ING.

VERA BANEGAS
OBJETIVOS
• CONOCER CONCEPTO BASICOS DE INGENIERIA DE PRODUCCION
• DESARROLLAR PRONÓSTICOS SEGÚN SU TIPOLOGIA.
• IDENTIFICAR LOS TIPOS DE PROYECCION DE PRODUCCIÓN
 Etapa de Planeamiento de
operaciones

• Pronósticos
• Ubicación y dimensionamiento de planta
• Planeamiento y diseño del producto
• Planeamiento y diseño del proceso
• Planeamiento y diseño de la planta
• Planeamiento y diseño del trabajo
• Planeamiento agregado
Pronósticos de la demanda
 Pronósticos
Pronosticar
Es el arte y la ciencia de predecir los eventos
futuros. Puede implicar el empleo de datos
históricos y su proyección hacia el futuro
mediante algún tipo de modelo matemático.
Puede ser una predicción subjetiva o intuitiva; o
puede ser una combinación de éstas —es decir,
un modelo matemático ajustado mediante el
buen juicio del administrador.

Etapa de Planeamiento de operaciones

 Pronósticos
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 las áreas
funcionales de:
• 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.

Etapa de Planeamiento de operaciones

 Horizontes de tiempo del pronóstico
El horizonte de tiempo se clasifica en tres categorías:
➢ Pronóstico a corto plazo: Este pronóstico tiene una extensión de tiempo
de hasta 1 año, pero casi siempre es menor a 3 meses. Se usa para
planear las compras, programar el trabajo, determinar niveles de mano de
obra, asignar el trabajo, y decidir los niveles de producción.

➢ Pronóstico a mediano plazo:Por lo general, un pronóstico a mediano

plazo, o a plazo intermedio, tiene una extensión de entre 3 meses y 3
años. Se utiliza para planear las ventas, la producción, el presupuesto y el
flujo de efectivo, así como para analizar diferentes planes operativos.

➢ Pronóstico a largo plazo. Casi siempre su extensión es de 3 años o

más. Los pronósticos a largo plazo se emplean para planear la fabricación
de nuevos productos, gastos de capital, ubicación o expansión de las
instalaciones, y para investigación y desarrollo.

Etapa de Planeamiento de operaciones

 Tipos de pronósticos

 Los pronósticos económicos: abordan el ciclo del negocio al predecir

tasas de inflación, suministros de dinero, construcción de viviendas, y
otros indicadores de planeación.

 Los pronósticos tecnológicos: se refieren a las tasas de progreso

tecnológico, las cuales pueden resultar en el nacimiento de nuevos e
interesantes productos, que requerirán nuevas plantas y equipo.

 Los pronósticos de la demanda son proyecciones de la demanda de

productos o servicios de una compañía. Estos pronósticos, también
llamados pronósticos de ventas, orientan la producción, la capacidad y
los sistemas de programación de la empresa, y sirven como entradas
en la planeación financiera, de marketing y de personal.

Etapa de Planeamiento de operaciones

 LA IMPORTANCIA ESTRATÉGICA
DEL PRONÓSTICO
El efecto del pronóstico del producto se refleja en tres
actividades dentro de las empresas:

❖Recursos Humanos
La contratación, la capacitación y el despido de los
trabajadores dependen de la demanda anticipada. Si
el departamento de recursos humanos debe
contratar trabajadores adicionales sin previo aviso, la
cantidad de capacitación declina y se afecta la
calidad de la fuerza de trabajo.

Etapa de Planeamiento de operaciones

 LA IMPORTANCIA ESTRATÉGICA
DEL PRONÓSTICO
El efecto del pronóstico del producto se refleja en tres
actividades dentro de las empresas:

❖Capacidad.
Cuando la capacidad instalada es inadecuada, los
faltantes que resultan pueden significar entregas
poco confiables, pérdida de clientes y pérdida de la
participación en el mercado. Por otro lado, si se
construye una capacidad en exceso, los costos se
dispararán.

