1

UNIDAD 2: PRONOSTICOS DE
LA DEMANDA

Docente: Ing. Erika del Carmen Pech Vera.

2.1 Importancia estratégica del pronóstico
2

Definiciones:

 Son predicciones de lo que puede suceder

o esperar.

 Son premisas o suposiciones básicas en

que se basan la planeación y toma de
decisiones.

PRONÓSTICOS
 3

Las proyecciones o pronósticos son

vitales para toda organización empresarial
y para toda decisión gerencial importante

PRONÓSTICOS
 4 Los pronósticos se emplean
en:
 Finanzas y contabilidad, en la planeación
presupuestaria y el control de costos.
 El mercadeo para planear nuevos productos.
 En producción para la planeación de la
capacidad, la distribución de instalaciones, y la
misma planeación, programación de la
producción e inventarios.

PRONÓSTICOS
 5 En las organizaciones los pronósticos se
utilizan para tres propósitos importantes:

 Decidir si la demanda es suficiente para justificar

la entrada al mercado.

 Determinar las necesidades a largo plazo de la

capacidad para el diseño de instalaciones.

Determinar las fluctuaciones a corto plazo en la

demanda para la planeación de la producción, la
programación de la fuerza de trabajo, la planeación
de los materiales y otras necesidades.
PRONÓSTICOS
PERIODO DE LOS PRONOSTICOS
 A Corto Plazo (hasta 6 meses), sirven de
parámetros para las operaciones en curso
(productos específicos, volumen de
inventario, tipos de habilidades y mano de
obra, capacidad de máquina).
 A Mediano Plazo (entre seis meses y
dos años), sirven de apoyo para la
planeación agregada (grupo de productos,
capacidades departamentales).
 A Largo Plazo (más de dos años),
sirven de apoyo para las decisiones acerca
de:
 ubicación y capacidad de la planta,
 ampliación de las instalaciones,
 selección de nueva tecnología y procesos
productivos,
 adopción de nuevas líneas de productos,
etc. 6
PRECISION DE LOS
PRONOSTICOS
La precisión del pronóstico se refiere
a lo aproximado que los pronósticos
resultan en comparación con los
datos reales.

7
Es necesario aclarar la
diferencia entre pronóstico y
planeación:
 Los pronósticos se refieren a lo que
se cree que sucederá en el futuro.
 La planeación se refiere a lo que se
considera que debería suceder en
el futuro.

9
2.2 Características de la demada
9

Objetivo de la Administración de la
demanda:

Coordinar y controlar todas sus fuentes, de

modo que permitan el aprovechamiento
eficiente del sistema de producción y la
entrega puntual de los productos.

PRONÓSTICOS
Características básicas de la demanda:
10

1. Demanda dependiente.

Es la demanda de un producto o
servicio que se deriva de la demanda
de otros productos
o servicios.
Ejemplo:

PRONÓSTICOS
2. Demanda independiente:
11

Esta demanda no se deriva

directamente
de la de otros productos.

Ejemplo:

1. Adoptar un papel activo para influir en

la
demanda.
2. Adoptar un papel pasivo y limitarse a
responder de acuerdo con la
demanda.
PRONÓSTICOS
ADMINISTRACIÓN
12
DE LA DEMANDA
Demanda Independiente

A Demanda Dependiente

B(4) C(2)

D(2) E(1) D(3) F(2)

METODOS DE PRONOSTICOS
• METODOS CUALITATIVOS

– Delphi
– Estudio de Mercados
– Analogía de los Ciclos de Vida
– Juicio Informado
•METODOS CUANTITATIVOS
– Pronósticos por Series de Tiempo
» Promedio Simple Promedio móvil Simple
» Promedio Móvil
» Suavización Exponencial Promedio Móvil Ponderado
» Análisis de Regresión Promedio Móvil Centrado
» Modelos Matemáticos

– Modelos Causales de Pronósticos

» Análisis de Regresión

--Modelos de Simulación
13
Para pronósticos de planeación de la
producción y de inventarios, un
sistema de pronóstico “satisfactorio”
presenta las siguientes
características:
 Precisión
 Pocos requisitos en cuanto al tiempo para hacer
cálculos.
 Escasas necesidades de almacenamiento en
computadora.
 Costos bajos en la compra o el desarrollo de programas.
 Capacidad en línea.
 Capacidad para enlazarse con un sistema de
administración de base de datos existente.

14
MÉTODOS CUALITATIVOS DE
PRONÓSTICOS
 Como ya se indicó, los métodos
cualitativos de pronósticos utilizan
el juicio de los gerentes, su
experiencia, los datos relevantes y
un modelo matemático implícito.
 Como el modelo es implícito, si
dos gerentes distintos utilizan los
métodos cualitativos, es frecuente
que lleguen a pronósticos con
variaciones importantes. 15
16 MÉTODOS DE PRONÓSTICOS
CUALITATIVOS

1. Método Delphi *
2. Estudios de Mercado *
3. Analogía de los Ciclos de
Vida *
4. Juicio Informado *
 1. Método de Delphi

17
 Descripción: Pronóstico desarrollado mediante un grupo
de expertos que responden preguntas en rondas
sucesivas. Las respuestas anónimas del grupo
retroalimentan en cada ronda a todos los participantes. Se
pueden usar entre tres y seis rondas para lograr un
consenso sobre el pronóstico.
 Usos: Pronósticos de ventas a largo plazo para planeación
de capacidad o instalaciones. Pronósticos tecnológicos
para evaluar cuando pueden presentarse los cambios
tecnológicos.
 Exactitud: Regular a muy buena en el corto, mediano y
largo plazo.
 Este método puede servir como prospección sobre
ventas, demanda, comportamiento de mercados,
posibilidades de inversión y optimización de
procesos
18 2. Estudios de Mercado
 Descripción: Grupos, cuestionarios,
pruebas de mercado o estudios que se usan
para obtener datos sobre las condiciones
del mercado.
 Usos: Pronósticos de las ventas totales de
la compañía, de grupos de productos
importantes o de productos individuales.
 Exactitud: Muy buena en el corto plazo.
Buena en el mediano plazo. Regular en el*
largo plazo.
19 3. Analogía de los Ciclos
de Vida
 Descripción: Predicción basada en la fase
de introducción, crecimiento y saturación
de productos similares. Aprovecha la curva
de crecimiento de las ventas en forma de
S.
 Usos: Pronósticos de ventas a largo plazo
para planeación de capacidad o
instalaciones.
 Exactitud: Mala en el corto plazo. Regular
a buena en el mediano plazo. Regular a
buena en el largo plazo.
20 4. Juicio Informado
 Descripción: Pronóstico que puede hacer
un grupo o un individuo basándose en sus
experiencias, intuición o hechos
relacionados con la situación. No se usa un
método riguroso.
 Usos: Pronósticos de ventas totales y de
productos individuales.
 Exactitud: Mala a regular en el corto,
mediano y largo plazo.
 SERIE DE TIEMPO
21

Las observaciones repetidas

de la demanda de un producto
o servicio, tomando como
base el orden en que se
realizan, forman un patrón
que se conoce como serie de
tiempo.
 PRONÓSTICOS POR SERIES
22

DE TIEMPO
»Promedio Simple *
Promedio móvil Simple
»Promedio Móvil Promedio Móvil Ponderado
*
Promedio Móvil Centrado *
»Suavización Exponencial *
*
»Análisis de Regresión
*
»Modelos Matemáticos
»Box Jenkins
Promedio Móvil
Simple
 ¿ QUÉ ES LA MEDIA
MÓVIL SIMPLE?

