PRÁCTICA PRINCIPAL 2 – INSTRUCTIVO 2
CONCLUSIÓN
No es fácil desarrollar un sistema de pronóstico. Sin embargo, esto debe hacerse porque
la previsión es esencial para cualquier trabajo de planificación. A corto plazo, se
necesitan pronósticos para predecir la demanda de materiales, productos, servicios u
otros recursos para responder a los cambios en la demanda. La previsión le permite
ajustar el cronograma y cambiar la mano de obra y los materiales. En última instancia,
los pronósticos deben utilizarse como base para cambios estratégicos, como el
desarrollo de nuevos mercados, la creación de nuevos productos o servicios y la
expansión o construcción de nuevas instalaciones.
Se deben considerar los factores económicos, las tendencias de los productos, los
factores de crecimiento y competencia, y otras posibles variables, y los pronósticos
deben ajustarse para reflejar el impacto de cada variable.
VOCABULARIO BÁSICO
• Demanda dependiente: Necesidades de un producto o servicio incitadas por
la demanda de otros servicios o productos. Esta demanda interna no tiene que
ser pronosticada, pero puede calcularse sobre la base de la demanda de otros
productos o servicios.
• Demanda independiente: Demanda que no puede derivarse directamente de
la demanda de otros productos.
• Análisis de series de tiempo: Tipo de pronóstico en que se anticipa la
demanda futura con datos relacionados a la demanda anterior.
• Suavización exponencial: Técnica de pronóstico por series de tiempo, en la
que cada incremento de los datos de la demanda anterior aminora en (1 − α).
• Constante de suavización alfa (α): Parámetro de la ecuación de suavización
exponencial que controla la velocidad de reacción a las diferencias entre los
pronósticos y la demanda real.
• Constante de suavización delta (δ): Parámetro adicional de la ecuación de
suavización exponencial que comprende un ajuste de la tendencia.
• Desviación absoluta media (MAD): Error promedio del pronóstico usando
valores absolutos de error de cada pronóstico anterior.
• Señal de seguimiento: Medida que indica si el promedio del pronóstico
concuerda con alzas o bajas verdaderas de la demanda.
REPASO DE FÓRMULAS
PROBLEMAS
PROBLEMAS EJEMPLO (ANALIZAR, REVISAR Y REPETIR LOS SIGUIENTES
PROBLEMAS EJEMPLO)
1. Ilustración 15.5, Promedio móvil simple, períodos de tres y nueve
semanas, (Pag. 475);
a) Pronóstico de la semana
b) Pronóstico de promedio móvil contra demanda real
El gráfico de datos de la figura muestra el efecto de diferentes duraciones del
período de promedio móvil. Se espera que la tendencia de crecimiento se
estabilice alrededor de la semana 23. El promedio móvil de tres semanas sigue
este cambio mejor que el promedio de nueve semanas, aunque en general, el
promedio de nueve semanas es más consistente.
La principal desventaja en el cálculo de un medio móvil es que todos los
elementos individuales deben tratarse como información como una nueva
duración de PROGNO, incluyen agregar nuevos datos y eliminar la primera.
Para un promedio penetrante de tres o seis períodos, lo anterior no es muy
complicado. Sin embargo, los gráficos son un promedio móvil de 60 días en el
uso de cada uno de los 20,000 elementos en un inventario que incluye
administrar una gran cantidad de información.
2. Ejemplo de Promedio móvil ponderado (Página 476);
Mientras que el promedio móvil simple da igual importancia a cada uno de los
componentes de la base de datos del promedio móvil, un promedio móvil
ponderado permite asignar cualquier importancia a cada elemento, siempre y
cuando la suma de todas las ponderaciones sea igual a uno. Por ejemplo, tal