Etapa de Planeamiento de operaciones

 LA IMPORTANCIA ESTRATÉGICA
DEL PRONÓSTICO
El efecto del pronóstico del producto se refleja en tres
actividades dentro de las empresas:

❖Administración de la cadena de suministro

Las buenas relaciones con el proveedor y, por ende,
las ventajas de precio en materiales y partes
dependen de pronósticos adecuados.

Etapa de Planeamiento de operaciones

SIETE PASOS EN EL SISTEMA DE PRONÓSTICO

1. Determinar el uso del pronóstico

2. Seleccionar los aspectos que se deben pronosticar
3. Determinar el horizonte de tiempo del pronóstico
4. Seleccionar los modelos de pronóstico
5. Recopilar los datos necesarios para elaborar el
pronóstico
6. Realizar el pronóstico
7. Validar e implementar los resultados

Etapa de Planeamiento de operaciones

Sin importar que sistema usen las empresas enfrentan varias
realidades:
1. Los pronósticos casi nunca son perfectos. Esto significa que
factores externos no predecibles o controlables suelen afectar el
pronóstico. Las compañías deben admitir esta realidad.

2. La mayoría de las técnicas de pronósticos suponen la existencia de

cierta estabilidad subyacente en el sistema. En consecuencia,
algunas empresas automatizan sus predicciones a través de
software para pronósticos computarizados y después sólo vigilan
de cerca aquellos productos cuya demanda es errática.

3. Tanto los pronósticos de familias de productos como los de

productos agregados son más precisos que los pronósticos para
productos individuales.
Etapa de Planeamiento de operaciones
 Enfoques de Pronósticos

❑ Los pronósticos cuantitativos: Utilizan una variedad de modelos

matemáticos que se apoyan en datos históricos y/o en variables
causales para pronosticar la demanda .

❑ Los pronósticos cualitativos o subjetivos: Incorporan factores

como la intuición, las emociones, las experiencias personales y
el sistema de valores de quien toma las decisiones para llegar a
un pronóstico

Etapa de Planeamiento de operaciones

Modelos y Técnicas de pronósticos
 PANORAMA DE LOS MÉTODOS CUALITATIVOS

1. Jurado de opinión ejecutiva

2. Método Delphi: Quienes toman las decisiones
* El personal
* Los entrevistados
3. Composición de la fuerza de ventas
4. Encuesta en el mercado de consumo

Etapa de Planeamiento de operaciones

PANORAMA DE LOS MÉTODOS CUANTITATIVOS

Modelo de Modelo
series de tiempo Asociativo

Enfoque Proyeccion de
Intuitivo Tendencias

Promedios Regresión
Móviles Lineal

Suavizamiento
exponencial

Etapa de Planeamiento de operaciones

 PANORAMA DE LOS MÉTODOS CUANTITATIVOS

Modelo de series de tiempo: Técnica de pronóstico que usa

una serie de datos puntuales del pasado para realizar un
pronóstico.

Modelos asociativos: Tales como la regresión lineal,

incorporan las variables o los factores que pueden influir en
la cantidad por pronosticar.
 PRONÓSTICOS DE SERIES DE TIEMPO

Una serie de tiempo se basa en una secuencia de datos

puntuales igualmente espaciados (semanales, mensuales,
trimestrales, etc.). Los ejemplos incluyen:
• Las ventas semanales
• Los informes de ingresos trimestrales
• Los índices anuales de precios al consumidor.
Los datos para pronósticos de series de tiempo implican que los
valores futuros se predicen solamente a partir de los valores
pasados y que se pueden ignorar otras variables, sin importar
qué tan potencialmente valiosas sean.
 Descomposición de una serie de tiempo
Analizar una serie de tiempo significa desglosar los datos históricos en
componentes y después proyectarlos al futuro. Una serie de tiempo
tiene cuatro componentes:
1. La tendencia: es el movimiento gradual, hacia arriba o abajo, de los
datos en el tiempo .
 Descomposición de una serie de tiempo
2. La estacionalidad: es un patrón de datos que se repite después de un periodo
de días, semanas, meses o trimestres. Existen seis patrones comunes de
estacionalidad:
Período del Longitud de la Número de
Patrón estación “estaciones” en
el patrón

