ESCUELA ACADEMICO PROFESIONAL

DE INGENIERIA INDUSTRIAL

Semestre 2020-II

Profesor: Luis Evangelista Yzaguirre

[Link]@[Link]
 ¿Que es Pronosticar?

 Proceso de predecir un evento futuro

 Base de todas las decisiones de
negocio:
 Producción
 Inventarios
 Personal
 Infraestructura
Tipos de Pronósticos por horizonte de tiempo

Pronóstico de corto plazo

- < 1 año; usualmente menos de 3 meses
- Programación trabajos, asignación personal
Pronóstico de mediano plazo
- 3 meses a 3 años
- Ventas & planeamiento de producción,
presupuesto
Pronóstico de largo plazo
- > 3 años
- Nuevos productos y localización de instalaciones
Pronósticos: Largo plazo vs. Corto plazo

Medio/largo plazo estos pronósticos tratan con

cuestiones más profundas y soportan las
decisiones gerenciales relativo al planeamiento de
productos, plantas y procesos

Corto plazo usualmente emplea diferentes

metodologías que el pronóstico a largo plazo
Corto plazo tiende a ser más exacto que
pronósticos a largo plazo
 Tipos a Pronósticos
Económicos
- Ciclos del negocio: tasa de
inflación, suministros de
dinero, etc.

Tecnológicos
- Predecir tasa progreso
tecnológico
- Predecir aceptación nuevo
producto

Demanda
- Predecir ventas de productos
existentes
 Siete Pasos en Pronósticos

1. Determinar el uso del pronóstico

2. Seleccionar los items a ser pronosticados
3. Determinar horizonte de tiempo pronóstico
4. Seleccionar el modelo del pronóstico
5. Recoger los datos
6. Hacer el pronóstico
7. Validar e implementar los resultados
Demanda Producto con Tendencia
y estacionalidad
 Métodos Cuantitativos

Método intuitivo
Promedios móviles
Modelos Series tiempo
Suavización exponencial
Proyección tendencias

Regresión lineal Modelos asociativos

 ¿Qué es una Serie de Tiempos?
 Basados en una secuencia de datos puntuales

- Separados a intervalos iguales

 Pronóstico basado solo en valores pasados

- Asume que factores del pasado y del presente

continuarán influenciando el futuro

Ejemplo

Año: 1998 1999 2000 2001 2002

Ventas: 78.7 63.5 89.7 93.2 92.1
 Componentes de Series de Tiempo

 Tendencia
 Estacional
 Cíclico
 Aleatorio
 Componente de Tendencia

 Persistente, patrón
creciente o decreciente
 Población, tecnología,
etc.
 Diversos años de
duración
 Componente Estacional
 Patrón regular con fluctuaciones arriba y abajo
 Debido a clima, costumbres, etc.
 Ocurre dentro de 1 año
 Componente Cíclico

 Repetitivo con movimientos arriba y abajo

 Debido a interacciones de factores que
influencian en la economía
 Usualmente de 2 – 10 años de duración
 Componente Aleatorio

 Errático, no sistemático,
fluctuaciones “residuales”
 Debido a variaciones aleatorio
o eventos inesperados
- Terremotos
- Huracanes
 Corta duración y no repetitivo
 Enfoque Intuitivo
 Asumes demanda en siguiente
periodo = demanda en mayoría
periodos recientes
 - Si en Mayo venta = 48,
entonces junio serán 48
 Algunas veces efectivo en costo y
eficiencia
 Método de Promedio Móvil
 Es una serie de promedios aritméticos
 Usado si tiene poco o nada de tendencia
 Usado frecuentemente por suavización
 Provee impresión global por suavización
 Ecuación