vez una tienda departamental se dé cuenta de que, en un periodo de cuatro
meses, el mejor pronóstico se deriva utilizando 40% de las ventas reales
durante el mes más reciente, 30% de dos meses antes, 20% de tres meses
antes y 10% de hace cuatro meses. Si las ventas reales fueron:
La fórmula para un promedio móvil ponderado es:
Ft = w1At−1 + w2At−2 + … + wnAt−n
Entonces el pronóstico para el mes 5 sería:
F5 = 0.40(95) + 0.30(105) + 0.20(90) + 1.10(100)
F5 = 38 + 31.5 + 18 + 10 = 97.5
3. Ilustración 15.6 Pronósticos exponenciales versus demanda real (Página
478);
AÑO ESTE
PASADO AÑO
ENERO 6 72
FEBRERO 212 90
MARZO 378 108
ABRIL 129 134
MAYO 163 92
JUNIO 96 137
JULIO 167
AGOSTO 159
SEPTIEMBRE 201
OCTUBRE 153
NOVIEMBRE 76
DICIEMBRE 30
𝑃𝑅𝐼𝑀𝐸𝑅𝐴 𝑅𝐸𝐺𝐿𝐴:𝐿𝑂 𝑄𝑈𝐸 𝑆𝐸 𝑉𝐸𝑁𝐷𝐴 𝐿𝑂𝑆 𝑈𝐿𝑇𝐼𝑀𝑂𝑆 3 𝑀𝐸𝑆𝐸𝑆 𝑃𝑅𝑂𝐵𝐴𝐵𝐿𝐸𝑀𝐸𝑁𝑇𝐸
SERA LO QUE SE VENDE LOS SIGUIENTES 3 MESES
𝑃𝑅𝑂𝑁𝑂𝑆𝑇𝐼𝐶𝑂 ሺ𝐴𝐵𝑅𝐼𝐿, 𝑀𝐴𝑌𝑂, 𝐽𝑈𝑁𝐼𝑂ሻ = 𝐷𝐸𝑀𝐴𝑁𝐷𝐴ሺ𝐸𝑁𝐸𝑅𝑂, 𝐹𝐸𝐵𝑅𝐸𝑅𝑂, 𝑀𝐴𝑅𝑍𝑂ሻ
PRONOSTICO=72+90+180
134+92+137=72+90+180
PRONOSTICO*363=270
PRONOSTICO=270/363
PRONOSTICO=0,74
𝑄𝑈𝐼𝑁𝑇𝐴 𝑅𝐸𝐺𝐿𝐴:𝐶𝐴𝑀𝐵𝐼𝑂 𝑃𝑂𝑅𝐶𝐸𝑁𝑇𝑅𝑈𝐴𝐿 𝐷𝐸 𝐿𝑂𝑆 𝑈𝐿𝑇𝐼𝑀𝑂𝑆 3 𝑀𝐸𝑆𝐸𝑆 𝑆𝐸𝑅𝐴 𝐸𝐿 𝑀𝐼𝑆𝑀𝑂
CAMBIO PORCENTUAL QUE SE TENDRA LOS SIGUIENTES 3 MESES
4. Ejemplo 15.1, 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
FITt−1 = Ft−1 + Tt−1 = 100 + 10 = 110
La verdadera At–1 se da como 115. Por lo tanto,
Ft = FITt−1 + α(At−1 − FITt−1)
Ft= 110 + .2(115 − 110) = 111.0
Tt = Tt−1 + δ(Ft − FITt−1)
Tt= 10 + .3(111 − 110) = 10.3
FITt = Ft + Tt = 111.0 + 10.3 = 121.3
Si, en lugar de 121.3, la realidad resulta ser 120, la secuencia se repetiría y el
pronóstico para el siguiente periodo sería
Tt+1 = 121.3 + .2(120 − 121.3) = 121.04
Tt+1 = 10.3 + .3(121.04 − 121.3) = 10.22
FITt+1 = 121.04 + 10.22 = 131.26
5. Ilustración 15.8, Cálculo de la MAD, RSEF y TS, (Página 483);
Cálculo de la desviación absoluta media (MAD), la suma corriente de los errores
en el pronóstico (RSFE) y la señal de seguimiento (TS) a partir del pronóstico y los
datos reales
Para el mes 6, MAD = 400 ÷ 6 = 66.7
Para el mes 6, TS = RSFE = 220 = 3.3 MAD.
MAD 66.7
6. Ejemplo 15.2, Método de mínimos cuadrados;
TRIMESTRE VENTAS
1 600
2 1550
3 1500
4 1500
5 2400
6 3100
7 2600
8 2900
9 3800
10 4500
11 4000
12 4900
13 5116.73
14 5476.35
15 5835.97
16 6195.59
x y xy x2 y2 Y
1 600 600 1 360000 801.29
2 1550 3100 4 2402500 1160.91
3 1500 4500 9 2250000 1520.53
4 1500 6000 16 2250000 1880.15
5 2400 12000 25 5760000 2239.77
6 3100 18600 36 9610000 2599.39
7 2600 18200 49 6760000 2959.01
8 2900 23200 64 8410000 3318.63
9 3800 34200 81 14440000 3678.25
10 4500 45000 100 20250000 4037.87
11 4000 44000 121 16000000 4397.49
12 4900 58800 144 24010000 4757.11
78 33350 268200 650 112502500
promedio X 6.5
promedio Y 2779.166667
Calculo B 359.6153846
CALCULO A 441.6666667
7. Ejemplo 15.3, Proporción simple;
VENTAS VENTAS PROMEDIO FACTOR
ESTACIONES
PASADAS POR TEMPORADA ESTACIONAL
PRIMAVERA 200 250 0.8
VERANO 350 250 1.4
OTOÑO 300 250 1.2
INVIERNO 150 250 0.6
TOTAL 1000 1000
SI EL PROXIMO AÑO ES DE 1100
VENTAS VENTAS PROMEDIO FACTOR ESTACIONAL
ESTACIONES
PASADAS POR TEMPORADA DEL ANTERIOR AÑO
PRIMAVERA 220 275 0.8
VERANO 385 275 1.4
OTOÑO 330 275 1.2
INVIERNO 165 275 0.6
TOTAL 1100 1100
8. Ejemplo 15.4, Cálculo de la tendencia y el factor estacional a partir de una
recta ajustada a mano;
Trimestre ventas Proporción factor estacional
1 I-2006 300 228.332 1.3138763 1.2513869
2 II-2006 200 280.594 0.7127736 0.7852716
3 III-2006 220 332.856 0.6609465 0.6995423
4 IV-2006 530 385.118 1.3762016 1.2771618
5 I-2007 520 437.38 1.1888975
6 II-2007 420 489.642 0.8577696
7 III-2007 400 541.904 0.7381381