Semana Día 7

Mes Semana 4 - 4½

Mes Día 28 – 31

Año Trimestre 4

Año Mes 12

Año Semana 52
Descomposición de una serie de tiempo
 Descomposición de una serie de tiempo

3. Los ciclos: son patrones, detectados en los datos, que ocurren cada cierta
cantidad de años.
 Descomposición de una serie de tiempo

4. Las variaciones aleatorias: son señales generadas en los datos por

causalidad o por situaciones inusuales. No siguen ningún patrón
discernible por lo tanto no se pueden predecir .
 VARIACIONES EN LOS DATOS

Variaciones estacionales: Son movimientos regulares ascendentes o

descendentes localizados en una serie de tiempo y que se relacionan
con acontecimientos recurrentes como el clima o las vacaciones.
Puede aplicarse en forma horaria, diaria, semanal, mensual o en
otros patrones recurrentes.

Variaciones cíclicas: Son como las variaciones estacionales con la

diferencia de que ocurren cada varios años, no semanas meses o
trimestres.
 Promedios móviles

El pronóstico de promedios móviles usa un número de valores de

datos históricos reales para generar un pronóstico. Los
promedios móviles son útiles si podemos suponer que la
demanda del mercado permanecerá relativamente estable en el
tiempo.
El pronóstico se basa en un promedio aritmético o ponderado de
un número de datos del pasado.

σ 𝐃𝐞𝐦𝐚𝐧𝐝𝐚 𝐞𝐧 𝐥𝐨𝐬 𝐧 𝐩𝐞𝐫í𝐨𝐝𝐨𝐬 𝐩𝐫𝐞𝐯𝐢𝐨𝐬

𝐏𝐫𝐨𝐦𝐞𝐝𝐢𝐨 𝐌ó𝐯𝐢𝐥 =
𝐧
Donde n es el número de periodos incluidos en el promedio móvil
 Ejemplo 1 Promedios móviles

La tienda de suministros para jardín de Donna quiere hacer un pronóstico con el promedio móvil
de 3 meses, incluyendo un pronóstico para las ventas de cobertizos el próximo diciembre.

Mes Ventas reales de cobertizo Promedio Móvil de 3 meses

Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 + 13)/3 = 11 2/3
Mayo 19 (12 + 13 + 16)/3 = 13 2/3
Junio 23 (13 + 16 + 19)/3 = 16
Julio 26 (16 + 19 + 23)/3 = 19 1/3
Agosto 30 (19 + 23 + 26)/3 = 22 2/3
Septiembre 28 (23 + 26 + 30)/3 = 26 1/3
Octubre 18 (29 + 30 + 28)/3 = 28
Noviembre 16 (30 + 28 + 18)/3 = 25 1/3
Diciembre 14 (28 + 18 + 16)/3 = 20 2/3
 Promedio móvil Ponderado

• Se utiliza cuando existe una tendencia o patrón, los pesos

pueden ser utilizados para poner mayor énfasis en datos
recientes.
• La elección de las ponderaciones es un tanto arbitraria ya
que no existe una formula para determinarla, esta se usa
basada en la experiencia o la intuición.

• Promedio de móvil ponderado:

σ(𝑃𝑒𝑠𝑜 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑛)(𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑛)
𝐹𝑡= σ 𝑝𝑒𝑠𝑜𝑠
Donde :
Ft = predicción para el período n
n = número de períodos por promediar
 Promedio móvil Ponderado
Las ventas de cobertizos de una empresa X se muestra en la columna central de la siguiente tabla.
A la derecha se da el promedio móvil de tres meses.
Mes Ventas reales de Promedio móvil de tres meses
cobertizos
Enero 10
Febrero 12
Marzo 13
Abril 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
Mayo 19
Junio PESO
23 APLICADO PERIODO

