almacén de datos está
disponible en Internet para los gerentes de tienda y proveedores.
Como vemos WalMart se basa en gran medida en la administración de
sus bases de datos (minería de datos) y en los pronósticos en distintas
áreas de sus operaciones. Si la empresa no tuviera una buena
administración de sus bases de datos y no contara con datos exactos,
difícilmente pudiera realizar sus pronósticos. Asimismo, si la empresa
no contara con los sistemas y el software necesarios, la tarea de
realizar pronósticos sería titánica.
Hoy en día las empresas cuentan con paquetería de software y
sistemas especializados para realizar pronósticos, por lo que aquí
revisaremos los conceptos teóricos más importantes para que tengan
un panorama general de las categorías y tipos de pronósticos que
existen en operaciones.
.
CICLO DE GESTIÓN DE LA PRODUCCIÓN
Pronóstico de
Plan estratégico demanda LAR
ALTA GO
DIREC PLA
CIÓN
Plan Plan de producción a Plan de ventas a ZO
Financiero largo plazo Largo Plazo

ALTA
DIREC Pronóstico de ME
DIA
CION
/DIRE demanda (familias) NO
CCIO
N DE Plan PLA
Plan Agregado de Plan de ventas a ZO
OPER
Agregado de
ACIO producción Mediano Plazo
NES Capacidad
Pronóstico de C
O
demanda (productos) R
DIREC T
CION O
DE Plan Maestro de Administración de
OPER
ACIO
Producción la Demanda P
L
NES A
Z
Pedidos de O
Clientes
2 1
CICLO DE GESTIÓN DE LA PRODUCCIÓN
D 2 BOM (Lista de
I 1 Materiales)
R
E
C
C MRP Stock
I Disponible
O C
N Capacidad O
disponible CRP R
T
D
E SI Gestión de O
O Podemo La Compras P
L
A
P s actuar capacida Z
E
R sobre la d está O
NO NO
A capacida ajustada
C
I d? ?
O
N SI
E
S
MRP II
Plan detallado de
Producción
Programación Ordenes de Lanzamiento Supervisión y

en planta producción y ejecución corrección de avance
ADMINISTRACION Y PRONOSTICO DE LA DEMANDA
PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS
Los pronósticos son vitales para toda organización de negocios, así como para
cualquier decisión importante de la gerencia. El pronóstico es la base de la
planeación corporativa a largo plazo.
En finanzas y contabilidad, los pronósticos proporcionan el fundamento para la
planeación de presupuestos y el control de costos.
El marketing depende del pronóstico de ventas para planear productos
nuevos, compensar al personal de ventas y tomar otras decisiones clave.
El personal de producción y operaciones utiliza los pronósticos para
tomar decisiones periódicas que comprenden la selección de procesos,
la planeación de las capacidades y la distribución de las instalaciones,
así como para tomar decisiones continuas acerca de la planeación de
la producción, la programación y el inventario.


Pronósticos estratégicos
Para demanda de alto nivel. ¿Qué demanda se espera de un grupo de
productos el año próximo?
Son apropiados para decisiones de: estrategia general, capacidad, diseño
de procesos de producción, diseño de procesos de servicio, diseño de
ubicación y distribución; y planificación de ventas y operaciones.
Pronósticos tácticos
Para ver como se operan los procesos cotidianos. ¿Cuánta producción
debemos programar la semana próxima?.
El objetivo es estimar la demanda en términos relativamente corto de
semanas o meses.
ADMINISTRACION DE LA DEMANDA
El propósito del manejo de la demanda es coordinar y controlar todas

las fuentes de la demanda, con el fin de poder usar con eficiencia el
sistema productivo y entregar el producto a tiempo.
Existen dos fuentes básicas de la demanda: dependiente e
independiente.
La demanda dependiente es la demanda de un producto o servicio
provocada por la demanda de otros productos o servicios.
Por ejemplo, si una empresa vende 1 000 triciclos, entonces se van a
necesitar 1 000 ruedas delanteras y 2 000 traseras.
Este tipo de demanda interna no necesita un pronóstico, sino sólo una
tabulación. La cantidad de triciclos que la empresa podría vender es la
demanda independiente porque no se deriva directamente de la demanda
de otros productos.
Una empresa no puede hacer mucho respecto de la demanda
dependiente. Es preciso cubrirla (aunque el producto o servicio se
pueda comprar en lugar de producirlo en forma interna). Pero sí hay
mucho que una empresa puede hacer en cuanto a la demanda
independiente. La compañía puede:
Adoptar un papel activo para influir en la demanda. La empresa puede
presionar a su fuerza de ventas, ofrecer incentivos tanto a los clientes
como a su personal, crear campañas para vender sus productos y bajar
precios. Estas acciones pueden incrementar la demanda. Por el contrario,
es posible disminuir la demanda mediante aumentos de precios o la
reducción de los esfuerzos de ventas.
Adoptar un papel pasivo y simplemente responder a la demanda. Existen
varias razones por las que una empresa no trata de cambiar la demanda
sino que la acepta tal como llega. Si una compañía funciona a toda su
capacidad, tal vez no quiera hacer nada en cuanto a la demanda.
Otras razones pueden ser que la compañía no tenga el poder de
cambiar la demanda debido al gasto en publicidad; es probable que el
mercado sea fijo y estático; o que la demanda esté fuera de su control
(como en el caso de un proveedor único).
Existen otras razones competitivas, legales, ambientales, éticas y
morales por las que la demanda del mercado se acepta de manera
pasiva.
Es necesaria mucha coordinación para manejar estas demandas
dependientes, independientes, activas y pasivas. Las demandas se
originan tanto interna como externamente en forma de ventas de
productos nuevos por parte de marketing, piezas de reparación para
productos vendidos con anterioridad, reabastecimiento de los almacenes
de la fábrica y suministro de artículos para manufactura.
TECNICAS DE PRONOSTICOS
1. Cualitativas
2. Cuantitativas
3. Causales
CUALITATIVAS
Utiliza el juicio subjetivo, las experiencias, los datos relevantes y los esquemas de
puntuación a fin de transformar la información cualitativa en estimaciones
cuantitativas. Se usa en:
Nuevas tecnologías, en donde el  Método Delphi
desarrollo de idea de un producto  Investigación de mercados
puede que implique varias
“invenciones”.  Consenso de grupo
Donde hay gran incertidumbre
respecto de la futura aceptación de  Previsión imaginativa
los productos por parte del mercado y
el grado de penetración en el mismo.  Analogía histórica
 Análisis de impacto
ADMINISTRACION Y PRONOSTICO DE
LA DEMANDA Modelos cualitativos.
Técnicas fundamentales de
previsión.
ADMINISTRACION Y PRONOSTICO DE
LA DEMANDA Modelos cualitativos.
Técnicas fundamentales de
previsión.
CUANTITATIVAS
Técnicas estadísticas. Se puede dividir en componentes:
Nivel promedio, tendencia, estacionalidad, ciclos y error.
Se usa:
Para hacer análisis detallado  Promedio móvil
de patrones de demanda en  Promedio móvil ponderado
el pasado, a lo largo del  Ajuste exponencial
tiempo y para proyectar estos  Box - Jenkis
patrones hacia el futuro.
 X-11
 Proyecciones de tendencia
 Curvas de aprendizaje /
experiencia
ADMINISTRACION Y PRONOSTICO DE LA
DEMANDA Modelos cuantitativos.
TECNICAS DE PRONOSTICOS Técnicas fundamentales de
previsión.
DEMANDA Modelos cuantitativos.
TECNICAS DE PRONOSTICOS Técnicas fundamentales de
previsión.
CAUSALES
Desarrollan un modelo de causa y efecto entre la demanda y otras
variables. Expresan matemáticamente las relaciones causales
significativas, y pueden contemplar las características internas del
flujo de materiales en el proceso productivo y la información
procedentes de investigaciones de mercado.
 Modelo de regresión  Modelo econométrico
 Encuesta de anticipación  Modelo input-output
y de intención de
compra  Índice anticipador
 Índice de difusión  Análisis del ciclo de vida
DEMANDA
Modelos causales. Técnicas
fundamentales de previsión.
TIPOS DE PRONOSTICOS
DEMANDA
DEMANDA
DEMANDA
Las series de tiempo se basa en la idea de que es posible utilizar

información relacionada con la demanda pasada para predecir la
demanda futura. La información anterior puede incluir varios
componentes, como influencias de tendencias, estacionales o cíclicas.
Los modelos de simulación permiten al encargado del pronóstico

manejar varias suposiciones acerca de la condición del pronóstico.
https://www.youtube.com/watch?v=Jxq5Ye_g0Cg
COMPONENTES DE LA DEMANDA
La demanda de productos o servicios se puede dividir en seis

componentes:
Demanda promedio para el periodo,

Una tendencia.
Elementos estacionales.
Elementos cíclicos.
Variación aleatoria y
Autocorrelación.
Los factores críticos son más difíciles de determinar porque quizá el tiempo se
desconoce o no se toma en cuenta la causa del ciclo. La influencia cíclica sobre
la demanda puede provenir de eventos tales como elecciones políticas, guerras,
condiciones económicas o presiones sociológicas.
Estadísticamente, al restar todas las causas conocidas de la demanda
(promedio, tendencias, estacionales, cíclicas y de autocorrelación) de la
demanda total, lo que queda es la parte sin explicar de la demanda. Si no se
puede identificar la causa de este resto, se supone que es aleatoria.
La autocorrelación indica la persistencia de la ocurrencia.
En la teoría de la línea de espera, la longitud de una línea de espera tiene una
autocorrelación muy elevada.
Cuando la demanda es aleatoria, es probable que varíe en gran medida de una
semana a otra.
Donde existe una correlación alta, no se espera que la demanda cambie mucho de
una semana a otra.
Correlación de datos
históricos.
Tendencia central y
dispersión.
TECNICAS PARA PREDECIR LA DEMANDA