Promedio Σ Demanda en n periodos previos

=
Móvil n
 Grafico Promedio Móvil

25
20
Ventas (en miles
15 de galones)
10 Pronóstico de
Promedio Móvil
5
0
1

11
 Ejemplo: Promedio móvil simple

Mes Ventas de podadoras Promedio móvil de tres meses

Enero 10
Febrero 12
Marzo 13
Abril 16 (13+12+10)/3 = 11.667
Mayo 19 (16+13+12)/3 = 13.667
Junio 23 (19+16+13)/3 = 16.000
Julio 26 (23+19+16)/3 = 19.333
Agosto 30 (26+23+19)/3 = 22.667
Setiembre 28 (30+26+23)/3 = 26.333
Octubre 18 (28+30+26)/3 = 28.000
Noviembre 16 (18+28+30)/3 = 25.333
Diciembre 14 (16+18+28)/3 = 20.667
Método de Promedio Móvil Ponderado
 Usado cuando la tendencia está presente
- data antigua usualmente menos importante
 Peso basado en la intuición
- Frecuentemente entre 0 – 1, suma a 1.0
 Ecuación

Promedio
Σ(Peso para el periodo n ) (Demanda para el periodo n )
Móvil =
Ponderado Σ Pesos
 Ejemplo: Promedio móvil ponderado
Pesos aplicados Periodo
3 Ultimo mes
2 Hace dos meses
1 Hace tres meses
6 Suma de pesos

Mes Ventas de podadoras Promedio móvil ponderado de tres meses

Enero 10
Febrero 12
Marzo 13
Abril 16 [(13x3)+(12x2)+(10x1)]/6 = 12.167
Mayo 19 [(16x3)+(13x2)+(12x1)]/6 = 14.333
Junio 23 [(19x3)+(16x2)+(13x1)]/6 = 17.000
Julio 26 [(23x3)+(19x2)+(16x1)]/6 = 20.500
Agosto 30 [(26x3)+(23x2)+(19x1)]/6 = 23.833
Setiembre 28 [(30x3)+(26x2)+(23x1)]/6 = 27.500
Octubre 18 [(28x3)+(30x2)+(26x1)]/6 = 28.333
Noviembre 16 [(18x3)+(28x2)+(30x1)]/6 = 23.333
Diciembre 14 [(16x3)+(18x2)+(28x1)]/6 = 18.667
Método de Suavización Exponencial

 Forma de Promedio Móvil Ponderado

- Peso declina exponencialmente

- Data más reciente más pesado
 Requiere constante suavización (α)

- Rangos de 0 a 1

- Elegido subjetivamente
 Implica mantener pocos registros de datos pasados
Ecuaciones de Suavización Exponencial
Ft = Ft-1 + α (At-1 - Ft-1)
Donde:
Ft = Pronóstico nuevo
Ft-1 = Pronóstico periodo anterior
α = Constante de suavización
A t-1 = Demanda real del periodo anterior

25
20
Ventas (en miles de
15 galones) (Yt)
10 Pronóstico de Suav
Exponncial (Ft)
5
0
1 2 3 4 5 6 7 8 9 10 11 12
 Ejemplo: Suavización exponencial

Datos: Pronóstico 1er trimestre = 175, α = 0.10 y 0.50

Tonelaje Pronóstico redondeado Pronóstico redon.

Trimestre descargado usando α = 0.10 usando α = 0.50
1 180 175 175
2 168 176 = 175.00 + 0.10(180-175) 178
3 159 175 = 175.50 + 0.10(168-175.50) 172
4 175 173 = 174.75 + 0.10(159-174.75) 167
5 190 173 = 173.18 + 0.10(175-173.18) 174
6 205 175 = 173.36 + 0.10(190-173.36) 182
7 180 178 = 175.02 + 0.10(205-175.02) 190
8 182 178 = 178.02 + 0.10(180-178.02) 179
9 ? 179 = 178.22 + 0.10(182-178.22) 180
 Desviación Media Absoluta (MAD)
 Una medida del error global del pronóstico
para un modelo es la desviación media
absoluta (MAD). La fórmula se muestra a
continuación:
Σ І Error del Pronóstico І
MAD =
n
Error del pronóstico se define como:

Error del pronóstico = Demanda - Pronóstico

Se calcula al sumar los valores absolutos de los
errores individuales del pronóstico y
dividiéndolo entre el número de periodos (n)
Ejemplo: Calculo de Desviaciones Absolutas (MAD)