Julio 26 3 Ultimo mes

Agosto 30 2 Hace dos meses

Septiembre 28 1 Hace tres meses

Octubre 18 6 Suma de ponderaciones

Noviembre Pronóstico para

16 este mes =
3 x Ventas del ultimo mes . + 2 x Ventas de hace 2 meses + 1 x Ventas de hace 3 meses
Diciembre 14
Suma de las ponderaciones
 Promedio móvil Ponderado

Mes Ventas reales de Promedio móvil de tres meses

cobertizos
Enero 10
Febrero 12
Marzo 13
Abril 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
Mayo 19 [(3 x 16) + (2 x 13) + (12)]/6 = 14 1/3
Junio 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
Julio 26 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1/2
Agosto 30 [(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6
Septiembre 28 [(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2
Octubre 18 [(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3
Noviembre 16 [(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3
Diciembre 14 [(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3
 Promedio móvil Ponderado

Problemas que presentan los promedios móviles

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. Aumentar el tamaño de n(el número de periodos promediados) suaviza de

mejor manera las fluctuaciones, pero resta sensibilidad al método ante
cambios reales en los datos.
2. Los promedios móviles no reflejan muy bien las tendencias. Porque son
promedios, siempre se quedarán en niveles pasados, no predicen los
cambios hacia niveles más altos ni más bajos. Es decir, retrasan los valores
reales.
3. Los promedios móviles requieren amplios registros de datos históricos.
 Gráfica Demanda real contra métodos de promedios móviles y promedios
móviles ponderados para la tienda de suministros para jardín de Donna

Promedio Móvil Ponderado

30 –

Demanda de Ventas 25 –

20 –
Ventas Reales
15 –

10 – Promedio móvil

5–
| | | | | | | | | | | |

J F M A M J J A S O N D
Mes
En la gráfica de los datos de los ejemplos 1 y 2, se ilustra el efecto de retraso de los modelos de promedios móviles. Observe que tanto las líneas
de los promedios móviles simples como las de promedios móviles ponderados retrasan la demanda real. Sin embargo, los promedios móviles
ponderados usualmente reaccionan más rápido ante los cambios detectados en la demanda. Incluso en periodos a la baja (vea noviembre y
diciembre), siguen la demanda de manera más cercana.
 Suavizamiento Exponencial

El Suavizamiento exponencial es un sofisticado método de pronóstico de

promedios móviles ponderado que sigue siendo bastante fácil de usar. Implica
mantener muy pocos registros de datos históricos. La fórmula básica para el
suavizamiento exponencial se expresa como sigue:
𝑭𝒕 = 𝑭𝒕−𝟏 + 𝜶 𝑨𝒕−𝟏 − 𝑭𝒕−𝟏
Donde:
𝐹𝑡 = 𝑛𝑢𝑒𝑣𝑜 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜
𝐹𝑡−1 = 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑑𝑒𝑙 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝛼 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑠𝑢𝑎𝑣𝑖𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑜 𝑝𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖ó𝑛 0 ≤ 𝛼 ≤ 1
𝐴𝑡−1 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑟𝑒𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟

Premisa: La observación mas reciente tiene el mas alto valor de predicción

Sin embargo, debemos dar mas peso al periodo mas reciente cuando
pronosticamos
 Suavizamiento Exponencial

En enero, un vendedor de productos químicos predijo que la

demanda para febrero sería de 142 galones desinfectante. La
demanda real en febrero fue de 153 galones. Usando la constante de
suavizamiento que eligió la administración de α = .20, el vendedor
quiere pronosticar la demanda para marzo usando el modelo de
suavizamiento exponencial.

Demanda pronosticada= 142 galones de desinfectante

Demanda real= 153
Constante de suavizamiento a = .20

Nuevo pronóstico (para la demanda de marzo) = 142 + .2(153 – 142)

= 142 + 2.2
= 144.2 ≈ 144 galones
 Problema Suavizacion Exponencial Problema (1) Datos

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=
.10 y 𝛼 = .50.
Solución del Ejemplo 𝑭𝒕 = 𝑭𝒕−𝟏 + 𝜶 𝑨𝒕−𝟏 − 𝑭𝒕−𝟏