Un método de pronóstico de uso muy común consiste en graficar

los datos y luego buscar la distribución estándar (como lineal,
curva S, asintótica o exponencial) que se adapta mejor a éstos. El
atractivo de este método radica en que, como las matemáticas de
la curva son conocidas, resulta fácil despejar los valores de los
periodos futuros.
En ocasiones, la información no parece adaptarse a ninguna curva

estándar. Dado que, envían los datos desde varias direcciones al
mismo tiempo. Para estos casos, es posible obtener un pronóstico
simple pero efectivo con sólo graficar la información.
Cuatro de los tipos de tendencias más comunes
Tendencia lineal es una relación

continua directa.
Curva S es típica del crecimiento

y el ciclo de madurez de un
producto. El punto más
importante es donde la
tendencia cambia de crecimiento
lento a rápido, o viceversa.
Tendencia asintótica empieza con el

crecimiento más alto de la
demanda en un principio pero
posteriormente se reduce. Se
presenta cuando una empresa
entra en un mercado existente con
el objetivo de saturarlo y captar
una mayor participación en él,
aumentando, una suposición que
quizá no sea seguro hacer.
Curva exponencial es
común en productos con
un crecimiento explosivo.
La tendencia exponencial
sugiere que las ventas
seguirán aumentando, una
suposición que quizá no
sea seguro hacer.
TECNICAS CUALITATIVAS DE PRONÓSTICO

TÉCNICAS ACUMULATIVAS
El pronóstico de técnicas acumulativas crea el pronóstico
sumando en sucesión desde la parte de abajo. La suposición
aquí es que la persona que está más cerca del cliente o del
usuario final del producto conoce mejor sus necesidades
futuras. Los pronósticos en este último nivel se suman y se
llevan al siguiente nivel más alto.
Por lo regular se trata de un almacén de distrito que después agrega el
inventario de seguridad y cualquier efecto de pedir en cantidad.
Luego, esta cantidad se lleva al siguiente nivel, que puede ser un
almacén regional. El procedimiento se repite hasta que se convierte
en un insumo en el nivel más alto; que, en el caso de una empresa de
manufactura, sería el insumo para el sistema de producción.

INVESTIGACIÓN DE MERCADOS
Empresas externas especialistas en la investigación de

mercados realizan este tipo de pronóstico. Es una
herramienta del marketing.
La investigación de mercados se utiliza sobre todo para la

investigación de productos con el objetivo de buscar nuevas
ideas, conocer los gustos y disgustos relacionados con los
productos existentes, los productos competitivos preferidos
en una clase en particular, etc.
Una vez más, los métodos de recopilación de datos son sobre

todo encuestas y entrevistas.

ANALOGÍA HISTÓRICA
Al tratar de pronosticar la demanda de un nuevo producto, una
situación ideal sería que un producto existente o genérico se pueda
utilizar como modelo. Formas de clasificar estas analogías:
1. Productos complementarios,
2. Productos sustituibles o competitivos y
3. Productos como una función del ingreso.
Relación causal, la demanda de discos compactos es provocada por la
demanda de reproductores de DVD.
Analogía, pronosticar la demanda de reproductores de videodiscos
digitales analizando la demanda histórica de VCR.
Una empresa que produce tostadores y quiere fabricar cafeteras podría
utilizar el historial de los tostadores como un modelo de crecimiento
probable.

GRUPOS DE CONSENSO
En un grupo de consenso, un grupo de personas que ocupan

diversas posiciones pueden desarrollar un pronóstico más confiable
que un grupo más reducido.
Se realizan en reuniones abiertas con un intercambio libre de ideas
de todos los niveles gerenciales e individuales.
El problema es que los niveles inferiores se sienten intimidados por
los niveles más altos de la gerencia.
La técnica de Delfos se desarrolló para tratar de corregir este impedimento

del intercambio libre.
Cuando las decisiones en el pronóstico se toman en un nivel más amplio y
alto (como al introducir una nueva línea de productos) se utiliza el término
juicio ejecutivo, donde participa un nivel gerencial más alto.

MÉTODO DE DELFOS
El método de Delfos oculta la identidad de los individuos

que participan en el estudio.
Un moderador crea un cuestionario y lo distribuye entre los

participantes. Sus respuestas se suman y se entregan a todo el
grupo con un nuevo grupo de preguntas.
Rand Corporation desarrolló el método de Delfos en la

década de 1950. El procedimiento es:

MÉTODO DE DELFOS
1. Elegir los expertos a participar, con gran variedad de personas con

conocimientos en distintas áreas.
2. Por medio de un cuestionario obtener las proyecciones (y cualquier premisa

calificación para el pronóstico) de todos los participantes.
3. Resumir los resultados y redistribuirlos entre los participantes con las

preguntas nuevas apropiadas.
4. Volver a resumir, refinar las proyecciones y condiciones, y una vez más

plantear preguntas nuevas.
5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre

todos los participantes.
Delfos puede lograr resultados satisfactorios en tres rondas.

ANALISIS DE SERIES DE TIEMPO
Los modelos de pronósticos de series de tiempo tratan de predecir el

futuro con base en la información pasada.
Corto plazo se refiere a menos de tres meses. compensan la variación

aleatoria y se ajustan a los cambios a corto plazo (como las respuestas
del consumidor a un producto nuevo).
Mediano plazo de tres meses a 2 años. Son útiles para efectos
estacionales.
Largo plazo a un término mayor de 2 años. Detectan las tendencias
generales y son muy útiles para identificar los cambios más
importantes.
El modelo de pronóstico depende de:

1. El horizonte de tiempo que se va a pronosticar.
2. La disponibilidad de los datos.
3. La precisión requerida.
4. El tamaño del presupuesto de pronóstico.
5. La disponibilidad de personal calificado.
Al seleccionar un modelo de pronóstico, existen otros aspectos como
el grado de flexibilidad de la empresa (mientras mayor sea su
habilidad para reaccionar con rapidez a los cambios, menos preciso
necesita ser el pronóstico).
Otro aspecto es la consecuencia de un mal pronóstico. Si una decisión
importante sobre la inversión de capital se basa en un pronóstico, éste
debe ser bueno.
GUÍA PARA SELECCIONAR UN PRONÓSTICO
ok

ANALISIS DE REGRESION LINEAL
La regresión es una relación funcional entre dos o más variables
correlacionadas. Se utiliza para pronosticar una variable en base a
otra. Se desarrolla a partir de datos observados.
Primero es necesario graficar los datos para ver si aparecen lineales o
si por lo menos partes de los datos son lineales (Regresión especial en
la que la relación entre las variables forma una recta).
La recta tiene la forma Y = a + bX, donde
Y es el valor de la variable dependiente. a es la secante en Y. b es la
pendiente. X es la variable independiente (tiempo).
La regresión lineal es útil para el pronóstico a largo plazo de eventos
importantes, así como la planeación agregada. Por ejemplo, para
pronosticar las demandas de familias de productos.

Aun cuando la demanda de productos individuales dentro de

una familia puede variar en gran medida durante un periodo, la
demanda de toda la familia de productos es sorprendentemente
suavizada.
La principal restricción es que supone que los datos pasados y los
pronósticos futuros caen sobre una recta. Aunque esto no limita
su aplicación, en ocasiones, si se utiliza un periodo más corto, es
posible usar el análisis de regresión lineal.
Por ejemplo, puede haber segmentos más cortos del periodo más
largo que sean aproximadamente lineales.

La regresión lineal se utiliza tanto para pronósticos de series

de tiempo como para pronósticos de relaciones causales.
Cuando la variable dependiente (eje vertical) cambia como

resultado del tiempo (eje horizontal) se trata de un análisis de
serie temporal.
Si una variable cambia debido al cambio en otra, se trata de una

relación causal (como el número de muertes debidas al aumento de
cáncer pulmonar entre la gente que fuma).
ANALISIS DE SERIES DE TIEMPO AÑO TRIMESTRE VENTAS

ANALISIS DE REGRESION LINEAL 1 600
2 1550
Ejemplo: Las 2017
3 1500
ventas de los
4 1500
últimos 12
5 2400
trimestres son:
6 3100
2018
7 2600
8 2900
9 3800
10 4500
2019
Pronosticar cada 11 4000
trimestre del 12 4900

siguiente año.