 La media móvil simple, o

media móvil aritmético, es la
media aritmética de los N
precios de cierre de un
determinado valor, siendo N
la periodicidad de la media.
 Es una técnica utilizada en el
análisis de datos que permite
suavizar las fluctuaciones y
obtener una visión más clara
de la tendencia de los datos a
lo largo del tiempo
FUNCIÓN MATEMATICA
Promedio Móvil Simple
At  1  At  2  At  3  ...  At  n
Ft 
n
Dónde:
F1 = Pronóstico para el periodo futuro.
N = número de periodos que se promediarán.
At-1= Hechos ocurridos en el periodo pasado.
At-2, At-3 y At-n = Hechos ocurridos en dos periodos
26 anteriores, en tres periodos anteriores y así hasta n
periodos anteriores.

PRONÓSTICOS
 EJEMPLO :
 En la tabla a continuación se muestra el
procedimiento de pronóstico de demanda con Media
Móvil Simple con n=3. BUSCAR EL PRONOSTICO
DE ABRIL.
PERIOD DEMAND PRONÓS
O A TICO
ENERO 200
FEBRERO 230
MARZO 260
ABRIL 180
MAYO 270 223
  F(ABRIL)= = 230

SOLUCIÓN

PERIODO DEMANDA PRONÓSTICO

ENERO 200
FEBRERO 230
MARZO 260
ABRIL 180 230
MAYO 270 223
 SIMPLE MOVING AVERAGE
Dt + D t-1 + D t-2 +...+D t-n +1
At =
n
Week Demand
1 650 F t 1  At
2 678
3 720  Let’s develop 3-week and
4 785
5 859
6-week moving average
6 920 forecasts for demand.
7 850
 Assume you only have 3
8 758
9 892 weeks and 6 weeks of
10 920
11 789 actual demand data for
12 844 the respective forecasts
38
SOLUTION
Week Demand 3-Week 6-Week
1 650
2 678
3 720
4 785 682,67
5 859 727,67
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
39
Promedio Móvil
Ponderado
 ¿Qué es el promedio móvil
ponderado?
 En este método se asigna igual importancia a todos
los datos de la demanda pasada, el método de
promedio móvil ponderado nos permite calcular
pronósticos asignando más peso para los elementos
que consideremos.
 Esta es la ventaja del método, pues bajo ciertas
circunstancias, las empresas necesitan predecir la
demanda de próximos periodos ponderando unos
sobre otros, lo que permite, por ejemplo, darle más
importancia a la tendencia, que aunque este método
nos sigue debiendo frente a este aspecto, si sale
victorioso si se compara con el promedio o media
simple.
 Cómo elegir la ponderación en el
promedio ponderado

 Realmente no hay una regla general que nos diga qué

ponderación elegir. La experiencia y el análisis de la demanda
suelen ser decisorios para determinar la importancia en la
ponderación.
 Sin embargo, se suele considerar que en el cálculo de
pronósticos es más importante la demanda reciente, pues ante
ausencia de datos, es el indicador más fiel que tenemos para el
próximo periodo.
 Pero esto depende del tiempo donde nos encontremos. Un
ejemplo de promedio móvil ponderado es una empresa que
vende piscinas de plástico y que sabe que en verano la
demanda aumenta, y por ende es un periodo en el que se debe
asignar un mayor peso ponderado en el pronóstico.
 Fórmula de promedio móvil
ponderado

 El promedio ponderado suele reaccionar más

rápido ante los cambios de la demanda, con
relación al promedio simple. Sin embargo, la
verdadera utilidad del método dependerá de la
experticia del administrador de operaciones al
pronosticar la demanda, como en todos. En
nuestra formula de promedio, la suma de las
ponderaciones debe ser igual a 1.
Promedio Móvil Ponderado

t

F  w1 A  w2 A
t1 t 2
 w3 A
t 3
 ...  wnA
t n

Dónde:

w1
35 = Peso que se dará a la venta real en el periodo t-1
w2 = Peso que se dará a la venta real en el periodo t-2
wn = Peso que se dará a la venta real en el periodo t-n
n = número de periodos del pronóstico
PRONÓSTICOS
 Cómo calcular un promedio
móvil ponderado
 IngE es una compañía productora de alimentos para perro y
requiere calcular el pronóstico de demanda con el método de
media móvil ponderada. Para la empresa, la demanda pasada
reciente es la más importante y le asignan un peso de 50%. La
demanda intermedia tiene un peso de 30% y la más lejana de 20%.
 En este ejemplo de promedio ponderado, para calcular el
pronóstico de demanda del periodo 4, multiplicamos el periodo 3
(el más reciente) por 50%, el periodo 2 (el intermedio 2) por 30% y
el periodo 1 (el más lejano) por 20%. El resultado de cada producto
lo sumamos y obtuvimos 139.
 Para pronosticar el siguiente periodo, multiplicamos la demanda
real (la que obtuvimos, no la pronosticada) del periodo 4 por 50%,
la del periodo 3 por 30% y la demanda del 2 por 20%.
Cómo calcular un promedio
móvil ponderado
La gráfica gris representa el pronóstico de cada periodo y la gráfica azul representa
la demanda de cada periodo
 Aun así, al igual que el promedio
simple, la media o promedio
ponderado no refleja muy bien las
tendencias y necesita de datos
históricos. A fin de cuentas, son
promedios y están basados en niveles
pasados de demanda, quedando
limitados para anticiparse a los
cambios hacia niveles más altos o más
bajos.
40 Actividad de aprendizaje 6

 1.- La empresa JOR-GON-ZA fabrica congeladores,

utilizando un periodo de tres meses pronosticar la
demanda de Julio, se le da al periodo más reciente
un peso igual al doble al de los dos periodos
previos.