Tonelaje real Pronóstico con

Trimestre descargado Pronóstico con α = .10 a = .50
1 180 175 175

2 168 175.50 = 175.00 + .10(180 – 175) 177.50

3 159 174.75 = 175.50 + .10(168 – 175.50) 172.75

4 175 173.18 = 174.75 + .10(159 – 174.75) 165.88

5 190 173.36 = 173.18 + .10(175 – 173.18) 170.44

6 205 175.02 = 173.36 + .10(190 – 173.36) 180.22

7 180 178.02 = 175.02 + .10(205 – 175.02) 192.61

8 182 178.22 = 178.02 + .10(180 – 178.02) 186.30

9 ? 178.59 = 178.22 + .10(182 – 178.22) 184.15

 Diferencia del impacto de a
225 –

Demanda a = .5
actual
200 –
Demanda

175 –

a = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
 Diferencia del impacto de a
► Elegimos valores altos de a
cuando es probable que el
Promedio subyacente cambie
225 – ► Elegimos valores bajos a
cuando el Promedio
subyacente es estable
Demanda a = .5
actual
200 –
Demanda

175 –

a = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre
Selección de la constante de suavizamiento

Al elegir los valores de la constante de

suavizamiento, el objetivo es obtener el
pronóstico más preciso.

Se eligen valores altos de 𝜶 cuando el promedio

subyacente tiene probabilidades de cambiar. Se
emplean valores bajos de 𝜶 cuando el promedio
en que se basa es bastante estable.
Error del Pronóstico = Demanda real– Valor pronosticado
= At – Ft
 Medidas para calcular el error global de pronóstico

El error del pronóstico mide la precisión del modelo de pronóstico que se ha

usado, comparando los valores pronosticados con los valores reales u
observados.
Si 𝐹𝑡 denota el pronóstico en el período 𝑡, y 𝐴𝑡 denota la demanda real del
período 𝑡 , el error del pronóstico (o desviación) se define como:

𝑬𝒓𝒓𝒐𝒓 𝒅𝒆𝒍 𝒑𝒓𝒐𝒏ó𝒔𝒕𝒊𝒄𝒐 = 𝑫𝒆𝒎𝒂𝒏𝒅𝒂 𝒓𝒆𝒂𝒍 − 𝑽𝒂𝒍𝒐𝒓 𝒑𝒓𝒐𝒏𝒐𝒔𝒕𝒊𝒄𝒂𝒅𝒐

𝑬𝒓𝒓𝒐𝒓 𝒅𝒆𝒍 𝒑𝒓𝒐𝒏ó𝒔𝒕𝒊𝒄𝒐 = 𝑨𝒕 − 𝑭𝒕

Las tres medidas más populares son :

1. La MAD (mean absolute deviation; desviación absoluta media),

2. El MSE (mean squared error; error cuadrático medio), y
3. El MAPE (mean absolute percent error; error porcentual absoluto medio.
Medidas para calcular el error global de pronóstico

Desviación absoluta media (MAD)

Σ 𝑅𝑒𝑎𝑙−𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜
𝑀𝐴𝐷 = 𝑛
 Determinación del MAD

Tonelaje real Pronóstico con

Trimestre descargado Pronóstico con α = .10 a = .50
1 180 175 175

2 168 175.50 = 175.00 + .10(180 – 175) 177.50

3 159 174.75 = 175.50 + .10(168 – 175.50) 172.75

4 175 173.18 = 174.75 + .10(159 – 174.75) 165.88

5 190 173.36 = 173.18 + .10(175 – 173.18) 170.44

6 205 175.02 = 173.36 + .10(190 – 173.36) 180.22

7 180 178.02 = 175.02 + .10(205 – 175.02) 192.61

8 182 178.22 = 178.02 + .10(180 – 178.02) 186.30

9 ? 178.59 = 178.22 + .10(182 – 178.22) 184.15

 Determinación del MAD

Pronóstico Desviación Pronóstico Desviación

Tonelaje real con absoluta para con absoluta para
Trimestre descargado a = .10 a = .10 a = .50 a = .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|Desviaciones|
MAD = 10.31 12.33
n

Con base en esta comparación de las dos MAD, se prefiere una constante de
suavizamiento a = .10 en lugar de una a = .50 porque su MAD es más pequeña.
Medidas para calcular el error global de pronóstico

Error cuadrático medio (MSE)

Promedio de los cuadrados de las diferencias encontradas
entre los valores pronosticados y los observados.

