UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS

DISEÑO DE OPERACIONES

SESIÓN N°5.1 : PRONÓSTICOS CUANTITATIVOS

DOCENTE : ING. OMAR CASTILLO PAREDES

2023-B

UNAC – FIIS.
Métodos Cuantitativos: Panorama

• 1. Enfoque simple
• 2. Promedios móviles simples y
ponderados Modelos de series de
• 3. Suavizamiento exponencial tiempo
• 4. Proyección de tendencia

• 5. Regresión lineal
• 6. Ajuste por Índices Estacionales Modelos asociativos
Pronósticos de Series de Tiempo
• Una serie de tiempo es una secuencia de datos
obtenidos a intervalos iguales.
• Se analizan para proyectarlos al futuro.
• Supone que los valores futuros se predicen
solamente a partir de los valores pasados.
Ejemplo:
Año: 2005 2006 2007 2008 2009
Ventas: 78,7 63,5 89,7 93,2 92,1
 Componentes de una serie de tiempo

• Tendencia
• Estacionalidad
• Ciclos
• Variaciones aleatorias
 Demanda de un Producto
representada en un perÍodo de 4 años, con tendencia de
crecimiento y estacionalidad.

Picos estacionales Componente de tendencia

Demanda del producto o servicio

Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
1. Enfoque Simple

• Suponer que la demanda en el

próximo periodo será igual a la
demanda del periodo más
reciente:
– Si en julio hubo 48 ventas, en
agosto habrá 48 ventas.

• Aplicable en ciertos casos:

– Situaciones estables.

© 1995 Corel Corp.

 2.1. Promedio Móvil Simple (PMS)

• Asume que el promedio es bueno para estimar el

comportamiento futuro

A t -1 + A t -2 + A t -3 + ... + A t -n
Ft =
n
Ft = Pronóstico para el periodo t
n = Número de periodos que se consideran
A t-i = Valor de variable de interés para periodo t-i
2.1. Promedio Móvil Simple (PMS): Ejemplo
Semana Demanda
1 650
2 678
3 720
4 785
Proyecte la demanda para cada
semana, usando el promedio
5 859
móvil sobre 3 semanas y el
6 920 promedio móvil sobre 6
7 850 semanas
8 758
9 892
10 920
11 789
12 844
2.1. Promedio Móvil Simple (PMS): Ejemplo
Semana Demanda 3-Semanas 6-Semanas
1 650
F4=(650+678+720)/3 =682.67
2 678
F7=(650+678+720 +785
3 720
+859+920) / 6
4 785 682.67
5 859 727.67 =768.67
6 920 788.00
7 850 854.67 768.67
8 758 876.33 802.00
9 892 842.67 815.33
10 920 833.33 844.00
11 789 856.67 866.50
12 844 867.00 854.83
2.1. Promedio Móvil Simple (PMS): Ejemplo
El promedio sobre 3 semanas suaviza la
curva real. El de 6 semanas la suaviza aun
más y muestra la tendencia

950
900
850 Demanda
800
Demanda

3 - Semanas
750
700 6 - Semanas
650
600
550
500
1 2 3 4 5 6 7 8 9 10 11 12
Sem ana
2.2. Promedio Móvil Ponderado

Asigna peso (importancia) diferente a cada valor que está

siendo promediado

Ft = w1A t -1 + w 2 A t -2 + w 3 A t -3 + ... + w n A t -n

wt = peso dado al periodo “t”

w
i=1
i =1 Los pesos deben sumar 1
2.2. Promedio Móvil Ponderado

Ft  0.4A t 1  0.3A t 2  0.2A t 3  0.1A t 4

1  0.4  0.3  0.2  0.1

2.2. Promedio Móvil Ponderado: Ejemplo

Con los datos mostrados, pronostique la demanda para

semana 4 usando el promedio ponderado móvil

Semana Demanda Pesos

t-3 1 650 t-3 0.2
t-2 2 678
t-1 3 720 t-2 0.3
t 4 t-1 0.5

Los pesos dan mayor importancia a los datos más

recientes
 2.2. Promedio Móvil Ponderado: Ejemplo

Semana Demanda Pronóstico

1 650
2 678
3 720
4 693.4

F4 = 0.5(720)+0.3(678)+0.2(650)=693.4
2.3. Promedio Móvil Doble (PMD)
Sirve para calcular el pronóstico de la demanda o de las ventas para
periodos futuros, para su aplicación y cálculos es recomendable seguir
el procedimiento que se indica.
Procedimiento:
o Se calcula el PMS.
o Se calcula el promedio móvil doble
o Se calculan los valores correspondientes a:
2.3. Promedio Móvil Doble (PMD): Ejemplo
Se desea calcular los pronósticos de ventas para los meses de Noviembre, Diciembre y
Enero. Estos cálculos se deberán obtener mediante PMD. (n=2)