La ecuación de los mínimos cuadrados para la regresión lineal

es:
Y = a + bx
Donde:
Y = Variable dependiente calculada mediante la ecuación

y = El punto de datos de la variable dependiente real
a = Secante de Y
b = Pendiente de la recta
x = Periodo

Determinación gráfica de los parámetros a y b

Y = a + bx
610
170

Recta de la regresión de mínimos cuadrados

El método de mínimos cuadrados trata de ajustar la recta a

los datos que minimizan la suma de los cuadrados de la
distancia vertical entre cada punto de datos y el punto
correspondiente en la recta.
Si se traza una recta a través del área general de los puntos, la
diferencia entre el punto y la recta es y – Y.
La suma de los cuadrados de las diferencias entre los puntos
de datos trazados y los puntos de la recta es:
(y1 − Y1)2 + (y2 − Y2)2 + … + (y12 − Y12)2
La mejor recta es la que minimiza este total.


Como antes, la ecuación de recta es

Y = a + bx
En el método de mínimos cuadrados, las ecuaciones para a y b son:

TRIME
VENTAS
AÑO STRE xy
(y)
(x)
1 600 600 1
2 1550 3100 4
2017
3 1500 4500 9
4 1500 6000 16
5 2400 12000 25
6 3100 18600 36
2018
7 2600 18200 49
8 2900 23200 64
9 3800 34200 81
10 4500 45000 100
2019
11 4000 44000 121
12 4900 58800 144
SUMA 78 33 350 268200 650

Y = a + bx

5400
5100
4800
4500
4200
3900
3600
3300
DOLARES($)
3000
2700
2400
2100
1800
1500
1200
900
600
300
0
I II III IV I II III IV I II III IV
2014 2015 2016
TIEMPO

Observe que la ecuación final para Y presenta una secante de

441.6 y una pendiente de 359.6. La pendiente muestra que por
cada cambio unitario en X, Y cambia 359.6.
Basándose estrictamente en la ecuación, los pronósticos para
2020 o los periodos de 13 a 16 serían:
Y13 = 441.6 + 359.6(13) = 5 116.4

Y14 = 441.6 + 359.6(14) = 5 476.0
Y15 = 441.6 + 359.6(15) = 5 835.6
Y16 = 441.6 + 359.6(16) = 6 195.2

El error estándar del estimado, o la forma en que la recta se adapta

a los datos, es
El error estándar del estimado se calcula a partir de la segunda y la

última columna

Microsoft® Excel tiene una herramienta de regresión muy poderosa

diseñada para realizar estos cálculos.

DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO
Serie de tiempo: datos ordenados en forma cronológica que pueden
contener uno o más componentes de la demanda: tendencia, estacional,
cíclico, autocorrelación o aleatorio.
Descomposición de una serie significa identificar y separar los datos de la
serie de tiempo en estos componentes.
Es relativamente fácil identificar la tendencia (es sencillo trazar y ver la

dirección del movimiento sin un análisis matemático) y el componente
estacional (comparando el mismo periodo año tras año).
Es mucho más difícil identificar los componentes de los ciclos (pueden durar
varios meses o años), la autocorrelación y el aleatorio (se considera
aleatorio cualquier elemento que sobre y que no sea posible identificar
como otro componente).

Cuando la demanda contiene efectos estacionales y

de tendencia al mismo tiempo, la pregunta es cómo
se relacionan entre sí.
En esta descripción, se analizan dos tipos de variación

estacional: aditiva y multiplicativa.

Variación estacional aditiva, supone

que la cantidad estacional es una
constante sin importar cuál es la
tendencia o la cantidad promedio.
Pronóstico que incluye tendencia y
estacional = Tendencia + Estacional.
La ilustración muestra una tendencia
en aumento con cantidades
estacionales constantes.

Variación estacional multiplicativa, la

tendencia se multiplica por los factores
estacionales.
Pronóstico que incluye tendencia y
estacional = Tendencia × Factor
estacional.
Establece que mientras más elevada
sea la cantidad básica pronosticada,
más alta será la variación que cabe
esperar a su alrededor.

Factor (o índice) estacional, es la cantidad de corrección necesaria en

una serie temporal para ajustarse a la estación del año.
Se relaciona estacional con un periodo del año caracterizado por

alguna actividad en particular.
Se usa la palabra cíclico para indicar que no se trata de los periodos

anuales recurrentes de actividad repetitiva.

Los siguientes ejemplos muestran como se determinan y utilizan

los índices estacionales para pronosticar:
1. Cálculo sencillo basado en datos estacionales pasados:
Proporción simple.
2. Cálculo de la tendencia y el factor estacional a partir de una

recta ajustada a mano: Factor estacional y la variación
estacional multiplicativa.

1. Cálculo sencillo basado en datos estacionales pasados:

Proporción simple.
Ejemplo:
Supongamos que en los últimos años una empresa vendió un
promedio de 1000 unidades al año de una línea de productos
en particular. En promedio, se vendieron 200 unidades en
primavera, 350 en verano, 300 en otoño y 150 en invierno. La
empresa requiere hacer su pronostico para el siguiente año
considerando un incremento del 10% en ventas.

La cantidad anual dividida en forma equitativa entre todas las

temporadas es 1000/4 = 250
VENTAS
VENTAS PROMEDIO POR
ESTACIÓN
HISTORICAS TEMPORADA
PRIMAVERA 200 250
VERANO 350 250
OTOÑO 300 250
INVIERNO 150 250
TOTAL 1000

El factor (o índice) estacional es la razón de la cantidad vendida

durante cada estación dividida entre el promedio de todas las
estaciones.
VENTAS
VENTAS PROMEDIO POR FACTOR
ESTACIÓN
HISTORICAS TEMPORADA ESTACIONAL
PRIMAVERA 200 250 200/250=0.8
VERANO 350 250 350/250=1.4
OTOÑO 300 250 300/250=1.2
INVIERNO 150 250 150/250=0.6
TOTAL 1000

En este caso debe estimarse la demanda total del próximo año.
Por ejemplo, la gerencia estima que para el próximo año se
requiere incrementar las ventas en 10%..
DEMANDA VENTAS PRONÓSTICO
ESTACIÓN ESPERADA PROMEDIO POR FACTOR ESTACIONAL
PROXIMO AÑO TEMPORADA ESTACIONAL PRÓXIMO AÑO
PRIMAVERA 275 0.8 220
VERANO 275 1.4 385
OTOÑO 275 1.2 330
INVIERNO 275 0.6 165
TOTAL 1100
El factor estacional se puede actualizar de manera periódica al

tener nuevos datos disponibles.

2.- Cálculo de la tendencia y el factor estacional a partir de una
recta (variación estacional multiplicativa).
Se determina la tendencia y factores estacionales ajustando a
mano una recta que cruce todos los puntos de datos y mida la
tendencia y la secante de la gráfica:
Ejemplo
TRIMESTRE VENTAS TRIMESTRE VENTAS
2016-I 300 2017-I 520
2016-II 200 2017-II 420
2016-III 220 2017-III 400
2016-IV 530 2017-IV 700

Encontrar la ecuación de la línea recta (la recta y la ecuación están
sujetas a la variación).
Y = 170 + 55t
Se deriva la ecuación de la secante 170 más un aumento de 55 ( (610-170) / 8).
610
170

La ecuación para la recta es: Tendenciat = 170 + 55t

TRI
VEN
AÑO MES t TENDENCIA = 170 + 55t
TAS
TRE
I 300 1 225
II 200 2 280
2016
III 220 3 335
IV 530 4 390
I 520 5 445
II 420 6 500
2017
III 400 7 555
IV 700 8 610

A continuación, puede derivarse un índice estacional comparando
los datos reales con la recta de tendencia. El factor estacional se
desarrolló calculando el promedio de los mismos trimestres de
cada año.
TENDENCI
TRIMES PROPORCIÓN
AÑO VENTAS t A = 170 +
TRE (VENTAS/TENDENCIA)
55t
I 300 1 225 1.33
II 200 2 280 0.71
2016
III 220 3 335 0.66
IV 530 4 390 1.36
I 520 5 445 1.17
II 420 6 500 0.84
2017
III 400 7 555 0.72
IV 700 8 610 1.15

A continuación, puede derivarse un índice estacional comparando los
datos reales con la recta de tendencia. El factor estacional se desarrolló
calculando el promedio de los mismos trimestres de cada año.
FACTOR
PROPO
ESTACIONAL
RCIÓN
TRIME- VEN- TENDENCIA (PROMEDIO DEL
AÑO t (VENTA
STRE TAS = 170 + 55t MISMO
S/TEND
TRIMESTRE DE
ENCIA)
AMBOS AÑOS)
I 300 1 225 1.33
II 200 2 280 0.71
2016
III 220 3 335 0.66
IV 530 4 390 1.36
I 520 5 445 1.17 1.25
II 420 6 500 0.84 0.78
2017
III 400 7 555 0.72 0.69
IV 700 8 610 1.15 1.25

El pronóstico para 2008, inclusive los factores de tendencia y estacional es

como sigue:
*PFTEt = Tendencia x Estacional
TRIMESTRE t TENDENCIA = FACTOR PRONOSTICO

170 + 55t ESTACIONAL 2018
I 9 665 1.25 831
II 10 720 0.78 562
III 11 775 0.69 535
IV 12 830 1.25 1038
*FITS: forecast including trend and seasonal factors.