Σ(𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 )2

MSE= 𝑛
 Determinación del error cuadrático medio (MSE)

Tonelaje actual Pronóstico para

Trimestre descargado a = .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
Sumatoria de errores al cuadrado = 1,526.52

2 1,526.52
MSE= Σ(𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒𝑙𝑛𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 ) =
8
= 190.8

¿Este MSE = 190.8 es bueno o malo? Todo depende de los MSE calculados para otros
métodos de pronóstico. Un MSE más bajo es mejor porque es un valor que queremos
minimizar. El MSE exagera los errores porque los eleva al cuadrado.
 Error porcentual absoluto medio (MAPE)

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. Es decir, si hemos
pronosticado n periodos y los valores reales corresponden a esa misma cantidad de periodos, el
MAPE se calcula como:

σ𝑛
𝑖=1 100 𝑅𝑒𝑎𝑙𝑖− 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑖 ൘
𝑅𝑒𝑎𝑙𝑖
𝑀𝐴𝑃𝐸 = 𝑛
Determinación del error porcentual absoluto medio
(MAPE)

Tonelaje real Pronóstico para Error porcental absoluto

Trimestre descargado a = .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%
Suma de % errores = 44.75%

σ𝑛
𝑖=1 100 𝑅𝑒𝑎𝑙𝑖− 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑖 ൘
𝑅𝑒𝑎𝑙𝑖
𝑀𝐴𝑃𝐸 = 𝑛
= 44.75
8
=5.59%%

El MAPE expresa el error como un porcentaje de los errores reales, sin que esté
distorsionado por un solo valor muy grande.
 Proyecciones de tendencia

Método de pronóstico de series de tiempo que ajusta una recta de tendencia a una serie
de datos históricos y después proyecta la recta al futuro para obtener pronósticos. Esta
técnica ajusta una recta de tendencia a una serie de datos puntuales históricos, y después
proyecta dicha recta al futuro para obtener pronósticos de mediano y largo plazos. Se
pueden desarrollar varias ecuaciones matemáticas (por ejemplo, exponencial y
cuadrática), pero en esta sección veremos sólo tendencias lineales (en línea recta).

Si decidimos desarrollar una recta de tendencia lineal mediante un método estadístico

preciso, podemos aplicar el método de mínimos cuadrados. Este enfoque resulta en una
línea recta que minimiza la suma de los cuadrados de las diferencias verticales o
desviaciones de la recta hacia cada una de las observaciones reales.
Método de los mínimos cuadrados

Una recta de mínimos cuadrados se describe en términos de su intersección con el eje y

(la altura a la cual cruza al eje y) y su pendiente (el ángulo de la recta). Si podemos
calcular la intersección con el eje y y la pendiente, podremos expresar la recta con la
siguiente ecuación:

𝑦ො = 𝑎 + 𝑏𝑥
Donde :
ෝ=Valor de la variable que debe predecirse(Llamada variable dependiente)
𝒚
𝒂= intersección con el eje y
𝒃= pendiente de la recta de regresión ( o la tasa de cambio en y para los cambios dados
en x.
𝒙= variable independiente
Método de los mínimos cuadrados

Valores de la variable dependiente (valores de y)

Actual observation Desviación7
(y-value)

Desviación5 Desviación6

Desviación3
El método de mínimos cuadrados minimiza la
suma de los errores al cuadrado (desviaciones)
Deviation4

Desviación 1
(error) Deviation2
Recta de la tendencia, y =^a + bx

| | | | | | |
1 2 3 4 5 6 7
Período
 Método de los mínimos cuadrados

Ecuaciones para calcular las variables de regresión

ŷ = a+ bx

b=
å xy - nxy
å x - nx
2 2

a = y - bx
 Ejemplo de mínimos cuadrados

Demanda de energía Demanda de energía

Año eléctrica Año eléctrica
1 74 5 105
2 79 6 142
3 80 7 122
4 90
 Ejemplo de mínimos cuadrados