Periodos Mensuales Demanda (D) Pronósticos (P) PMS Pronósticos (P´) PMD

Enero 30 - -
Febrero 35 - -
D Marzo 28 32.5 -

a Abril 20 31.5 -
Mayo 25 24.0 32
t
Junio 30 22.5 27.75
o Julio 35 27.5 23.25
s Agosto 40 32.5 25
Septiembre 50 37.5 30
Octubre ¿?

a = 2(PMS) – PMD
a = 2 (37.50) – 30 = 45
a = 45
b = n/n-1 (PMS – PMD)  b = 15
ynov = a + b(x) = 45+15 (2) = 75 unidades
ydic = a + b(x) = 45+15 (3) = 90 unidades
yene = a + b(x) = 45+15 (4) = 105 unidades
2. Promedio Móvil: Limitaciones
• Al aumentar el tamaño de “n” se suavizan las
fluctuaciones, pero se pierde sensibilidad frente a
los datos recientes.
• No reflejan bien las tendencias.
• Requieren amplios registros de datos históricos.
3.1. Suavizamiento Exponencial Simple (AES)

• También llamado método exponencial aminorado.

• Forma de ponderar el promedio móvil
– Ponderación declina exponencialmente
– Datos mas recientes son ponderados
• Requiere una constante de suavizado (α)
– Rango desde 0 a 1
– Elegido subjetivamente
• Implica mantener muy pocos registros de datos
históricos
 3.1. Suavizamiento Exponencial Simple (AES)
Pronóstico =  (Demanda del PerÍodo Anterior) + (1 –  ) ( Pronóstico del PerÍodo Anterior)

Ft = α A t -1 + (1- α) Ft -1

Ft  Ft -1  α (A t-1 - Ft -1)
3.1. Suavizamiento Exponencial Simple (AES): Ejemplo
PHP es una empresa que se dedica a la fabricación de artículos higiénicos,
el gerente de mercadotecnia está interesado en conocer el pronóstico de
ventas para l mes de octubre del 20XX, su exigencia le conduce a utilizar
un factor de ponderación  = 0,1 para lo cual se cuenta con la siguiente
información histórica que se indica a continuación. El cálculo del pronóstico
deseado se deberá obtener por AES.

Periodos Demanda (D) Pronósticos (F) (A-F)  (A-F) F´ = F + (A-F) (A-F)2

Mensuales
Mayo 100 100 0 0 100 0
Junio 120 100 20 2 102 400
Julio 130 102 28 2.8 104.8 784
Agosto 120 104.8 152 1.52 106.32 231.04
Septiembre 140 106.32 37.68 3.36 109.68 1134.34
Octubre ¿? 109.68
2549.38
3.2. Suavizamiento Exponencial Doble (AED)
Sirve para calcular los pronósticos de la demanda para periodos futuros, teniendo
como antecedente datos históricos en cuanto a períodos y demanda. Para su
aplicación y cálculo es recomendable seguir el procedimiento que se indica.

Procedimiento:
o Se calcula el AES.
o Se calcula el AED
o Se calculan los valores correspondientes a:
3.2. Ajuste Exponencial Doble: Ejemplo
Se desea calcular los pronósticos de ventas para los meses de Noviembre, Diciembre y Enero.
Estos cálculos se deberán obtener mediante AED. (α=0.2)

D Periodos Demanda (A) Pronósticos (F) (A-F)  (A-F) F´ = F + (A-F) (A-F)2

Mensuales
a Junio 150 150 0 0 150 0
t Julio 180 150 30 6 156 900
o Agosto 200 156 44 8.8 164.8 1936
Septiembre 120 164.8 -44.8 -8.96 155.84 2007.04
s Octubre 140 155.84 -15.84 -3.10 152.67 250.9
Noviembre ¿? 5093.95

Periodos Demanda´ (A´) Pronósticos (F) (A-F)  (A-F) F´ = F + (A-F) (A-F)2

Mensuales
Junio 150 150 0 0 150 0
Julio 150 150 0 0 150 0
Agosto 156 150 6 1.2 151.2 36
Septiembre 164.8 151.2 13.6 2.72 153.92 184.96
Octubre 155.84 153.92 1.92 0.384 156.224 3.686
Noviembre ¿? 224.646
a = 2(AES) – AED
a = 2 (155.84) – 153.892 = 157.788
a = 157.788
b = [α/(α -1)](AES – AED)=[0.2/(0.2-1)](155.84-153.892)
b = -0.487
ynov = a + b(x) = 157.788-0.487(1) = 157.301
ydic = a + b(x) = 157.788-0.487(2) = 156.814
yene = a + b(x) = 157.788-0.487(3) = 156.327
5. Regresión Lineal

• Supone una relación lineal entre la variable de

respuesta “Y” y el periodo de tiempo “X”:

yˆ  a  bx

• Se calcula mediante el método de los mínimos

cuadrados:
– Minimiza la suma de errores cuadrados.
 5. Regresión Lineal
Método de Mínimos Cuadrados
Observación
real
Valores de la variable dependiente