ANALISIS DE SERIES DE TIEMPO DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO
CON REGRESION POR MINIMOS CUADRADOS
La descomposición significa encontrar los componentes básicos de la serie

de tendencia, estacional y cíclico. Los índices se calculan por estaciones y
ciclos:
Proceso:
1. Descomponer las series de tiempo.
a) Encontrar el componente estacional.
b) Descontar las variaciones de temporada de la demanda.
c) Encontrar el componente de la tendencia.
2. Pronosticar valores futuros de cada componente.
a) Pronosticar el componente de la tendencia en el futuro.
b) Multiplicar el componente de la tendencia por el componente
estacional.
No se incluye el componente aleatorio.
Cada dato corresponde al uso de un solo trimestre del periodo de tres
años (12 trimestres). El objetivo es pronosticar la demanda del cuarto año.
(1) (2) (3)
DEMANDA
AÑO PERIODO TRIMESTRE
REAL
(X) (Y)
1 I 600.00
2 II 1,550.00
1
3 III 1,500.00
4 IV 1,500.00
5 I 2,400.00
6 II 3,100.00
2
7 III 2,600.00
8 IV 2,900.00
9 I 3,800.00
10 II 4,500.00
3
11 III 4,000.00
12 IV 4,900.00
33,350.00
Paso 1 Determinar el factor o índice estacional.
a) Promedio de los mismos trimestres de cada año
(1) (2) (3) (4)
DEMANDA PROMEDIO DE
REAL LOS
(X) (Y) TRIMESTRES
1 I 600.00 2,266.67 (600+2400+3800/ 3 = 2266.67)
2 II 1,550.00 3,050.00
1
3 III 1,500.00 2,700.00
4 IV 1,500.00 3,100.00
5 I 2,400.00
6 II 3,100.00
2
7 III 2,600.00
8 IV 2,900.00
9 I 3,800.00
10 II 4,500.00
3
11 III 4,000.00
12 IV 4,900.00
33,350.00
Paso 1 Determinar el factor o índice estacional.
b) Derivar un factor estacional dividiendo el promedio de los trimestres entre el
promedio de los 12 trimestres de la demanda real (33,350/12 = 2,779.17).
(1) (2) (3) (4) (5)
DEMANDA PROMEDIO DE FACTOR
REAL LOS ESTACIO
(X) (Y) TRIMESTRES NAL
1 I 600.00 2,266.67 0.8156 (2,266.67/2,779.17 = 0.8156)
2 II 1,550.00 3,050.00 1.0975
1
3 III 1,500.00 2,700.00 0.9715
4 IV 1,500.00 3,100.00 1.1154
5 I 2,400.00 0.8156
6 II 3,100.00 1.0975
2
7 III 2,600.00 0.9715
8 IV 2,900.00 1.1154
9 I 3,800.00 0.8156
10 II 4,500.00 1.0975
3
11 III 4,000.00 0.9715
12 IV 4,900.00 1.1154
33,350.00 12.00
2,779.17
Paso 2 Descontar las variaciones de temporada de la demanda.
Presentar las variaciones de temporada de los datos originales.
Se divide los datos de la demanda histórica entre el factor estacional
(1) (2) (3) (4) (5) (6)
DEMANDA PROMEDIO DE FACTOR DEMANDA NO
REAL LOS ESTACIO ESTACIONAL (Yd)
(X) (Y) TRIMESTRES NAL (3)/(5)
1 I 600.00 2,266.67 0.8156 735.66 600/0.8156
2 II 1,550.00 3,050.00 1.0975 1,412.36
1
3 III 1,500.00 2,700.00 0.9715 1,543.98
4 IV 1,500.00 3,100.00 1.1154 1,344.76
5 I 2,400.00 0.8156 2,942.65
6 II 3,100.00 1.0975 2,824.73
2
7 III 2,600.00 0.9715 2,676.23
8 IV 2,900.00 1.1154 2,599.87
9 I 3,800.00 0.8156 4,659.19
10 II 4,500.00 1.0975 4,100.41
3
11 III 4,000.00 0.9715 4,117.28
12 IV 4,900.00 1.1154 4,392.88
33,350.00 12.00 33,350.00
2,779.17
Paso 3 Trazar una recta de regresión por mínimos cuadrados para los datos
con descuento de variaciones de temporada El objetivo es desarrollar una
ecuación para la recta de la tendencia Y, que después se modifica con el
factor estacional. El procedimiento es el mismo de antes:
Se presentan los cálculos de mínimos cuadrados usando las columnas 1, 7 y 8.
(1) (2) (3) (4) (5) (6) (7) (8)
DEMANDA
PROMEDI (X)(Yd)
PERIO TRIMEST DEMAND FACTOR NO
AÑO O DE LOS
DO RE A REAL ESTACIONA ESTACIONA X2
TRIMEST
L L (Yd)
RES (1)*(6)
(X) (Y) (3)/(5)
1 I 600.00 2,266.67 0.8156 735.66 1.00 735.66
2 II 1,550.00 3,050.00 1.0975 1,412.36 4.00 2,824.73
1
3 III 1,500.00 2,700.00 0.9715 1,543.98 9.00 4,631.94
4 IV 1,500.00 3,100.00 1.1154 1,344.76 16.00 5,379.03
5 I 2,400.00 0.8156 2,942.65 25.00 14,713.24
6 II 3,100.00 1.0975 2,824.73 36.00 16,948.36
2
7 III 2,600.00 0.9715 2,676.23 49.00 18,733.64
8 IV 2,900.00 1.1154 2,599.87 64.00 20,798.92
9 I 3,800.00 0.8156 4,659.19 81.00 41,932.72
10 II 4,500.00 1.0975 4,100.41 100.00 41,004.10
3
11 III 4,000.00 0.9715 4,117.28 121.00 45,290.12
12 IV 4,900.00 1.1154 4,392.88 144.00 52,714.52
78.00 33,350.00 12.00 33,350.00 650.00 265,706.99
2,779.17 2,779.17
La ecuación de descuento de las variaciones de temporada es Y = 554.99 + 342.18x.
Gráfica de la recta de ecuación descontada de las variaciones de temporada
Ecuación descontada de las

variaciones de temporada Y = 554.9 +
342.2x
Datos originales
Descuento de las variaciones
de temporada de los datos
Paso 4 Proyectar la recta de la regresión a través del periodo por ser

pronosticado: El propósito es pronosticar los periodos 13 al 16. Lo primero
es resolver la ecuación para Y en cada periodo:
PERIO TRIMES PRONOSTI FACTOR PRONOS

AÑO
DO TRE CO DE Yd ESTACIONAL TICO
13 I 5,003.35 0.8156 4,080.69
14 II 5,345.53 1.0975 5,866.46
4
15 III 5,687.71 0.9715 5,525.69
16 IV 6,029.89 1.1154 6,726.00

Rango de error. Cuando se ajusta una recta mediante puntos de datos y después
se utiliza para hacer pronósticos, los errores se generan desde dos fuentes.
Primero, existen los errores usuales semejantes a la desviación estándar de
cualquier serie de datos.
Segundo, hay errores generados porque la recta está incorrecta. Más que
desarrollar las estadísticas, sólo se demostrará la causa de que se amplíe el rango.
Primero, se visualiza una recta trazada con cierto error de modo que su
inclinación ascendente es muy pronunciada.
Después se calculan los errores estándar para esta recta. Ahora hay que visualizar
otra recta cuya inclinación descendente es muy pronunciada. También tiene un
error estándar.
El rango de error total, para este análisis, consiste de errores que resultan de
ambas rectas así como de otras rectas posibles.
El rango de error se amplia conforme avanza.
Intervalos de
predicción para la
tendencia lineal.

PROMEDIO MÓVIL SIMPLE
Cuando la demanda de un producto no crece ni baja con rapidez, y si
no tiene características estacionales, un promedio móvil puede ser
útil para eliminar las fluctuaciones aleatorias del pronóstico.
Aunque los promedios de movimientos casi siempre son centrados, es
más conveniente utilizar datos pasados para predecir el periodo
siguiente de manera directa.
Un promedio centrado de cinco meses de enero, febrero, marzo, abril
y mayo da un promedio centrado en marzo (los cinco meses de datos
deben existir).
Si el objetivo es pronosticar para julio, se debe proyectar el promedio
de movimientos de marzo a junio.
Si el promedio no está centrado sino que se encuentra en un extremo,
se puede pronosticar con mayor facilidad, aunque quizá se pierda
cierta precisión.