Tiempo Demanda
Marzo 350
Abril 400
Mayo 500
Junio 600
Julio
  2.Con la demanda establecida calcula los promedios
de 2, 3y 4 semanas.
41

Week Demanda 2- 3-Week 4-Week

Week
1 800
2 1120
3 1000
4 1200
5 1240
6 1280
7 1200
8 1280
9 1440
10 1480
11 1520
12 1520
13 1640
SUAVISACION
EXPONENCIAL
¿Qué es el suavizamiento
exponencial?
El método de suavización exponencial utiliza los
promedios históricos de una variable en un período
para intentar predecir su comportamiento futuro.
Es una forma de pronosticar la demanda de un artículo
para un período dado. Por lo tanto, de lo que se trata
es de predecir qué va a pasar y lo que hace es suavizar
la serie temporal. El objetivo es reducir las
fluctuaciones y conseguir observar una tendencia que
a veces no está clara a simple vista. Es muy utilizado,
sobre todo, en previsión de ventas y ha demostrado
una eficacia más que aceptable.
FORMULA

La fórmula para calcular el suavizamiento exponencial

es la siguiente: (D*S) + (P*(1-S)), donde,
 D= demanda más reciente del período.
 S= factor de suavizado, representado en forma
decimal (35% sería 0,35).
 P= pronóstico del período más reciente, resultado
del cálculo de suavizado del período anterior.
 Puede servirte: Proyecto productivo:
características, tipos, ejemplos
 Exponencial Aminorado

Ft  Ft  1   ( At  1  Ft  1 )
Dónde:

F1 = Pronóstico exponencialmente aminorado para el periodo t.

Ft-1=
45 El pronóstico exponencialmente aminorado para el periodo
anterior.
At-1= La demanda real en el periodo anterior.
a = La tasa deseada de respuesta o la constante de
atenuación.
PRONÓSTICOS
Ejemplo

 Una compañía de seguros ha decidido ampliar su

mercado a la ciudad más grande del país, brindando
seguros para vehículos.
 Como acción inicial, la empresa quiere pronosticar
cuántos seguros para vehículos comprarán los
habitantes de esta ciudad.
 Para ello, utilizarán como datos iniciales la cantidad
de seguros de carros comprados en otra ciudad más
pequeña.
 El pronóstico de la demanda para el período 1 es de 2.869
seguros de vehículos contratados, pero la demanda real en
ese periodo fue de 3.200.
 Según el criterio de la empresa, asigna un factor de suavizado
de 0,35. La demanda pronosticada del período siguiente es:
P2= (3200*0,35) + 2869*(1-0,35) = 2984,85.
Este mismo cálculo fue realizado para todo el año, consiguiendo
la siguiente tabla comparativa entre lo que realmente se obtuvo
y lo pronosticado para ese mes.
48 Actividad de aprendizaje 7
 Problema 1: Calcule los pronósticos necesarios para cada
uno de los meses restantes con suavización exponencial
utilizando un α = 0.6
Mes Demanda Suavización
exponencial
Marzo 234

Abril 260
Mayo 250
Junio 290
Julio 300
Agosto 320
Septiembre 310

Octubre
  Problema 2: Las siguientes tabulaciones son
49 ventas unitarias para seis meses. Calcule
los pronósticos para los meses restantes
con suavización exponencial simple con α =
0.2.
Mes Demanda Suavización
exponencial
Febrero 11

Marzo 13
Abril 14
Mayo 16
Junio 15
Julio 18
Agosto
 Regresión Simple
(Mínimos cuadrados y
gráfica de la recta)
 DEFINICIÓN

 Es un procedimiento de análisis numérico en la que,

dados un conjunto de datos (pares ordenados y familia de
funciones), se intenta determinar la función continua que
mejor se aproxime a los datos (línea de regresión o la
línea de mejor ajuste), proporcionando una demostración
visual de la relación entre los puntos de los mismos.
 FORMULA

 Su expresión general se basa en la ecuación de una recta y = mx +

b.

 m es la pendiente

 b el punto de corte
EJEMPLO

 Encontrar la recta que mejor se ajusta a los Veamos

el gráfico:

siguientes datos:
 Necesitamos encontrar una recta y = mx + b. Segundo por las expresiones de m y b debemos
Debemos aplicar el método de mínimos cuadrados. encontrar el valor x²:
Como ya sabemos entonces, primero centraremos
el valor (x ∙ y):
 Ahora podemos obtener los valores de las sumatorias de cada columna:

 Sustituimos en cada una de las expresiones:

Formula:

La recta obtenida con el método de los mínimos cuadrados es la

siguiente:
• Vemos que la recta corta al eje y en 11,48 y en el eje x en 13,57. Por lo tanto, si queremos saber dónde
corta en el eje x igualamos la ecuación y = 0:

Despejamos x:
Ejemplo
Solución
 Actividad de aprendizaje
 Las estaturas y pesos de 10 jugadores de baloncesto de un
60 #8
equipo son:
Estatura Peso
186 85
• La recta de regresión de y
189 85
sobre x.
190 86 • El peso estimado de un
192 90 jugador que mide 208
193 87 cm.
193 91
198 93
201 103
203 100
205 101
Tendencia lineal

 La regresión lineal es una técnica de análisis de

datos que predice el valor de datos desconocidos
mediante el uso de otro valor de datos relacionado y
conocido. Modela matemáticamente la variable
desconocida o dependiente y la variable conocida o
independiente como una ecuación lineal. Por
ejemplo, supongamos que tiene datos sobre sus
gastos e ingresos del año pasado. Las técnicas de
regresión lineal analizan estos datos y determinan
que tus gastos son la mitad de tus ingresos. Luego
calculan un gasto futuro desconocido al reducir a la
mitad un ingreso conocido futuro.
¿Cómo funciona?
 En esencia, una técnica de regresión lineal
simple intenta trazar un gráfico lineal entre
dos variables de datos, x e y. Como variable
independiente, x se traza a lo largo del eje
horizontal. Las variables independientes
también se denominan variables explicativas
o variables predictivas. La variable
dependiente, y, se traza en el eje vertical.
También puede hacer referencia a los valores
y como variables de respuesta o variables
pronosticadas.
PROMEDIO SIMPLE
 Cuando b en la ecuación de la recta Y
= a + bX es igual a cero, la recta es
horizontal. El pronóstico para el
siguiente periodo se convierte entonces
en el promedio simpleN de todos los
valores de Y hasta la Yi
fecha:
Yf  i 1
N

 El cálculo de un promedio simple para el

pronóstico de tendencia es entonces un
caso especial del método de mínimo 28

cuadrados.
PROMEDIO SIMPLE EJEMPLO
64

 Dados los datos de consumos de los trimestres de cada año, entre

2.010 y 2.014 de una determinada materia prima, se requiere el
pronóstico trimestral para el año 2.015.