Año(x) Demanda de energía eléctrica (y) x2 xy

1 74 1 74
2 79 4 158
3 80 9 240
4 90 16 360
5 105 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063

x=
å x 28
= =4 y=
å y 692
= = 98.86
n 7 n 7
 Ejemplo de mínimos cuadrados

Año(x) Demanda de energía eléctrica (y) x2 xy

1 74 1 74
2 79 4 158
3 80 9 240
4 90 16 360
5 105 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063

x=
å x 28
= =4 y=
å y 692
= = 98.86
n 7 n 7
Demanda en el año 8 = 56.70 + 10.54(8)

b=
å xy - nxy = 3,063 - (7) ( 4) (98.86) = 295 = 10.54 = 141.02, or 141 megawatts

å x - nx 140 - ( 7) ( 4 )
2 2 2
28

()
a = y - bx = 98.86 -10.54 4 = 56.70

Thus, ŷ = 56.70 +10.54x

 Ejemplo de mínimos cuadrados

Recta de la tendencia,
160 – y^ = 56.70 + 10.54x
–
Demanda de energía (megawatts)
150
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Año
 Notas sobre el uso del método de mínimos cuadrados

El empleo del método de mínimos cuadrados implica que se han

cumplido tres requisitos:

1. Siempre deben graficarse los datos porque los datos de

mínimos cuadrados suponen una relación lineal.
2. No se predicen periodos lejanos a la base de datos dada.
3. Se supone que las desviaciones alrededor de la línea de
mínimos cuadrados son aleatorias
MÉTODOS ASOCIATIVOS DE PRONÓSTICO: ANÁLISIS DE REGRESIÓN Y CORRELACIÓN

Se utiliza cuando se pueden usar cambios en

una o más variables independientes para
predecir los cambios en la variable dependiente

La técnica más común es el análisis

de regresión lineal

Aplicamos esta técnica tal como lo

hicimos en el ejemplo de series de
tiempo
 MÉTODOS ASOCIATIVOS DE PRONÓSTICO: ANÁLISIS DE REGRESIÓN Y CORRELACIÓN

El modelo de pronósticos asociativo cuantitativo más común es el análisis de

regresión lineal.
Con el fin de realizar un análisis de regresión lineal, Podemos usar el mismo
modelo matemático que empleamos con el método de mínimos cuadrados para
efectuar la proyección de tendencias. Las variables dependientes que deseamos
pronosticar seguirán siendo 𝑦.
ො

^  El parámetro a, conocido como la "ordenada en el origen," nos

y = a + bx indica cuánto es Y cuando X = 0. El parámetro b, conocido
como la "pendiente," nos indica cuánto aumenta Y por cada
aumento de una unidad en X.

Donde y^ = valor de la variable dependiente (en nuestro

ejemplo, ventas)
a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente
 Ejemplo de regresión lineal
La compañía constructora Nodel renueva casas antiguas en West Bloomfield,
Michigan. Con el tiempo, la compañía ha encontrado que su volumen de dólares por
trabajos de renovación depende de la nómina del área de West Bloomfield. La
administración quiere establecer una relación matemática para ayudarse a predecir
las ventas.
Método: El Vicepresidente de Operaciones de Nodel ha preparado la tabla siguiente,
la cual muestra los ingresos de Nodel y la cantidad de dinero percibido por los
trabajadores en West Bloomfield durante los últimos 6 años.