8 IV-2007 700 594.166 1.1781219
TOTAL 3290
9 I-2018 808.93153
10 II-2018 548.6614
11 III-2018 525.32269
12 IV-2018 1025.8342
800
700
600 y = 52.262x + 176.07
R² = 0.5649
500
400
300
200
100
0
0 1 2 3 4 5 6 7 8 9
9. Ilustraciones 15.15 y 15.16, demanda y gráfica de la recta de la ecuación,
descontadas las variaciones de temporada, (páginas 491 y 492);
ILUSTRACIÓN
15.16
13 1 5003.5 0.82 4102.87
14 2 5345.7 1.1 5880.27
15 3 5687.9 0.97 5517.263
16 4 6030.1 1.12 6753.712
7000
y = 342.2x + 554.9
6000
R² = 1
5000
4000
3000
2000
1000
0
0 2 4 6 8 10 12 14 16 18
10. Ejemplo 15.5 Pronóstico con el uso de una relación causal;
11. Ejemplo 15.6, Demanda en unidades de una charola para asadora;
AÑO PASADO ESTE
AÑO
ENERO 6 72
FEBRERO 212 90
MARZO 378 108
ABRIL 129 134
MAYO 163 92
JUNIO 96 137
JULIO 167
AGOSTO 159
SEPTIEMBRE 201
OCTUBRE 153
NOVIEMBRE 76
DICIEMBRE 30
PROBLEMAS RESUELTOS (ANALIZAR, REVISAR Y REPETIR LOS SIGUIENTES
PROBLEMAS RESUELTOS)
1. Problemas resueltos: 1; 2; 3; 4.
• Problema resuelto 1
• Problema resuelto 2
• Problema resuelto 3
• Problema resuelto 4
SOLUCIÓN
PROBLEMAS PROPUESTOS (RESOLVER LO SIGUIENTES PROBLEMAS)
1. Problemas propuestos: 1; 3; 5; 7; 11; 19
• Problema propuesto 1
Solución
• Problema propuesto 3
Solución
• Problema propuesto 5
Solución
• Problema propuesto 7
Solución
Cálculo de los factores estacionales
Descontando las variaciones de temporada
Ajuste por mínimos cuadrados
• Problema propuesto 11
Solución
a) Pronostique de abril a septiembre con un promedio móvil a tres
meses.
b) Mediante suavización exponencial simple con una alfa de 0.3, calcule
de abril a septiembre.
c) b) Use la MAD para decidir qué método produjo el mejor pronóstico
en el periodo de seis meses.
El método para ver cual resultó mejor en el periodo es mediante
“suavización exponencial” con un MAD = 16.27
• Problema propuesto 19
Solución
a) Desviación absoluta media
b) Comentario
Se puede decir que el método de pronóstico es aceptable porque la
suma de sus errores pronosticados no es elevada.
CASO DE ESTUDIO. ALTAVOX ELECTRONICS
Solución
1. Piense en usar un 1. modelo de promedio móvil simple. Experimente con
modelos que usan datos de cinco y tres semanas anteriores. A continuación, se
dan datos previos de cada región. Evalúe los pronósticos que se habrían hecho
en las 13 últimas semanas tomando como criterios la desviación absoluta
promedio y la señal de seguimiento.
2. A continuación, piense en usar un modelo de suavización exponencial simple. En
su análisis, pruebe dos valores alfa, 0.2 y 0.4. Use los mismos criterios para
evaluar el modelo como en la parte 1. Suponga que el pronóstico inicial anterior
para el modelo usando un valor de alfa de 0.2 es el promedio de las últimas tres
semanas. Para el modelo que usa un alfa de 0.4, suponga que el pronóstico
anterior es el promedio de las cinco semanas pasadas.
3. Altavox estudia una nueva opción para distribuir el modelo VC202 en la que, en
lugar de cinco proveedores, tenga sólo uno. Evalúe esta opción analizando la
exactitud de un pronóstico basado en la demanda agregada en todas las
regiones. Use el modelo que crea que es el mejor a partir de sus análisis de las
partes 1 y 2. Use un nuevo criterio que se calcule tomando la MAD y dividiéndola
entre la demanda promedio. Este criterio se llama error porcentual absoluto
promedio (MAPE) y mide el error de un pronóstico como porcentaje de la
demanda promedio. ¿Cuáles son las ventajas y desventajas de la demanda
agregada desde el punto de vista del pronóstico? ¿Hay otras cosas que deben
considerarse cuando se pasan de varias distribuidoras a una sola?