Año T1 T2 T3
2.010 190 370 300
2.011 280 420 310
2.012 270 360 280
2.013 300 430 290
2.014 320 440 320
 PROMEDIO SIMPLE EJEMPLO
Año T1 T2 T3 T4 Total Anual
2,010 190 370 300 220 1080
2,011 280 420 310 180 1190
2,012 270 360 280 190 1100
2,013 300 430 290 200 1220
2,014 320 440 320 220 1300
Totales 1360 2020 1500 1010 5890
Promedios 272 404 300 202 294.5
30
 PROMEDIO SIMPLE EJEMPLO
(continuación)
Promedio Simple Anual Discriminado por
Trimestre
480
460
440
420
400
380
T1
360 T2
Demanda

340 T3
T4
320
300
280
260
240
220
200
180
160
1 2 3 4 5 Años

31
 PROMEDIO SIMPLE EJEMPLO
(continuación)

Promedio Simple Anual Discriminado por

Trimestre
480
460
440
420
T1
400 Linear ( T1)
380 T2
Linear ( T2)
360
Demanda

T3
340 Linear ( T3)
320 Linear ( T3)
300 T4
Linear ( T4)
TT1
280
TT2
260 TT3
TT4
240
220
200
180
160
1 2 3 4 5 Años

67
 PROMEDIO SIMPLE EJEMPLO
(continuación)
Índices de Estacionalidad:

272 300
I T1  294,5 0,92 I T3  294,5 1,02
404 202
I T2  294,5 1,37 I T4 294,5
 0 ,69

33
 PROMEDIO SIMPLE EJEMPLO
(continuación)
Aplicando el pronóstico de línea recta
para 2015 para la ecuación de la
recta Y = a + bX,
se tiene
n n

Y
i 1
i  Na  b Xi
i 1
n n n

XY
i 1
i i a  X i  b X
i 1 i 1
i
2

34
 PROMEDIO SIMPLE EJEMPLO
(continuación)
En la siguiente tabla se hace un cálculo de las sumatorias
anteriores y los resultados se llevan a las dos últimas
ecuaciones vistas.
AÑO Y * X X2 XY
2.010 1080 0 0 0
2.011 1190 1 1 1190
2.012 1100 2 4 2200
2.013 1220 3 9 3660
2.014 1300 4 16 5200
Sumas 5890 10 30 12250

* Los valores de Y están dados en unidades.

35
 PROMEDIO SIMPLE EJEMPLO
(continuación)
Reemplazando los resultados de las sumatorias en las
ecuaciones tenemos:
5890 = 5a +10b
12250 = 10a + 30b
Resolviendo estas dos ecuaciones simultáneamente se tiene

5980 = 5a + 10b (-2)

12250 = 10a + 30b
290 = 10b de donde b = 29
5890 = 5a + 470 de donde
5a = 5420 de donde a = 1084
Y = 1080 + 47X
Llevando estos valores a la ecuación de la recta tenemos:
Y = 1.084 + 47X
para X = 5, correspondiente al 2.015, se tiene que Y=
1.319, lo cual será el pronóstico para ese año.

36
 PROMEDIO SIMPLE EJEMPLO
(continuación)
Aplicando los índices de estacionalidad se tiene:
1.319
F T 1  4 0,92 303
1.319
F T 2  4 1,37 452
1.319
F T 3  4 1,02 336
1.319
F T 4  4 0,69 228
....................Total .. 1.319  pronostico _ de
la _ tendencia _ para _ el _ 2.015 *
37
Actividad de aprendizaje
 Develop 3-week
Week Demand and 5-week
1 820 moving average
2 775
3 680
forecasts for
4 655 demand.
5 620  Assume you only
6 600
7 575
have 3 weeks and
5 weeks of actual
demand data for
the respective
41
In-Class Exercise (Solution)
Week Demand 3-Week 5-Week
1 820
2 775
3 680
4 655 758.33
5 620 703.33
6 600 651.67 710.00
7 575 625.00 666.00
*
42
WEIGHTED MOVING AVERAGE
F t 1
 A t W 1 D t  W 2 D t  1 ... W N D t  N 1
N

With the condition that

i 1
W i
1

Week Demand Determine the 3-

1 650 period weighted
2 678 moving average
3 720 forecast for period t
Weights:
4 = 4. t-1 0.5
t-2 0.3
t-3 0.2
43
Solution
Week Demand Forecast
1 650
2 678
3 720
4 693.4

F4 = 0.5(720) + 0.3(678) + 0.2(650)

44
In-Class Exercise

Determine the 3-
period weighted
Week Demand
moving average
1 820
forecast for period 5.
2 775
3 680
4 655 Weights:
t-1 0.7
t-2 0.2
t-3 0.1 45
Solution
Week Demand Forecast
1 820
2 775
3 680
4 655 713
5 672
* 46
 PROMEDIO MÓVIL CENTRADO

47
UNIDADES
AÑO TRIMESTRE
CONSUMO

T1 190
T2 370
2.012
T3 300
T4 220
T1 280
T2 420
2.013
T3 310
T4 180
T1 270
T2 360
2.014
T3 280
T4 190
 PROMEDIO MÓVIL CENTRADO
UNIDADES PROMEDIO PROMEDIO
ÍNDICE
AÑO TRIMESTRE CONSUM MÓVIL DE 4 MÓVIL
TEMPORAL
O PERÍODOS CENTRADO
T1 190
T2 370 a
2.012 270
T3 300 281 1,067
293
T4 220 299 0,736
305
T1 280 306 0,914 b
308
T2 420 303 1,388
2.013 298
T3 310 296 1,046
295
T4 180 288 0,626
280
T1 270 276 0,977
273
T2 360 274 1,315
2.014 275
T3 280
T4 190
Prono
48
INDICES
AÑO T1 T2 T3 T4
2,012 1.07 0.74
2,013 0.91 1.39 1.05 0.63
2,014 0.98 1.32
TOTALES 1.89 2.71 2.12 1.37
ÍNDICE
TEMPORAL 0.945 1.355 1.06 0.685 4.045 1.011 0.988875155
PROMEDIO
ÍNDICE
FACTOR DE
TEMPORAL 0.934 1.340 1.048 0.677 4 1
AJUSTE
AJUSTADO

Anterior a b
49
El paso final es hacer un pronóstico, el
cual se
lleva a cabo tomando el producto del
promedio
móvil centrado más reciente y su
propio índice
Temporal ajustado. Para los dos
primeros trimestres del año 2.015, se
tiene:
Anterior
*
T12.015= 276 x 0,934 = 257,78 unidades
50
 EXPONENTIAL SMOOTHING
Para 0 ≤ a ≤ 1, se tiene:

At =  Dt + (1- )At-1
Ft+1 = At
Ft+1 =  Dt + (1- )Ft
Ft+1 = Ft + (Dt - Ft)
 Premise--The most recent observations
might have the highest predictive
value.
 Therefore, we should give more weight
51
Exponential Smoothing Example
 Determine
Week Demand exponential
1 820
2 775
smoothing
3 680 forecasts for
4 655  2-10
periods
5 750 
using =0.10
6 802 and
7 798
=0.60.
8 689
9 775
10
 Let F1=D1 52
SOLUTION

Week Demand 0,1 0,6

1 820 820,00 820,00
2 775 820,00 820,00
3 680 815,50 793,00
4 655 801,95 725,20
5 750 787,26 683,08
6 802 783,53 723,23
7 798 785,38 770,49
8 689 786,64 787,00
9 775 776,88 728,20
10 776,69 756,28
53
 Effect of  on Forecast

Exponential Smoothing Graphic

840

820

800

780
Series1=
Demanda

760 Demanda
Series2
= a = 0,6
740 Series3
= a = 0,1
720

700

680

660

640
1 2 3 4 5 6 7 8 9 Tiempo

54
In-Class Exercise

Week Demand
Determine
1 820 exponential
2 775 
smoothing forecasts
3 680 for periods 2-5 using
4 655 =.50
5

Let F1=D1
55
In-Class Exercise (Solution)

Week Demand 0.5

1 820 820.00
2 775 820.00
3 680 797.50
4 655 738.75
5 696.88
56
ERRORES DE PRONÓSTICOS
89

 MAD (Desviación Absoluta Promedio o Mean Absolute

Deviation )

 Señal de Rastreo (Tracking Signal)

90 MAD (Desviación Absoluta Promedio
o Mean Absolute Deviation )

La Desviación Absoluta Promedio se

representa así:
n


t =1
A t - Ft
MAD =
n

1 MAD  0.8 standard deviation

1 standard deviation  1.25 MAD
Example MAD
Month Sales Forecast
1 220 n/a
2 250 255
3 210 205
4 300 320
5 325 315

Determine the MAD for the four

forecast periods
59
Solution
Month Sales Forecast Abs Error
1 220 n/a
2 250 255 5
3 210 205 5
4 300 320 20
5 325 315 10

40
n

A
t=1
t - Ft
40
MAD = = = 10
n 4
60
Señal de Rastreo (Tracking Signal)
suma _ acumulada _ de _ la _ desviacion _ del _ pronostico
Señal _ de _ rastreo TS 
MAD

RSFE Running sum of forecast errors

TS = =
MAD Mean absolute deviation

Señal _ de _ rastreo TS 

 D  F t t
MAD
 Is the forecast average keeping pace
with any genuine upward or
downward changes? 61
Con base en la siguiente información, determine la señal de rastreo

94 Periodo Demanda  = 0.3

Dt
Pronós- Error MADt
tico Dt - Ft (  = 0.3 )
1 10 15.0 -5.0 6.4
2 18 13.5 4.5 5.8
3 29 14.9 14.2 8.3
4 15 19.0 -4.1 7.1
5 30 17.9 12.1 8.6
6 12 21.5 -9.5 8.8
7 16 18.7 -2.7 7.0
8 8 17.9 -9.9 7.9
9 22 14.9 7.1 7.6
10 14 17.0 -3.0 6.2
11 15 16.1 -1.1 4.7
12 27 15.9 11.2 6.7
13 30 19.2 10.9 7.9
14 23 22.4 0.6 5.7
15 15 22.6 -7.6 6.4
 (D  F )... Tendencia
t t
17.7
D t
 F t
... Desviacion _ absoluta
103.4 a b
*F1 = 15 MAD0 = 7 7
Con base en la siguiente información, determine los pronósticos, las
MAD y la señales de rastreo TS
95
Demanda
Periodo
Dt

1 10
2 18
3 29
4 15
5 30
6 12
7 16
8 8
9 22
10 14
11 15
12 27
13 30
14 23 a b
15 15
Modelos
96
Causales de Pronósticos

Análisis de Regresión
Modelos Econométricos
Modelo de Insumo - Producto
Indicadores Anticipados
 INTRODUCCIÓN A LA REGRESIÓN LINEAL SIMPLE
En la práctica, es frecuente que se requiera resolver
problemas que implican conjuntos de variables de
las cuales se sabe que tienen alguna relación
inherente entre sí.
Por ejemplo, en una situación industrial quizá se
sepa que el contenido de alquitrán en la corriente
de salida de un proceso químico está relacionado
con la temperatura en la entrada. Podría ser de
interés desarrollar un método de pronóstico, es
decir, un procedimiento para estimar el contenido
de alquitrán de varios combustibles teniendo en
cuenta la temperatura de entrada, a partir de
información experimental. Por supuesto, es muy
probable que para muchos ejemplos concretos en
los que la temperatura de entrada sea la misma,63por
ejemplo 130 °C, el contenido de alquitrán a la salida
El contenido de alquitrán es una variable
dependiente o de respuesta. La temperatura en
la entrada es una variable independiente o
regresor. Una forma razonable de relación entre la
respuesta Y y el regresor X es la relación lineal
donde, por supuesto, α es la intersección con el
eje Y y β es la pendiente. La relación se ilustra en
la figura 1.

64
Relaciones entre variables y
regresión
 El término regresión fue introducido por Galton en su
libro “Natural inheritance” (1889) refiriéndose a la “ley
de la regresión universal”:

 “Cada peculiaridad en un hombre es compartida por

sus descendientes, pero en media, en un grado
menor.”
 Regresión a la media
 Su trabajo se centraba en la descripción de los rasgos
físicos de los descendientes (una variable) a partir de
los de sus padres (otra variable).
 Pearson (un amigo suyo) realizó un estudio con más
de 1000 registros de grupos familiares observando Francis Galton
una relación del tipo: •Primo de Darwin
 Altura del hijo = 85cm + 0,5 altura del padre •Estadístico y
(aprox.) aventurero
•Fundador (con otros)
 Conclusión: los padres muy altos tienen
de la estadística
tendencia a tener hijos que heredan parte de esta
altura, aunque tienen tendencia a acercarse moderna para explicar
(regresar) a la media. Lo mismo puede decirse de las teorías de Darwin.
los padres muy bajos, tienden a tener hijos más
altos.