(800+1400+1000)/3


La tienda de suministros para jardín de Donna quiere hacer un pronóstico con el promedio móvil de 3 meses,
Capitulo 4 Ejemplo 1 incluyendo un pronóstico para las ventas de cobertizos el próximo enero.
Pronóstico Promedios Móviles-Promedio móvil de 3 meses

Ingrese las demandas pasadas en el área de datos
Data Análisis de error

Periodo Demanda PRONOSTICO ERROR ABSOLUTO CUADRADO
Forecasting
Enero 10
Febrero 12
Marzo 13
35
Abril 16 11.67 4.33 4.33 18.78
Mayo 19 13.67 5.33 5.33 28.44 30
Junio 23 16.00 7.00 7.00 49.00 25
Value
Julio 26 19.33 6.67 6.67 44.44 20 Demanda
Agosto 30 22.67 7.33 7.33 53.78 15 PRONOSTICO

Septiembre 28 26.33 1.67 1.67 2.78
10
Octubre 18 28.00 -10.00 10.00 100.00
5
Noviembre 16 25.33 -9.33 9.33 87.11
0
Diciembre 14 20.67 -6.67 6.67 44.44 1 3 5 7 9 11
Total 6.33 58.33 428.78
Promedio 0.70 6.48 47.64 Time
Parcial MAD MSE
SE 7.83
Próximo
16
periodo

Aunque es importante seleccionar el mejor periodo para el promedio

móvil, existen varios efectos conflictivos de distintos periodos. Cuanto
más largo sea el periodo del promedio móvil, más se uniformarán
los elementos aleatorios (lo que será conveniente en muchos casos).
Si existe una tendencia en los datos (ya sea a la alta o a la baja), el

promedio móvil tiene la característica adversa de retrasar la tendencia.
Aunque un periodo más corto produce más oscilación, existe un

seguimiento cercano de la tendencia. Por el contrario, un periodo más
largo da una respuesta más uniforme pero retrasa la tendencia.

Se ve que la tendencia de crecimiento se nivela alrededor de la semana
23. El promedio de movimientos de tres semanas responde mejor al
seguir este cambio que el promedio de nueve semanas, aunque en
general, el promedio de nueve semanas es más uniforme.
La principal desventaja al calcular un promedio móvil es que todos los
elementos individuales se deben manejar como información porque un
nuevo periodo de pronóstico comprende agregar datos nuevos y
eliminar los primeros.
Para un promedio móvil de tres o seis periodos, lo anterior no es muy
complicado.
Graficar un promedio móvil de 60 días sobre el uso de cada uno de los 20
000 elementos en un inventario comprendería el manejo de una gran
cantidad de información.

PROMEDIO MÓVIL PONDERADO
 Se usa cuando existe alguna tendencia o patrón
detectable
 Se puede dar ponderaciones o pesos para dar más
importancia a los valores recientes.
 Es necesario tener cierta experiencia para decidir que
ponderaciones se van a utilizar
 Peso del periodo n Demanda en periodo n 

MediaMovilPonderada 
 pesos

MES VENTAS REALES MEDIA MÓVIL PONDERADA DE 3 MESES
January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
May 19
June PESOS
23APLICADOS PERIODO
July 26 3 Último mes
August 30 2 Hace dos meses
September 28 1 Hace tres meses
October 18 6 Suma de los pesos
November Pronóstico 16
para este mes =
December 3 x Ventas
14ultimo mes+ 2 x Ventas hace 2 meses+ 1 x Ventas hace 3 meses
Suma de pesos

MES VENTAS REALES MEDIA MOVIL PONDERADA DE 3 MESES

January 10
February 12
March 13
April 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 14 1/3
June 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
July 26 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1/2
August 30 [(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6
September 28 [(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2
October 18 [(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3
November 16 [(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3
December 14 [(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3

 Tanto los promedios móviles simples como los

ponderados son efectivos para suavizar las
fluctuaciones repentinas en el patrón de la demanda
con el fin de obtener estimaciones estables.
 Sin embargo, los promedios móviles presentan tres
problemas:

1. Si se aumenta el tamaño de n (el número de periodos
promediados) se tiene un mejor alisado de las
fluctuaciones, pero eso hace que el método sea menos
sensible a los cambios reales en los datos.
2. Los promedios móviles no son muy buenos para captar
tendencias. Porque son promedios, siempre se
quedarán en niveles pasados, no predicen los cambios
hacia niveles más altos ni más bajos. Es decir, muestran
un retardo con respecto a los valores reales.
3. Los promedios móviles requieren gran número de datos
históricos.

PROMEDIO MÓVIL PONDERADO Gráfico de promedios móviles
Media móvil ponderada

30 –
25 –
20 –
Demanda
15 –Ventas reales
10 – Media móvil
5–
| | | | | | | | | | | |
J F M A M J J A S O N D
Mes

Un promedio móvil ponderado permite asignar cualquier importancia a
cada elemento, siempre y cuando la suma de todas las ponderaciones
sea igual a uno.
MES 1 2 3 4 5
VENTAS 100 90 105 95 ?
PONDERACI
ON 0.10 0.20 0.30 0.40
El pronóstico para el mes 5 sería

F5 = 0.40(95) + 0.30(105) + 0.20(90) + 0.10(100)
F5 = 38 + 31.5 + 18 + 10
F5 = 97.5

La fórmula para un promedio móvil ponderado es:
Aunque quizá se ignoren muchos periodos (es decir, sus ponderaciones

son de cero) y el esquema de ponderación puede estar en cualquier
orden (por ejemplo, los datos más distantes pueden tener ponderaciones
más altas que los más recientes), la suma de todas las ponderaciones
debe ser igual a uno.

Elección de ponderaciones
La experiencia y las pruebas son las formas más sencillas de elegir las
ponderaciones. Por regla general, el pasado más reciente es el indicador
más importante de lo que se espera en el futuro y, por lo tanto, debe
tener una ponderación más alta.
Si los datos son estacionales, por ejemplo, las ponderaciones se deben
establecer en forma correspondiente. Las ventas de trajes de baño en
enero del año pasado deben tener una ponderación más alta que las
ventas de trajes de baño en julio.
El promedio móvil ponderado tiene una ventaja definitiva sobre el
promedio móvil simple debido a que puede variar los efectos de los
datos pasados.

SUAVIZACIÓN EXPONENCIAL
En los métodos de promedios móviles simple y ponderado, y de análisis
de regresión la principal desventaja es la necesidad de manejar en forma
continua gran cantidad de datos históricos. En estos métodos, al agregar
cada nueva pieza de datos, se elimina la observación anterior y se calcula
el nuevo pronóstico. Si las ocurrencias más recientes son más indicativas
del futuro que aquellas en el pasado más distante es probable que el
método más lógico y fácil sea la suavización exponencial.
La razón por la que se llama suavización exponencial es que cada
incremento en el pasado se reduce (1 − α). Por ejemplo, si α es 0.05, las
ponderaciones para los distintos periodos serían las siguientes (α se
define a continuación):

El alisado exponencial es otro método de pronóstico de promedios
móviles ponderados.
Necesita un reducido número de datos pasados y es bastante fácil de
usar.
Nuevo pronóstico = Pronóstico del último periodo
+ α (demanda real del último periodo
– Pronóstico del último periodo)
Ft = Ft – 1 + α(At – 1 – Ft – 1)
Donde Ft = Nuevo pronóstico
Ft – 1 = Pronóstico del periodo anterior
a = Constante de alisado o ponderación (0 ≤ α ≤ 1)
At – 1 = Demanda real del periodo anterior

Ejemplo.- En enero, un vendedor de automóviles predijo que la
demanda para febrero sería de 142 Ford Mustang. La demanda real
en febrero fue de 153 automóviles. Usando la constante de
suavizamiento que eligió la administración de α = 0.20, el vendedor
quiere pronosticar la demanda para marzo usando el modelo de
suavizamiento exponencial.
Predicción de la demanda= 142 Ford Mustangs
Demanda real= 153
Constante de suavización α= 0.20
Nuevo pronóstico = 142 + 0.2(153 – 142) = 144,20


Efectos de la constante de suavización
Habitualmente la constante de suavización está

en el rango comprendido entre 0.05 ≤ α ≤ 0.50.
Puede cambiarse para dar más peso a datos
recientes (cuando α es alta) o más peso a datos
anteriores (si α es baja). Es decir, a medida que α
crece los valores más antiguos tienen menor
relevancia.

Efectos de la constante de suavización
 Cuando α llega al extremo de 1.0, entonces:
Ft = Ft – 1 + 1.0(At – 1 – Ft – 1) = 1.0(At – 1)
Todos los valores anteriores desaparecen y el pronóstico
pasa ser igual al modelo simple. Es decir, el pronóstico
para el siguiente periodo es idéntica a la demanda del
periodo actual.

SUAVIZACIÓN EXPONENCIAL Efectos de la constante de suavización
PESO ASIGNADO A
2do 4to 5to
PERIODO 3erPERIODO
CONSTANTE PERIODO PERIODO PERIODO
MAS MAS
DE MAS MAS MAS
RECIENTE RECIENTE
SUAVIZACIÓN RECIENTE RECIENTE RECIENTE
(a ) a(1 – a)2
a(1 – a) a(1 – a)3 a(1 – a)4
a = 0.1 0.1 0.09 0.081 0.073 0.066
a = 0.5 0.5 0.25 0.125 0.063 0.031
Por ejemplo, cuando α= 0.5, podemos ver que el nuevo pronóstico se
basa casi por completo en la demanda de los últimos tres o cuatro
periodos.
Cuando α= 0.1, el pronóstico asigna menos importancia a la
demanda reciente y toma en cuenta los valores históricos de muchos
periodos (alrededor de 19).