Tonelaje Pronóstico Desviación Pronóstico Desviación

Trimestre descargado redondeado absoluta redondeado absoluta
α = 0.10 α = 0.10 α = 0.50 α = 0.50
1 180 175 5 175 5
2 168 176 8 178 10
3 159 175 16 172 13
4 175 173 2 167 8
5 190 173 17 174 16
6 205 175 30 182 23
7 180 178 2 190 10
8 182 178 4 179 3
Total desviaciones absolutas 84 88
MAD 10.5 11

Sobre la base de este análisis, una constante

de suavización de α = 0.10 a α = 0.50 porque
su MAD es menor
 Métodos causales: Regresión lineal
• Los métodos causales se emplean cuando se dispone de datos
históricos, son excelentes para prever los puntos de flexión de la
demanda y para la elaboración de pronósticos a largo plazo.
• Uno de los métodos más conocido es el de regresión lineal.
• Está técnica ajusta a una línea de tendencia una serie de puntos
de datos históricos y después proyecta la línea hacia el futuro
para pronósticos con un rango de mediano a largo plazo.
Regresión: Mínimos Cuadrados
 Método de regresión lineal
La relación de una línea recta es la siguiente
ecuación:
y = a + bx
donde
y = variable dependiente
a = intersección de la recta con el eje “y”
b = pendiente de la recta
x = variable independiente
 Método de regresión lineal
Los valores “a” y “b” pueden determinarse
mediante la aplicación de las siguientes
fórmulas:
2
(Σy)(Σx )-(Σx)(Σxy)
a = 2 2
nΣx -(Σx)

nΣxy-(Σx)(Σy)
b = 2 2
nΣx -(Σx)
Método simplificado de mínimos cuadrados

Consiste en el empleo de fórmulas simplificadas para

lo cual a las ecuaciones normales hacemos sumatoria
de “x” igual a cero.

Σy
a =
n

Σxy
b = 2
Σx
Cálculo de pronóstico para periodos pares

DEMANDA Ecuación de la tendencia:

AÑOS X Y X2 XY
1994 -15 120 225 -1,800 y = a + bx
1995 -13 140 169 -1,820
1996 -11 160 121 -1,760
1997 -9 150 81 -1,350 Determinar valores "a" y "b"
1998 -7 175 49 -1,225
1999 -5 170 25 -850 ∑Y 2,821
a = =
2000 -3 180 9 -540 N 16
2001 -1 182 1 -182
2002 1 179 1 179
a = 176.31
2003 3 178 9 534
2004 5 186 25 930
2005 7 190 49 1,330 ∑XY 3,209
b = 2 =
2006 9 200 81 1,800 ∑X 1,360
2007 11 198 121 2,178
2008 13 205 169 2,665
b = 2.36
2009 15 208 225 3,120
TOTAL 0 2,821 1,360 3,209

Reemplazamos los valores "a" y "b" en la ecuación de la tendencia

y = 176.31 + 2.36 x

Si queremos determinar el pronóstico de la demanda para el año 2010, reemplazamos la

variable "x" por el valor 17 que es la secuencia que le corresponde al año 2010, tal como
sigue:

y = 176.31 + 2.36 (17) = 176.31 + 40.12 = 216.43

Cálculo de pronóstico para periodos impares

DEMANDA Ecuación de la tendencia:

AÑOS X Y X2 XY
1995 -7 140 49 -980 y = a + bx
1996 -6 160 36 -960
1997 -5 150 25 -750 Determinar valores "a" y "b"
1998 -4 175 16 -700
1999 -3 170 9 -510 ∑Y 2,701
a = =
2000 -2 180 4 -360 N 15
2001 -1 182 1 -182
2002 0 179 0 0
a = 180.07
2003 1 178 1 178
2004 2 186 4 372
2005 3 190 9 570 ∑XY 1,154
b = =
2006 4 200 16 800 ∑X2 280
2007 5 198 25 990
2008 6 205 36 1,230
b = 4.12
2009 7 208 49 1,456
TOTAL 0 2,701 280 1,154