 Hoy en día el sentido de regresión es el de predicción de

una medida basándonos en el conocimiento de otra.
65
 Estudio conjunto de dos variables
 A la derecha tenemos una posible manera de
recoger los datos, observando dos variables en
varios individuos de una muestra.
Altura
en Peso
 En cada fila tenemos los datos de un individuo cm. en Kg.
162 61
 Cada columna representa los valores que toma una 154 60
variable sobre los mismos. 180 78
158 62
 Las individuos no se muestran en ningún orden 171 66
particular. 169 60
166 54
 Dichas observaciones pueden ser representadas en 176 84
un diagrama de dispersión (‘scatterplot’). En 163 68
ellos, cada individuos es un punto cuyas
... ...
coordenadas son los valores de las variables.

 Nuestro objetivo será intentar reconocer a partir del

diagrama de dispersión, si hay relación entre las
variables, de qué tipo, y si es posible predecir el
valor de una de ellas en función de la otra. 66
 Diagramas de dispersión o nube
de puntos
Tenemos las alturas X y los pesos Y de 30 individuos representados en un
diagrama de dispersión.

100
90
80 Pesa 76 kg.
70
60

Mide 187 cm.

50 Pesa 50 kg.
40
Mide 161 cm.
30
140 150 160 170 180 190 200

67
 Relación entre variables.
Tenemos las alturas X y los pesos Y de 30 individuos representados en un
diagrama de dispersión.

100
n la
90 co
t a
men
80
o au
e s
70
e lp
qu e
60
re ce
50 P a ra
altu
40
30
140 150 160 170 180 190 200

68
 Predicción de una variable en función de la otra.

Aparentemente el peso aumenta 10Kg por cada 10 cm de altura... o sea, el peso

aumenta en una unidad por cada unidad de altura.

100
90
80
70
60 10 kg.
50
40
10 cm.
30
140 150 160 170 180 190 200

69
 Cómo reconocer relación directa e
inversa.
330 100

280 Incorrelación 90 Fuerte relación

80 directa.
230
70
180
60
130 50

80 40
30
30
140 150 160 170 180 190 200
140 150 160 170 180 190 200
•Para los valores de X mayores
Para valores de X por encima de la media
tenemos valores de Y por encima y por que la media le corresponden
debajo en proporciones similares. valores de Y mayores también.
Incorrelación.
•Para los valores de X menores
que la media le corresponden
80 valores de Y menores también.
70 Cierta relación
60 inversa
50
•Esto se llama relación directa
40 o creciente entre X e Y.
30
20
10
0
140 150 160 170 180 190 200
Para los valores de X mayores que la
media le corresponden valores de Y
menores. Esto es relación inversa o
decreciente.
70
 Cómo reconocer buena o mala
330

280
relación
Poca relación Fuerte relación
100
90
80 directa.
230
70
180 60
130 50

80 40
30
30
140 150 160 170 180 190 200
140 150 160 170 180 190 200

• Dado un valor de X no podemos •Conocido X sabemos que Y se

decir gran cosa sobre Y. Mala mueve por una horquilla estrecha.
relación. Buena relación.

Independencia.

•Lo de “horquilla estrecha” hay que

80
Cierta relación
entenderlo con respecto a la
70
60 inversa dispersión que tiene la variable Y por
50 si sola, cuando no se considera X.
40
30
20
10
0
140 150 160 170 180 190 200 71
 Covarianza de dos variables X e Y
 La covarianza entre dos variables, Sxy, nos
indica si la posible relación entre dos
variables es directa o inversa.
1 n
 Directa: Sxy > 0
S xy   xi  x y i  y 
 Inversa: Sxy < 0 n i 1
 Incorreladas: Sxy = 0

 El signo de la covarianza nos dice si el

aspecto de la nube de puntos es creciente o
no, pero no nos dice nada sobre el grado de
relación entre las variables.

72
 Coef. de correlación lineal de Pearson
 El coeficiente de correlación lineal de
Pearson de dos variables, r, nos indica si
los puntos tienen una tendencia a
disponerse alineadamente (excluyendo
rectas horizontales y verticales).

 tiene el mismo signo que S xy por tanto de

S xy
su signo obtenemos el que la posible r
S xx S yy
relación sea directa o inversa.

 r es útil para determinar si hay relación

lineal entre dos variables, pero no servirá
para otro tipo de 2relaciones (cuadrática,

1 n
logarítmica,...)
S xx   X i  X
n i 1

2
1 n

S yy   Yi  Y
n i 1

1 n
 
S xy   X i  X Yi  Y
n i 1
 73
 Propiedades de r
 Es adimensional
 Sólo toma valores entre [-1,1], es decir, -1 ≤ r ≤ 1
 Las variables son incorreladas  r = 0
 Relación lineal perfecta entre dos variables  r = +1 o r = -1
 Excluimos los casos de puntos alineados horizontalmente o
verticalmente.
 Cuanto más cerca esté r de +1 ó -1, mejor será el grado de
relación lineal.
 Siempre que no existan observaciones anómalas.
Relación
inversa Relación
perfecta directa
Variables
incorreladas perfecta

-1 0 +1
74
Entrenando el ojo: correlaciones
positivas

330 130
120
280 110
230 100
90
180 80
70
130 60
80 50
r=0,1 40
r=0,4
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200

110 100
100 90
90 80
80
70
70
60
60
50 50

40 r=0,6 40 r=0,8
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200

75
Entrenando el ojo: casi perfectas y
positivas

100 100
90 90
80 80
70 70
60 60
50 50
40 r=0,9 40 r=0,99
30 30
140 150 160 170 180 190 200 140 150 160 170 180 190 200

100
90
80
70
60
50
40 r=1
30
140 150 160 170 180 190 200

76
Entrenando el ojo: correlaciones
negativas

80
90
80 70
70 60
60 50
50
40
40
30 30
20 20
10 r=-0,5 r=-0,7
10
0
0
140 150 160 170 180 190 200
140 150 160 170 180 190 200

80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 r=-0,95 10 r=-0,999
0 0
140 150 160 170 180 190 200 140 150 160 170 180 190 200

77
 Preguntas frecuentes
 ¿Si r = 0, quiere decir eso que las variables son
independientes?
 En la práctica, casi siempre sí, pero no tiene
por qué ser cierto en todos los casos.
 Lo contrario si es cierto: Independencia
implica incorrelación.

 Me ha salido r=1.2 ¿la relación es “super lineal”[sic]?

 ¿Super qué? Eso es un error de cálculo. Siempre
debe tomar un valor entre -1 y +1.