Impacto de diferente a
225 –
Demanda a =0.5
real
200 –
Demanda
175 –
a = 0.1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre

Elección de la constante de alizado a

225 –
Demanda a =0.5
 Seleccione
200 – un a real
alto cuando
Demanda
es probable que varíe la

media subyacente.
175 –
 Los valores bajos de a se
seleccionan cuando la media a = 0.1
subyacente
150 – | | es bastante
| | | | | | |
estable.
1 2 3 4 5 6 7 8 9
Trimestre

Razones para el uso del suavizado exponencial:
1.Los modelos exponenciales son sorprendentemente precisos.

2.Formular un modelo exponencial es relativamente fácil.
3.El usuario puede entender cómo funciona el modelo.
4.Se requieren muy pocos cálculos para utilizar el modelo.
5.Los requerimientos de almacenamiento en la computadora son
bajos debido al uso limitado de datos históricos.
6.Es fácil calcular las pruebas de precisión relacionadas con el
desempeño del modelo.

SUAVIZACIÓN EXPONENCIAL MEDICIÓN DEL ERROR DE PREVISIÓN
La exactitud global de cualquier modelo de previsión

(media móvil, alisado exponencial u otro) puede
determinarse al comparar los valores pronosticados
con los valores reales u observados.
Si Ft denota el pronóstico en el periodo t, y At denota

la demanda real del periodo t, el error de pronóstico
(o desviación) se define como:
Error de pronóstico = Demanda real − Valor pronosticado
= At - Ft

SUAVIZACIÓN EXPONENCIAL MEDICIÓN DEL ERROR DE PREVISIÓN
En la práctica se usan varias medidas para calcular el

error global de pronóstico.
Estas medidas pueden usarse para comparar distintos

modelos de pronóstico, así como para vigilar los
pronósticos y asegurar su buen desempeño.
Las tres medidas mas habituales son:
1. Desviación absoluta media (DAM).
2. Error cuadrático medio (ECM).
3. Error porcentual absoluto medio (EPAM).

SUAVIZACIÓN EXPONENCIAL DESVIACIÓN ABSOLUTA MEDIA (DAM)
Se calcula sumando los valores absolutos de los
errores del pronóstico (desviaciones) individuales y
dividiendo por el número de periodos (n):
DAM   Real - Pronóstico

n

Durante los últimos 8 trimestres, en el puerto de Baltimore se han

descargado de los barcos grandes cantidades de grano. El
administrador de operaciones del puerto quiere probar el uso de
suavizamiento exponencial para ver qué tan bien funciona la técnica
para predecir el tonelaje descargado. Supone que el pronóstico de
grano descargado durante el primer trimestre fue de 175 toneladas.
Se examinan dos valores de α = 0.10 y = 0.50.

TONELADAS PRONÓSTICO
TRIMESTRE REALES PRONÓSTICO CON a = 0.10 CON
DESCARGADAS a = 0.50
1 180 175 175
2 168 175.50 = 175.00 + 0.10(180 – 175) 177.50
3 159 174.75 = 175.50 + 0.10(168 – 175.50) 172.75
4 175 173.18 = 174.75 + 0.10(159 – 174.75) 165.88
5 190 173.36 = 173.18 + 0.10(175 – 173.18) 170.44
6 205 175.02 = 173.36 + 0.10(190 – 173.36) 180.22
7 180 178.02 = 175.02 + 0.10(205 – 175.02) 192.61
8 182 178.22 = 178.02 + 0.10(180 – 178.02) 186.30
9 ? 178.59 = 178.22 + 0.10(182 – 178.22) 184.15

ANALISIS DE SERIES DE TIEMPO DESVIACIÓN ABSOLUTA MEDIA (DAM)

TONELADAS DESVIACIÓN DESVIACIÓN
REALES PRONÓSTICO ABSOLUTA PRONÓSTIC ABSOLUTA
TRIMESTRE
DESCARGA CON a = 0.10 PARA a = O CON a = PARA a =
DAS 0.10 0.50 0.50
1 180 175 5.00 175 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
Suma de desviaciones absolutas: 82.45 98.62
Σ|Deviaciones|
DAM = 10.31 12.33
n

Con base en esta comparación de las dos DAM, se prefiere una

constante de suavizamiento α = 0.10 en lugar de una α = 0.50
porque su DAM es más pequeña.

ERROR CUADRATICO MEDIO (ECM)
Es una segunda forma de medir el error de pronostico total. Es la

media de las diferencias al cuadrado entre los valores pronosticados
y los reales.
 
ECM  
2
Errores de pronóstico
n
Ejemplo.- El administrador de operaciones del puerto

de Baltimore quiere calcular ahora el ECM para α=
0.10.

TONELADAS
REALES PRONOSTICO
TRIMESTRE DESCARGADAS CON a = 0.10 (ERROR)2
1 180 175 52 = 25
2 168 175.50 (–7.5)2 = 56.25
3 159 174.75 (–15.75)2 = 248.06
4 175 173.18 (1.82)2 = 3.31
5 190 173.36 (16.64)2 = 276.89
6 205 175.02 (29.98)2 = 898.80
7 180 178.02 (1.98)2 = 3.92
8 182 178.22 (3.78)2 = 14.29
Suma de errores al cuadrado = 1,526.52
 Errores de pronóstico 2
ECM   1,526.52 / 8  190.8

n

¿Este ECM = 190.8 es bueno o malo? Todo depende de
los ECM calculados para otros métodos de pronóstico. Un
ECM más bajo es mejor porque es un valor que
queremos minimizar.
El ECM exagera los errores porque los eleva al cuadrado.
Calculamos el ECM para α = 0.50. Encontramos que es
195.24. El resultado indica que α = 0.10 es una mejor
elección porque se busca el ECM más bajo.

Una desventaja de emplear el ECM es que tiende a
acentuar las desviaciones importantes debido al
término al cuadrado.
Por ejemplo, si el error de pronóstico para el periodo 1 es
dos veces más grande que el error para el periodo 2,
entonces el error al cuadrado en el periodo 1 es cuatro
veces más grande que el del periodo 2.
Por lo tanto, el uso del ECM como medición del error de
pronóstico usualmente indica que se prefiere tener varias
desviaciones pequeñas en lugar de una sola desviación
grande.

ERROR PORCENTUAL ABSOLUTO
MEDIO (EPAM)
Un problema tanto con la DAM como con el ECM es que
sus valores dependen de la magnitud del elemento que se
pronostica.
Si el elemento pronosticado se mide en millares, los
valores de la DAM y del ECM pueden ser muy grandes.
Para evitar este problema, podemos usar el Error
Porcentual Absoluto Medio (EPAM).
Éste se calcula como el promedio de las diferencias
absolutas encontradas entre los valores pronosticados y
los reales, y se expresa como un porcentaje de los valores
reales.

MEDIO (EPAM)
100 Re al  Pr onóstico
i i / Reali
EPAM  i 1
n
Ejemplo.- El puerto de Baltimore ahora

quiere calcular el MAPE cuando α = 0.10.

MEDIO (EPAM)
ACTUAL
TONNAGE FORECAST FOR ABSOLUTE PERCENT ERROR
QUARTER UNLOADED a = 0.10 100(|ERROR|/ACTUAL)
1 180 175.00 100(5/180) = 2.78%
2 168 175.50 100(7.5/168) = 4.46%
3 159 174.75 100(15.75/159) = 9.90%
4 175 173.18 100(1.82/175) = 1.05%
5 190 173.36 100(16.64/190) = 8.76%
6 205 175.02 100(29.98/205) = 14.62%
7 180 178.02 100(1.98/180) = 1.10%
8 182 178.22 100(3.78/182) = 2.08%
Sum of % errors = 44.75%
EPAM   Error porcentual absoluto  44.75%  5.59%

n 8

MEDIO (EPAM)
El EPAM expresa el error como un porcentaje de los
errores reales, sin que esté distorsionado por un solo
valor muy grande.
Si calculamos el EPAM cuando α es igual a 0.50? Encontramos
que es = 6.75%.
De igual forma que con la DAM y el ECM, el α = 0.1 es preferible
para esta serie de datos.
El EPAM es quizá la medida más fácil de interpretar. Por
ejemplo, un resultado cuyo EPAM es del 6% indica claramente
que no depende de aspectos como la magnitud de los datos de
entrada.

SUAVIZACIÓN EXPONENCIAL COMPARACIÓN DE MEDIDAS
TABLE 4.1 Comparison of Measures of Forecast Error
MEASURE MEANING APPLICATION TO CHAPTER EXAMPLE

Mean absolute How much the forecast For a = .10 in Example, the forecast for grain unloaded
deviation (MAD) missed the target was off by an average of 10.31 tons.
Mean squared The square of how much For a = .10 in Example, the square of the forecast
error (MSE) the forecast missed the error was 190.8. This number does not have a
target physical meaning, but is useful when compared to the
MSE of another forecast.
Mean absolute The average percent For a = .10 in Example, the forecast is off by 5.59% on
percent error error average. Some forecasts were too high, and some
(MAPE) were low.