El Vice-presidente necesita determinar si existe una relación lineal (en línea recta)
entre la nómina del área y las ventas. Para ello, grafica los datos conocidos en un
diagrama de dispersión:
 Ejemplo de regresión lineal
El Vice-presidente necesita determinar si existe una relación lineal (en línea recta)
entre la nómina del área y las ventas. Para ello, grafica los datos conocidos en un
diagrama de dispersión:

A partir de los seis puntos de datos, parece haber una ligera relación positiva
entre la variable independiente (nómina) y la variable dependiente (ventas): A
medida que se incrementa la nómina, las ventas de Nodel tienden a ser más altas.
 Ejemplo de regresión
Ejemplo 1 lineal
Solución: Podemos encontrar una ecuación matemática si usamos el enfoque
de regresión de mínimos cuadrados.
Ejemplo de regresión
Ejemplo 1 lineal
 Ejemplo de regresión
Ejemplo 1 lineal
Si la nómina del próximo año se estima en $ 6 mil millones,
entonces:
Ventas (en millones de dólares)) = 1.75 + .25(6)
= 1.75 + 1.5 = 3.25

Ventas = $3,250,000

Ventas de Nodel (en millones de dólares)

4.0 –

3.0 –

2.0 –

1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Nómina del área (en miles de millones de dólares)
 Error estándar de la estimación
► Un pronóstico es solo una estimación puntual de un
valor futuro.
► Este punto es en realidad la media de una distribución
de probabilidad

Ventas de Nodel (en millones de dólares)

4.0 –
3.25
3.0 –
Linea de regresión

2.0 – ŷ =1.75+.25x

1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Nómina del área (en miles de millones de dólares)
 Error estándar de la estimación

Sy,x =
å ( y - yc
) 2

n- 2

Donde y = valor de y de cada dato puntual

yc = valor calculado de la variable dependiente, a
partir de la ecuación de regresión
n = número de datos puntuales
 Error estándar de la estimación

Computacionalmente, esta ecuación es

considerablemente más fácil de usar

Sy,x =
å - aå y - bå xy
y 2

n- 2

Utilizamos el error estándar para

establecer intervalos de predicción
alrededor de la estimación de punto
 Error estándar de la estimación

S y,x =
y 2
− a  y − b xy
=
39.5 − 1.75(15.0) − .25(51.5)
n−2 6−2
El error estándar de la estimación
= .09375 es de $ 306,000 en ventas
= .306 (en $ millones)

Ventas de Nodel (en millones de dólares)

Razonamiento: La interpretación
del error estándar de la 4.0 –
estimación es similar a la 3.25
desviación estándar; a saber, ±1 3.0 –
desviación estándar = .6827.
Entonces existe una posibilidad 2.0 –
del 68.27% de estar a ±$306,000
de la estimación puntual de 1.0 –
$3,250,000.
| | | | | | |
0 1 2 3 4 5 6 7

Nómina del área (en miles de millones de dólares)

Correlación

➢ ¿Qué tan fuerte es la relación lineal entre

las variables?
➢ Coeficiente de correlación, r, mide el grado
de asociación.
➢ Los valores oscilan entre -1 y +1
Coeficiente de Correlación

nå xy - å xå y
r=
é ùé ù
êënå x - ( )
å x úûêënå y - ( )
å y úû
2 2
2 2
Coeficiente de Correlación
y y

x x
(a) Correlación (e)Correlación
negativa perfectay y positive perfecta

y
x x
(b) Correlación Negativa (d) Correlación positiva

x
(c) Sin Correlación

Alta Moderada Baja Baja Moderada Alta

| | | | | | | | |

–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Valores del coeficiente de correlación
Coeficiente de correlación
y x x2 xy y2
2.0 1 1 2.0 4.0
3.0 3 9 9.0 9.0
2.5 4 16 10.0 6.25
2.0 2 4 4.0 4.0
2.0 1 1 2.0 4.0
3.5 7 49 24.5 12.25
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5 Σy2 = 39.5

(6)(51.5) – (18)(15.0)
r=
é(6)(80) – (18)2 ùé(16)(39.5) – (15.0)2 ù
ë ûë û

309 - 270 39 39
= = = = .901
(156)(12) 1,872 43.3
Correlación
► El Coeficiente de Determinación, 𝑟 2 , mide
el porcentaje de cambio en y predicho por
el cambio en x
► Los valores van de 0 a 1
► Fácil de interpretar

For the Nodel Construction example:

r = .901
r2 = .81