 ¿A partir de qué valores se considera que hay “buena

relación lineal”?
 Es difícil dar un valor concreto (mira los gráficos
anteriores). Para este curso digamos que si |r| >
0,7 hay buena relación lineal y que si |r| > 0,4
hay cierta relación (por decir algo... la cosa es un
poco más complicada: observaciones
anómalas,...) 78
 Regresión lineal simple

Si la relación es exacta, entonces se trata de una

determinista entre dos variables científicas. Sin
embargo, en los fenómenos científicos y de
ingeniería, la relación no es determinista (es decir,
una X dada no siempre produce el mismo valor de
Y).
Como resultado, existen problemas importantes
que son de naturaleza probabilística, toda vez que
la relación anterior no puede considerarse exacta.
El concepto de análisis de regresión tiene que
ver con encontrar la mejor relación entre Y y X, al
cuantificar la intensidad de dicha relación y
emplear métodos que permitan predecir los valores
de la respuesta ante valores dados del regresor79x.
 Regresión lineal simple
En muchas aplicaciones, habrá más de un regresor (es decir, más de
una variable independiente que ayude a explicar a Y"). Por
ejemplo, en el caso en que la respuesta es el precio de una casa, se
esperaría que el área construida y la edad de ésta contribuyeran a la
explicación del precio, por lo que en este caso la estructura múltiple
de la regresión podría escribirse como

donde Y es el precio, x1 son los metros cuadrados y x2 es la edad en

años. Este es un problema con regresores múltiples. El análisis
resultante se denomina regresión múltiple.
En tanto que el análisis del caso con un solo regresor recibe el
nombre de regresión simple.

80
 Regresión lineal simple

- El modelo para la regresión lineal es:

yi a  b xi   i i = 1, 2, ..., n

donde:
yi = valor de la variable dependiente en el período i.
xi = Valor de la variable independiente en el período i.
ei = Error aleatorio en el modelo.
a = ordenada de la recta que relaciona yi y xi.
b = pendiente de la recta.
n = número de períodos de datos disponibles.

115
 Regresión lineal simple
Tendencia Rectilínea:
 Dentro los diversos criterios que
podrían seguirse para fijar la
correlación existente entre dos
variables, vamos a adoptar el más
ampliamente usado, conocido
como criterio mínimo
cuadrático.
 Este criterio consiste en
determinar, de entre todas las
rectas posibles, aquella en la que
el promedio de los cuadrados de
las distancias de los puntos Y´ a82
 Tendencia Rectilínea (cont.)
 El criterio mínimo cuadrático postula que
la recta que cumpla esta condición es la
que mejor se adapta al gráfico de
dispersión y, por lo tanto, la que expresa
mejor dentro del tipo de relación rectilínea,
la correlación existente entre la variable
dependiente y la independiente.
Y’
$
Y = a + bX
Y’
La fórmula
Y’ que expresa
L
Y’ este criterio
es:n Yi '  a  bX 
2
Y’
L  1
i 1 n

Puntaje 83
 Tendencia Rectilínea (cont.)
 Derivando parcialmente respecto a a y b, la
ecuación (1), e igualando a cero, se obtienen
la primera y segunda ecuaciones normales,
así: L n
 2 Yi  a  bX i  0
n
Y '

 a  bX  1
2 a i 1 2
L  i

n L n
 2 Yi  a  bX i X i 0
i 1

b i 1

3
n n
 Simplificando  X i dos
na  bestas ecuaciones
Yi se 4

obtiene i 1 i 1
n n n
a  X i  b X i2  Yi X i 5
i 1 i 1 i 1 84
 Tendencia Rectilínea (cont.)
 Resolviendo simultáneamente las ecuaciones
(4) y (5), se tienen los resultados para a y
b respectivamente.
n n n n

 X Y '   X  X Y '
i
2
i i i i
a  i 1 i 1 i 1 i 1
2
;
n
 n 
n X i    Xi 
2

i 1  i 1 
n n n
n  X iY ' i   X Y ' i i
i 1 i 1 i 1
b 2
n n
 
n X i   Xi 
2

i 1  i 1  85
 Regresión lineal simple
Para ajustar los datos de la mejor manera posible a una línea recta
se buscan valores para a y b de tal forma que se minimice la
suma de cuadrados totales de la diferencia entre los valores de
la variable dependiente real y la estimada por el modelo.
Esto se consigue utilizando las siguientes fórmulas para el cálculo de a y
b:

120
 Ejemplo numérico 1

EJEMPLO DE REGRESION LINEAL SIMPLE

Número de Número de Número de Número de
Dato Permisos Accesorios Dato Permisos Accesorios
1 22 72 13 28 63
2 16 44 14 21 50
3 24 80 15 18 67
4 95 191 16 46 109
5 84 187 17 145 304
6 13 57 18 122 239
7 114 238 19 108 223
8 147 283 20 85 173
9 96 204 21 107 211
10 59 144 22 53 104
11 35 102 23 17 59
12 41 109 24 12 24

yi = Número de accesorios vendidos en el mes i.

xi = Número de permisos emitidos en el mes i.
121
Solución ejemplo numérico

Gráfico hecho con la

herramienta “X-Y plot...”
en la opción
“Scatterplots” del
submenú “plot” de
Excel.

Las siguientes
tablas se
obtuvieron con la
opción “simple
regresión” del
submenú
“relate” de Excel.

122
Regression Equation Example
Week Sales
1 150
2 157
3 162
4 166
5 177
Develop a regression equation to predict sale
based on these five points.
89
SOLUTION
Week Week*Week Sales Week*Sales
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
Sum 15 Sum 55 Sum 812 Sum 2499

a=
 x
2
 y   x  xy
=
55 * 812 - 15 * 2499
143.5
n  x   x
2
2
5 * 55 - 15 * 15

b=
n  xy  x  y
=
5 * 2499 - 15 * 812
6.3
n  x   x
2
2
5 * 55 - 15 * 15
90
GRAPHIC
y = 143.5 + 6.3t
180
175
170
165
160 Sales
Sales

155 Forecast
150
145
140
135
1 2 3 4 5

Period
91
 EJEMPLO
Suponga que nos interesa estimar la demanda de periódicos basándonos en la
92
población local. En la siguiente tabla se muestra la demanda de periódicos
durante los último 8 años y la población correspondiente de una ciudad
pequeña.