Desviación

Punto en la línea
b de tendencia
ˆ  a  bx
Y
1
a

PerÍodo de tiempo
5. Regresión Lineal

a = y - bx


Fórmulas para calcular “a” y “b”
xy - n( y)(x )
b=
 x 2
- n( x ) 2

a = intercepción de la recta de regresión con el eje y

b = pendiente de la recta de regresión
x = valores conocidos del tiempo
y = valores conocidos de la demanda
_
y = promedio de los valores de y
_
x = promedio de los valores de x
n = número de datos
5. Regresión Lineal
Ejemplo

Con los datos que siguen, ¿cuál es el modelo de

regresión lineal simple que se puede usar para predecir
las ventas futuras?

Semana Ventas
1 150
2 157
3 162
4 166
5 177
 5. Regresión Lineal

Respuesta: Usando las fórmulas de regresión lineal se

calculan “a” y “b”
Sem ana Sem ana*Sem ana Ventas Sem ana*ventas
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Prom edio Sum a Prom edio Sum a

b=  xy - n( y )(x ) = 2499 - 5(162.4)(3)  63 = 6.3

 x - n( x)
2 2
55  5(9) 10

a = y - b x = 162.4 - (6.3)(3) = 143.5

5. Regresión Lineal
R2: Coeficiente de Determinación

• Donde R2 mide la proporción de la Variación de y explicada por x

• Valores sobre 70% se consideran buenos.
 5. Regresión Lineal

El modelo de regresión lineal resultante es: Yt = 143.5 + 6.3x

Gráficos del pronóstico y de las ventas reales:

180
175
170
165
Ventas
Ventas

160
155 Pronóstico
150
145
140
135
1 2 3 4 5
Semana
6. Ajuste por Índices Estacionales

Permite calcular el pronóstico de ventas cuando existe estacionalidad o

ciclos y también se utiliza cuando en cada período existen diferencias

de ventas muy marcadas, razón por la cual se hace necesario calcular

un índice que nos permitirá un ajuste por cada período.

El concepto de Índice de Estacionalidad se explicará con más detalle a

partir del siguiente problema:

6. Ajuste por Índices Estacionales: Ejemplo
Teniendo como referencia la información histórica que se indica en la
siguiente tabla, determinar el pronóstico para el año 2003 y ajústelo
mediante índices de estacionalidad.

PERÍODOS BIMESTRES
(ANUALES) TOTAL
1º 2º 3º 4º 5º 6º
1991 80 120 130 100 90 120
1992 55 140 140 105 95 125
1993 84 160 150 105 94 125
1994 83 170 155 110 93 130
1995 81 175 160 100 92 140

__
PROMEDIOS: X
6. Ajuste por Índices Estacionales: Ejemplo
1) Hacer sumatorias horizontales y verticales en su caso.
2) Calcular los promedios por bimestre (en este caso)
3) Cálculo del promedio total __
X Bimestre
4) Cálculo de los Índices de estacionalidad: IE Bimestre  __
X Total
5) Calcular el pronóstico para el año 2003 (Regresión Lineal Simple)
Y 2003 = a + b(X) Donde: X=13

n XY   X .Y
b
n X 2   X 
2

__
Y2003
6) Calcular el pronóstico promedio: Y 
6 Bimestres
6. Ajuste por Índices Estacionales: Ejemplo
7) Ajuste del pronóstico bimestral por los IE

PERÍODOS BIMESTRES
(ANUALES) 1º 2º 3º 4º 5º 6º
IE

Pronostico__
Promedio ( Y )

Pronóstico
Bimestral ajustado por IE
__
IE*Y
Error de Pronóstico
Error de Pronóstico: Definición

Error del pronóstico = Demanda Real – Valor Pronosticado

E t  A t  Ft

–3
+5
Error de Pronóstico Acumulado

CFE : Cumulative Forecast Error

Suma continua de errores del pronóstico
Suma corriente de errores del pronóstico

CFE   Et

• Los errores positivos y negativos deben equilibrarse

• Útil para evaluar el sesgo en un pronóstico
 Medición del error:
Desviación absoluta media (MAD)
n

A
t =1
t - Ft
MAD =
n
• Si MAD = 0, no hay error en el pronóstico
• A mayor MAD, menor precisión en el pronóstico
• Si los datos siguen una distribución normal:
1 MAD  0.8 desviación estándar
1 desviación estándar  0.81 MAD

• Ampliamente usado, adecuado para medir el error del pronóstico

Error Cuadrático Medio (MSE)

• MSE : Mean square error

Error cuadrático medio


2
E
MSE  t

n
• Se acentúa en grandes desviaciones
Resumen

• Los pronósticos raras veces son exactos

• Las técnicas de pronóstico suponen estabilidad
en los datos históricos.
• Los pronósticos por familia de productos o
agregados son más exactos que los individuales.
Fin