SUAVIZACIÓN EXPONENCIAL COMPARACIÓN DE MEDIDAS DE ERROR
Pronóstico Desviación Pronóstico Desviación

Tonelaje redondeado absoluta redondeado absoluta
real para para para para
Trimestre descargado a = 0.10 a = 0.10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62

Pronóstico Desviación Pronóstico Desviación

Tonelaje∑ |deviations|
redondeado absoluta redondeado absoluta
DAM =
real
Trimestre descargado
para
a =n0.10
para
a = 0.10
para
a = .50
para
a = .50
1 180 175 5.00 175 5.00
2 For a 168
= 0.10 175.5 7.50 177.50 9.50
3 159 = 82.45/8
174.75 = 15.75
10.31 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 For a 190
= 0.50 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 = 98.62/8
178.02 = 12.33
1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62

Rounded Absolute Rounded Absolute

∑ (forecast
Actual errors)
Forecast
2
Deviation Forecast Deviation
ECM =Tonnage with for with for
Quarter Unloaded a =n.10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 For a 168
= .10 175.5 7.50 177.50 9.50
3 159 174.75
= 1,526.52/8 = 15.75
190.8 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 For a 190
= .50 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 = 1,561.91/8
180 178.02 = 195.24
1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33

n
∑
Actual
Rounded
Forecast
Absolute
100|deviation i |/actual
Deviation
Rounded
iForecast
Absolute
Deviation
EPAM
Quarter
= i=1
Tonnage
Unloaded
with
a = .10
for
a = .10
with
a = .50
for
a = .50
n
1 180 175 5.00 175 5.00
2 For a
168= 0.10175.5 7.50 177.50 9.50
3 159 174.75
= 44.75%/8 15.75
= 5.59% 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 For a
190= 0.50173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 = 54.00%/8
178.02 =1.98
6.75% 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24

Rounded Absolute Rounded Absolute

Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded a = .10 a = .10 a = .50 a = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62
DAM 10.31 12.33
ECM 190.82 195.24
EPAM 5.59% 6.75%

SUAVIZADO EXPONENCIAL CON AJUSTE DE TENDENCIA
El suavizamiento exponencial simple, como cualquier

técnica de promedios móviles, falla en su respuesta a
las tendencias.
Por lo que es necesario modificar el suavizamiento
exponencial cuando está presente una tendencia.
Suponga que la demanda de un producto o servicio ha

venido aumentando en 100 unidades cada mes y que
hemos obtenido pronósticos con α= 0.4 en el modelo
de suavizamiento exponencial.

MONTH ACTUAL DEMAND FORECAST (Ft) FOR MONTHS 1 – 5
1 100 F1 = 100 (given)
2 200 F2 = F1 + a(A1 – F1) = 100 + .4(100 – 100) = 100
3 300 F3 = F2 + a(A2 – F2) = 100 + .4(200 – 100) = 140
4 400 F4 = F3 + a(A3 – F3) = 140 + .4(300 – 140) = 204
5 500 F5 = F4 + a(A4 – F4) = 204 + .4(400 – 204) = 282
La tabla siguiente muestra un retraso considerable en

los meses 2, 3, 4 y 5, aún cuando nuestra estimación
inicial para el mes 1 es perfecta.

Para mejorar nuestro pronóstico, ilustraremos un

modelo de suavizamiento exponencial más complejo,
uno que hace ajustes de tendencia. La idea es calcular
un promedio suavizado exponencialmente
de los datos y después ajustar el retraso positivo o
negativo encontrado en la tendencia.

Pronóstico Media de Tendencia

incluyendo (FITt) = pronóstico (Ft) + Alizada (Tt) …..4.8
la tendencia suavizado exponencialmente
exponencialmente
Con el suavizamiento exponencial ajustado por la
tendencia, las estimaciones del promedio y de la
tendencia se suavizan.
Este procedimiento requiere dos constantes de
suavizamiento α para el promedio y β para la tendencia.
Después calculamos el promedio y la tendencia para cada
periodo.


incluyendo (FITt) = pronóstico (Ft) + Alizada (Tt)
exponencialmente
Ft = α (demanda real del último periodo) + (1- α)(pronóstico último periodo +

estimación de tendencia último periodo)
Ft = α(At - 1) + (1 - α)(Ft - 1 + Tt - 1)


incluyendo (FITt) = pronóstico (Ft) + Alizada (Tt)
exponencialmente
Ft = α(At - 1) + (1 - α)(Ft - 1 + Tt - 1)…………………..4.9
Tt = β(pronóstico periodo actual - pronóstico ú ltimo periodo) +
(1 - β)estimación de tendencia ultimo periodo)
Tt = β(Ft - Ft - 1) + (1 - β)Tt - 1 …………………..4.10


Tt = β(Ft - Ft - 1) + (1 - β)Tt - 1
Donde:
Ft = media prevista suavizada exponencialmente de la serie

de datos en el periodo t.
Tt = tendencia susvizada exponencialmente en el periodo t.
At = demanda real en el period t.
α = Constante de suvizado para la media (0 ≤ α ≤ 1)
β = Constante de suavizado para la tendencia (0 ≤ β ≤ 1)

PASOS PARA CALCULAR UN PRONÓSTICO CON AJUSTE DE

TENDENCIA
1. Calcule Ft, el pronóstico suavizado exponencialmente
para el periodo t, usando la ecuación (4.9).
2. Calcule la tendencia suavizada, Tt, usando la ecuación
(4-10).
3. Calcule el pronóstico incluyendo la tendencia, FITt,
con la fórmula FITt = Ft + Tt. De la ecuación 4.8

CÁLCULO DE UN PRONÓSTICO DE SUAVIZAMIENTO

EXPONENCIAL CON AJUSTE DE LA TENDENCIA
Un importante fabricante de Portland quiere pronosticar la
demanda de un equipo para control de la contaminación.
Una revisión de las ventas histórica, como se muestra a
continuación, indica que hay una tendencia creciente.
Las constantes de suavizamiento se les asignan los valores α
= 0.2 y β = 0.4. La compañía supone que el pronóstico inicial
para el mes 1 (F1) fue de 11 unidades y que la tendencia
durante el mismo periodo (T1) fue de 2 unidades.

MONTH (t) ACTUAL DEMAND (At) MONTH (t) ACTUAL DEMAND (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?
a = 0.2 b = 0.4

Pronostique para el mes 2
TABLE 4.2 Forecast with a = .2 and b = .4

SMOOTHED FORECAST
FORECAST SMOOTHED INCLUDING TREND,
MONTH ACTUAL DEMAND AVERAGE, Ft TREND, Tt FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
Step 1: Average for Month 2
5 24
6 21 F2 = aA1 + (1 – a)(F1 + T1)
7 31
8 28 F2 = (0.2)(12) + (1 – 0.2)(11 + 2)
9 36 = 2.4 + (.8)(13) = 2.4 + 10.4
10 —
= 12.8 units

Calcule la tendencia en el periodo 2

SMOOTHED FORECAST
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Step 2: Trend for Month 2
6 21
7 31 T2 = b(F2 - F1) + (1 - b)T1
8 28
T2 = (.4)(12.8 - 11) + (1 - .4)(2)
9 36
10 — = .72 + 1.2 = 1.92 units

Calcule el pronóstico incluyendo la tendencia (FITt)

SMOOTHED FORECAST
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20
4 19
5 24 Step 3: Calculate FIT for Month 2
6 21
7 31 FIT2 = F2 + T2
8 28
FIT2 = 12.8 + 1.92
9 36
10 — = 14.72 units

También realizamos los mismos cálculos para el tercer mes

Paso 1. F3 = α A2 + (1 − α)(F2 + T2) = (.2)(17) + (1 − .2)(12.8 +
1.92)
= 3.4 + (.8)(14.72) = 3.4 + 11.78 = 15.18
Paso 2. T3 = β(F3 − F2) + (1 − β)T2 = (.4)(15.18 − 12.8) + (1 −

0.4)(1.92)
= (.4)(2.38) + (.6)(1.92) = .952 + 1.152 = 2.10
Paso 3. FIT3 = F3 + T3 = 15.18 + 2.10 = 17.28



SMOOTHED FORECAST
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 — 32.48 2.68 35.16

40 – Figure 4.3
35 –
Demanda del producto
30 – Demanda real (At)

25 –
20 –
15 –
10 – Pronóstico incluyendo la tendencia (FITt)
5 – con a = 0.2 y b = .4
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Tiempo (meses)

En la figura 4.3 se compara la demanda real (At) contra un

pronóstico de suavizamiento exponencial que incluye la
tendencia (FITt). El FIT incorpora la tendencia en la
demanda real.
Un modelo de suavizamiento exponencial simple (tal
como lo vimos en los ejemplos 3 y 4) tiene un retraso
importante.

El valor de la constante de suavizamiento de la tendencia,

β, se parece a la constante α porque una β alta responde
más rápido a cambios recientes de una tendencia. Una β
baja da menos peso a las tendencias más recientes y
tiende a suavizar la tendencia actual. Los valores de β
pueden encontrarse por prueba y error o utilizando algún
software comercial sofisticado para calcular pronósticos,
con la MAD como medida de comparación.