Reemplazamos los valores "a" y "b" en la ecuación de la tendencia

y = 180.07 + 4.12 x

Si queremos determinar el pronóstico de la demanda para el año 2010, reemplazamos la variable

"x" por el valor 17 que es la secuencia que le corresponde al año 2010, tal como sigue:

y = 180.07 + 4.12 (8) = 180.07 + 32.96 = 213.03

 Grafica de los datos

Para: x = -7 y = 180.07 + 4.12 ( -7 ) = 151.23

Para: x=7 y = 180.07 + 4.12 ( 7 ) = 208.91

300

260

220

180

140

100

95 97 99 01 03 05 07 09
Pronóstico Estacional de la línea de tendencia
A continuación se muestra las ventas mensuales de computadoras
para 1992Demanda
Demanda de ventas
– 1993 Demanda Indice
promedio mensual estacional
Mes 1992 1993 1992 - 1993 promedio * promedio **
Enero 80 100 90 94 0.957
Febrero 75 85 80 94 0.851
Marzo 80 90 85 94 0.904
Abril 90 110 100 94 1.064
Mayo 115 131 123 94 1.309
Junio 110 120 115 94 1.223
Julio 100 110 105 94 1.117
Agosto 90 110 100 94 1.064
Setiembre 85 95 90 94 0.957
Octubre 75 85 80 94 0.851
Noviembre 75 85 80 94 0.851
Diciembre 80 80 80 94 0.851
Demanda total promedio 1128

Demanda = 1128 = 94
12

Indice = Demanda promedio 1992 - 1993

Demanda mensula promedio
Se espera que la demanda anual para 1994 sea de 1200
unidades, la demanda mensual se pronosticará de la siguiente
manera:

Mes Demanda Mes Demanda

1200 1200
Enero x 0.957 = 96 Julio x 1.117 = 112
12 12
1200 1200
Febrero x 0.851 = 85 Agosto x 1.064 = 106
12 12
1200 1200
Marzo x 0.904 = 90 Setiembre x 0.957 = 96
12 12
1200 1200
Abril x 1.064 = 106 Octubre x 0.851 = 85
12 12
1200 1200
Mayo x 1.309 = 131 Noviembre x 0.851 = 85
12 12
1200 1200
Junio x 1.223 = 122 Diciembre x 0.851 = 85
12 12
 Error estándar del estimado
Para medir la exactitud de los estimados en la regresión es
necesario calcular el error estándar del estimado, siendo
la fórmula:

2
Sy,x = Σy - aΣy - bΣxy
n-2
 Coeficiente de correlación
 Esta medida expresa el grado o fuerza de la
relación lineal. Generalmente definida como
“r”, el coeficiente de correlación puede ser
cualquier número entre +1 y -1.
 La ecuación para “r” es:

nΣxy - ΣxΣy
r = 2 2 2 2
[nΣx - (Σx) ][nΣy - (Σy) ]
Valores de coeficiente de correlación
 Monitoreo y Control de Pronósticos
Señal de rastreo, sirve para medir la efectividad
del pronostico, al predecir los valores reales.
Se calcula como la suma de los errores de los
pronósticos corrientes (RSFE) dividido entre la
desviación media absoluta (MAD).
Señal de Σ Errores
=
rastreo MAD
donde:
ΣlErrores de pronósticosl
MAD =
n

Límites aceptables: ±4 MAD (para alto volumen) y

±8 MAD (para poco volumen)
 Ejemplo
Ventas Ventas Error del Error Señal de
Trimest. reales Pronost. Error RSFE pronóst. acumul. MAD rastreo
1 90 100 -10 -10 10 10 10.0 -1
2 95 100 -5 -15 5 15 7.5 -2
3 115 100 15 0 15 30 10.0 0
4 100 110 -10 -10 10 40 10.0 -1
5 125 110 15 5 15 55 11.0 0.5
6 140 110 30 35 30 85 14.2 2.5

Σ|Errores de pronóstico| 85
MAD = =
n 6

MAD = 14.2

Señal de RSFE 35
= = = 2.5 MAD
rastreo MAD 14.2