AÑO DEMANDA POBLACION

1 3.0 2.0
2 3.5 2.4
3 4.1 2.8
4 4.4 3.0
5 5.0 3.2
6 5.7 3.6
7 6.4 3.8
8 7.0 4.0
 POBLACION PROYECTADA PARA EL AÑO 9
12 2
7 X (Años) Y (Población) X XY
1 2.0 1 2.0
2 2.4 4 4.8
3 2.8 9 8.4
4 3.0 16 12.0
5 3.2 25 16.0
6 3.6 36 21.6
7 3.8 49 26.6
8 4.0 64 32.0
36 24.8 204 123.4

 Y X
a
n
b
i

n
i
a = 1.836
n X Y  (  X ) (  Y )
b = 0.281
i i i i
b
n X i  X i 
2  2


a + bX = 1.836 + 0.281 * 9 = 4.365 = 4

 VENTAS DE PERIÓDICOS PROYECTADAS PARA EL AÑO 9
i (Años)
12 Y i(Demanda) Xi(Población) Xi Y i Xi2 Y i2
1
8 3.0 2.0 6.0 4.0 9.0
2 3.5 2.4 8.4 5.8 12.3
3 4.1 2.8 11.5 7.8 16.8
4 4.4 3.0 13.2 9.0 19.4
5 5.0 3.2 16.0 10.2 25.0
6 5.7 3.6 20.5 13.0 32.5
7 6.4 3.8 24.3 14.4 41.0
8 7.0 4.0 28.0 16.0 49.0
Sumatorias 39.1 24.8 127.9 80.2 205.0

 Y X
a
n
b i

n
i
a = -1.34
n X Y  (  X ) (  Y )
b = 2.01
i i i i
b
n X i  X i 
2  2


= a + bX = -1.34 + 2.01 * 4.4 = 7.50

 Ejemplo 2
Considere los datos experimentales de la tabla adjunta,
que se obtuvo de 33 muestras de desechos tratados
químicamente, en el estudio que se realizó en el Instituto
Politécnico y Universidad Estatal de Virginia.
MEDIDAS DE LOS SÓLIDOS Y LA DEMANDA DE OXÍGENO
Demanda de Demanda de
Reducción de Reducción de
Oxígeno Oxígeno
Sólidos x (%) Sólidos x (%)
Químico, Y (%) Químico, Y (%)
3 5 36 34
7 11 37 36
11 21 38 38
15 16 39 37
18 16 39 36
27 28 39 45
29 27 40 39
30 25 41 41
30 35 42 40
31 30 42 44
31 40 43 37
32 32 44 44
33 34 45 46
33 32 46 46
34 34 47 49
36 37 50 51
36 38 95
Ejemplo 2 (continuación)
Estime la recta de regresión para los datos de contaminación de
la tabla del Ejemplo 2

Por lo tanto

Así, la recta de regresión estimada está dada

por

96
 EJERCICIO EN CLASE 1
 Ajustar un modelo de regresión simple a los datos de la
pureza de oxigeno que se muestra en la siguiente tabla:
NIVEL DE OXIGENO DE HIDROCARBUROS
No. Observaciones Nivel Hidrocarburos X (%) Pureza Y (%)
1 0,99 90,01
2 1,02 89,05
3 1,15 91,43
4 1,29 93,74
5 1,46 96,73
6 1,36 94,45
7 0,87 87,59
8 1,23 91,77
9 1,55 99,42
10 1,40 93,65
11 1,19 93,54
12 1,15 92,52
13 0,98 90,56
14 1,01 89,54
15 1,11 89,85
16 1,20 90,39
17 1,26 93,25
18 1,32 93,41
19 1,43 94,98
20 0,95 87,33
97
13
2

Fin presentación
13
3
PROMEDIO MÓVIL CENTRADO
AÑO TRIMESTRE VENTAS P.M.1AÑO P.M.CENTRADO IND. TEMP.
1.997 T1 190

T2 370
270
T3 300 281 1.07
292
T4 220 298 0.74
305
T1 280

T2 420

*
 13 El promedio de los índices periódicos
4 debe dar un total igual a 1.0

0.945  1.355  1.060  0.685 4.045

 1.01125
4 4
Relación de ajuste = 4/4,045 = 0,988875155 0.9345
1.3399
IT 1 = 0,988875155 x 0,945 = 0,9345
1.0482
IT 2 = 0,988875155 x 1,355 = 1,3399 0.6774
IT 3 = 0,988875155 x 1,060 = 1,0482 4.0000
IT 4 = 0,988875155 x 0,685 = 0,6774
*
.9345 + 1.3399 + 1.0482 + 0.67744.0000
= = 1.000
4 4
13
5

a=
 x
2
 y   x  xy
n  x  x 
2 2


*
13
6

b=
n  xy   x  y
n  x  x 
2 2


*
COEFICIENTE
13 DE CORRELACION
7

r=
n  xy  x  y
n  x   xn  y   y
2 2 2 2

*
COEFICIENTE
13
DE DETERMINACION
8

2 n  xy   x  y
2

r 
n x 2
  x  
2
n y 2
 y  2

*
 Periodo Demanda  = 0.3 TS
Dt
13 Pronós- Error MADt Señal de
9 tico Dt - Ft (  = 0.3 rastreo
)
1 10 15 -5 6.4 -0.8
2 18 13.5 4.5 5.8 -0.1
3 29 14.85 14.15 8.3 1.6
4 15 19.02 -4.09 7.1 1.3
5 30 17.86 12.14 8.6 2.5
6 12 21.5 -9.5 8.8 1.4
7 16 18.65 -2.65 7 1.4
8 8 17.85 -9.85 7.9 -0.1
9 22 14.9 7.1 7.6 0.9
10 14 17.03 -3.03 6.2 0.6
11 15 16.12 -1.12 4.7 0.6
12 27 15.87 11.22 6.7 2.1
13 30 19.15 10.85 7.9 3.1
14 23 22.4 0.6 5.7 4.4

 (D
15
t
 F t
15
)...T e n d e n c ia
22.58 -7.58
17.74
6.4 2.8 *
 D  F . . . D e s v ia c io n _ a b s o l u ta
t t
103.4
* F1 = 15 MAD0 = 7.
 a = 0.3
Demanda Error
Periodo | Dt - Ft | MADt TS
Dt Pronóstico Ft Dt - Ft

1 10 10,0 0,0 0,0 0,000 0,000

2 18 10,0 8,0 8,0 4,000 4,000
3 29 12,4 16,6 16,6 8,200 5,533
4 15 17,4 2,4 -2,4 6,745 -0,595
5 30 16,7 13,3 13,3 8,063 2,667
6 12 20,7 8,7 -8,7 8,163 -1,444
7 16 18,1 2,1 -2,1 7,292 -0,295
8 8 17,4 9,4 -9,4 7,562 -1,181
9 22 14,6 7,4 7,4 7,542 0,821
10 14 16,8 2,8 -2,8 7,071 -0,283
11 15 16,0 1,0 -1,0 6,517 -0,089
12 27 15,7 11,3 11,3 6,917 0,943
13 30 19,1 10,9 10,9 7,225 0,840
14 23 22,4 0,6 0,6 6,755 0,046
15 15 22,5 7,5 -7,5 6,808 -0,503
Sumas 102,1 34,282 98,860
*F1 = 15 MAD0 = 6.808; TS = 2.285 6,808 2,285 6,591

140 *