A menudo, el suavizamiento exponencial simple se

denomina suavizamiento de primer orden, y al
suavizamiento con ajuste de la tendencia se le llama
suavizamiento de segundo orden o suavizamiento
doble. También se utilizan otros modelos de
suavizamiento exponencial, como el suavizamiento
ajustado a la estación y el suavizamiento triple.

Datos para pronosticar el futuro: el pronóstico más reciente, la

demanda real que ocurrió durante el periodo de pronóstico y una
constante de uniformidad alfa (α).
Esta constante de suavización determina el nivel de uniformidad y

la velocidad de reacción a las diferencias entre los pronósticos y las
ocurrencias reales.
El valor de una constante se determina tanto por la naturaleza del

producto como por el sentido del gerente de lo que constituye un
buen índice de respuesta.

Mientras más rápido sea el crecimiento, más alto deberá ser el índice de
reacción.
En ocasiones, los usuarios del promedio móvil simple cambian a la suavización
exponencial pero conservan las proyecciones similares a las del promedio móvil
simple. α se calcula 2 ÷ (n + 1), donde n es el número de periodos.
La ecuación para un solo pronóstico de uniformidad exponencial es:
El nuevo pronóstico es igual al pronóstico anterior más una porción del error (la
diferencia entre el pronóstico anterior y lo que ocurrió realmente).

Ejemplo: Si la demanda a largo plazo para el producto es relativamente estable
y una constante de suavización (α) de 0.05 se considera apropiada. Suponga
que el pronóstico del mes pasado (Ft–1) fue de 1 050 unidades. Si la demanda
real fue de 1 000, en lugar de 1 050, el pronóstico para este mes sería:
Como el coeficiente de suavización es bajo, la reacción del nuevo pronóstico a un

error de 50 unidades es reducir el pronóstico del próximo mes en sólo 2½
unidades.
La suavización exponencial simple tiene la desventaja de retrasar los cambios en
la demanda.

Pronósticos exponenciales versus demanda real de las unidades de un

producto a través del tiempo mostrando una demora en el pronóstico
2018 29 69 CGT

El pronóstico se retrasa durante un incremento o un

decremento pero se dispara cuando ocurre un
cambio en la dirección.
Mientras más alto sea el valor de alfa, el pronóstico
será más cercano a la realidad. Y mientras más se
acerque a la demanda real, es probable sumar un
factor de tendencia.
También resulta útil ajustar el valor de alfa. Esto se
conoce como pronóstico adaptativo.

Efectos de la tendencia en la suavización exponencial
Una tendencia hacia arriba o hacia abajo en los datos recopilados durante una
secuencia de periodos hace que el pronóstico exponencial siempre se quede
por debajo o atrás de la ocurrencia real. Los pronósticos suavizados
exponencialmente se pueden corregir agregando un ajuste a las tendencias.
Para corregir la tendencia, se necesitan dos constantes de suavización. Además

de la constante de suavización α, la ecuación de la tendencia utiliza una
constante de suavización delta (δ). La delta reduce el impacto del error que
ocurre entre la realidad y el pronóstico.
Si no se incluyen ni alfa ni delta, la tendencia reacciona en forma exagerada
ante los errores.
Para continuar con la ecuación de la tendencia, la primera vez que se utiliza es

preciso capturar el valor manualmente. Este valor de la tendencia inicial puede
ser una adivinanza informada o un cálculo basado en los datos pasados
observados.

Ecuación para calcular el pronóstico incluida la tendencia (FIT, forecast including
trend):

Ejemplo:
Pronóstico incluida la tendencia
Suponga una Ft inicial de 100 unidades, una tendencia de 10 unidades, una alfa
de 0.20 y una delta de 0.30. Si la demanda real resulta ser de 115 en lugar de
los 100 pronosticados, calcule el pronóstico para el periodo siguiente.
Al sumar el pronóstico inicial y la tendencia, se obtiene

Si, en lugar de 121.3, la realidad resulta ser 120, la secuencia se repetiría y el

pronóstico para el siguiente periodo sería:

Elección del valor apropiado para alfa
La suavización exponencial requiere de dar a la constante de suavización alfa (α)
un valor entre 0 y 1. Si la demanda real es estable (como la demanda de
electricidad o alimentos), sería deseable una alfa pequeña para reducir los
efectos de los cambios a corto plazo o aleatorios.
Si la demanda real aumenta o disminuye con rapidez (como en los artículos de
moda o los aparatos electrodomésticos menores), se quisiera una alfa alta para
tratar de seguirle el paso al cambio. Sería ideal poder proyectar qué alfa se
debe usar. Hay dos elementos en contra:
1. Tomaría tiempo determinar la constante alfa que se adapte mejor a los datos
reales y el proceso sería tedioso.
2. Como la demanda cambia, quizá pronto sea necesario revisar la constante
alfa que se eligió esta semana. Por lo tanto, se necesita un método
automático para rastrear y cambiar los valores alfa.

Estrategias para controlar el valor de alfa.
Una de ellas utiliza distintos valores de alfa y la otra una señal de seguimiento:
Dos o más valores predeterminados de alfa. Se mide la cantidad de error entre

el pronóstico y la demanda real. Dependiendo del grado de error, se utilizan
distintos valores de alfa. Si el error es grande, alfa es 0.8; si el error es pequeño,
alfa es 0.2.
Valores calculados de alfa. Una constante de rastreo alfa calcula si el pronóstico

sigue el paso a los cambios genuinos hacia arriba o hacia abajo en la demanda
(en contraste con los cambios aleatorios). En esta aplicación, la constante de
rastreo alfa se define como el error real suavizado exponencialmente dividido
entre el error absoluto suavizado exponencialmente. Alfa cambia de un periodo
a otro en el rango posible de 0 a 1.

Y Pronóstico de La Demanda

Cargado por

Información del documentohacer clic para expandir la información del documento

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Y Pronóstico de La Demanda

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

Y Pronóstico de La Demanda

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA

WILTON LÓPEZ MIÑANO

Financiero largo plazo Largo Plazo

Programación Ordenes de Lanzamiento Supervisión y

PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS

PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS

PRONOSTICOS, DEFINICION, PRONOSTICOS TACTICOS Y ESTRATEGICOS

El propósito del manejo de la demanda es coordinar y controlar todas

Las series de tiempo se basa en la idea de que es posible utilizar

Los modelos de simulación permiten al encargado del pronóstico

La demanda de productos o servicios se puede dividir en seis

Demanda promedio para el periodo,

TECNICAS PARA PREDECIR LA DEMANDA

Un método de pronóstico de uso muy común consiste en graficar

En ocasiones, la información no parece adaptarse a ninguna curva

Tendencia lineal es una relación

Curva S es típica del crecimiento

Tendencia asintótica empieza con el

TECNICAS CUALITATIVAS DE PRONÓSTICO

TECNICAS CUALITATIVAS DE PRONÓSTICO

Empresas externas especialistas en la investigación de

La investigación de mercados se utiliza sobre todo para la

Una vez más, los métodos de recopilación de datos son sobre

TECNICAS CUALITATIVAS DE PRONÓSTICO

TECNICAS CUALITATIVAS DE PRONÓSTICO

En un grupo de consenso, un grupo de personas que ocupan

La técnica de Delfos se desarrolló para tratar de corregir este impedimento

TECNICAS CUALITATIVAS DE PRONÓSTICO

El método de Delfos oculta la identidad de los individuos

Un moderador crea un cuestionario y lo distribuye entre los

Rand Corporation desarrolló el método de Delfos en la

TECNICAS CUALITATIVAS DE PRONÓSTICO

1. Elegir los expertos a participar, con gran variedad de personas con

2. Por medio de un cuestionario obtener las proyecciones (y cualquier premisa

3. Resumir los resultados y redistribuirlos entre los participantes con las

4. Volver a resumir, refinar las proyecciones y condiciones, y una vez más

5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre

Delfos puede lograr resultados satisfactorios en tres rondas.

ANALISIS DE SERIES DE TIEMPO

Los modelos de pronósticos de series de tiempo tratan de predecir el

Corto plazo se refiere a menos de tres meses. compensan la variación

ANALISIS DE SERIES DE TIEMPO

El modelo de pronóstico depende de:

ANALISIS DE SERIES DE TIEMPO

GUÍA PARA SELECCIONAR UN PRONÓSTICO

ANALISIS DE SERIES DE TIEMPO

ANALISIS DE SERIES DE TIEMPO

Aun cuando la demanda de productos individuales dentro de

ANALISIS DE SERIES DE TIEMPO

La regresión lineal se utiliza tanto para pronósticos de series

Cuando la variable dependiente (eje vertical) cambia como

Si una variable cambia debido al cambio en otra, se trata de una

ANALISIS DE SERIES DE TIEMPO AÑO TRIMESTRE VENTAS

trimestre del 12 4900

ANALISIS DE SERIES DE TIEMPO

La ecuación de los mínimos cuadrados para la regresión lineal

Y = Variable dependiente calculada mediante la ecuación