Métodos Cuantitativos

Series de Tiempo

Método Patrón de datos Horizonte de Tiempo

Promedio Móvil Horizontal, Aleatorio Corto
Promedio Móvil Ponderado Horizontal, Aleatorio Corto
Suavizado Exponencial Horizontal, Aleatorio Corto
Regresión Lineal Tendencia y estacionalidad Corto / Mediano
Estacional Tendencia y estacionalidad Corto / Mediano

Modelo Causal

Método Patrón de datos Horizonte de Tiempo

Regresión Lineal Simple Patrones Complejos Corto / Mediano /Largo
Regresión Lineal Múltiple Patrones Complejos Corto / Mediano /Largo

Pronósticos Ingenuos (simplista).

La manera más fácil de pronosticar es asumir que la demanda del siguiente período es justamente
igual a la demanda en el período más reciente.

Promedio Móvil

Esta técnica se basa en el promedio de n períodos anteriores de demanda para determinar la

demanda futura del siguiente período. Se aplica con éxito en patrones de serie horizontal.

Su fórmula matemática es :

Promedio Móvil = ∑ Demanda en m períodos previos

m
donde :
n: número de períodos en el promedio móvil, ejm 3, 4, o 5 períodos.

Fn+1 = Dm + Dm-1 + Dm-2 + Dm-3 +…+ Dn-m

m

Donde:

F: demanda futura (para el período n+1)

n: Período actual
D: demanda histórica
m: número de períodos a promediar.
Ejemplo1.

Una tienda comercial presenta la siguiente demanda mensual de televisores:

Mes Demanda Real Pronóstico

1 100
2 115
3 118
4 114
5 112
6 120
7 110
8 ¿?

Pronosticar la demanda para el mes 8, utilizando promedio móvil de las tres últimas demandas.
(n=3).
Solución:

F8 = 112 + 120 + 110 = 114 televisores.

3

Pero como validar este pronóstico, es decir saber si es aceptable o no. Para eso se da la serie de
datos para determinar cuan precisa es la técnica de pronóstico. Por esta razón calculamos el
pronóstico en los períodos que preceden y llenamos el cuadro como sigue:

Mes Demanda Real Pronóstico

1 100
2 115
3 118
4 114 111.00
5 112 115.67
6 120 114.67
7 110 115.33
8 114.00

Monitoreo y control de Pronósticos

Definiciones:

Error de Pronóstico:

Errort = Dt - Ft
Dt : demanda real en el período t
Ft : pronóstico en el período t

Desviación Media Absoluta

∑│ Dt - Ft │
MAD =
N

Señal de Rastreo:

Es una medida que indica si el promedio de pronósticos está manteniendo el ritmo de los cambios
reales en la demanda, ya sean hacia arriba o hacia abajo. La señal de rastreo es el número de
desviaciones medias absolutas en que el valor del pronóstico se encuentra por encima o por debajo
de la ocurrencia real.
∑( Dt - Ft )  Error acumulado
Señal de Rastreo =
MAD

Cuando los errores de los pronósticos se distribuyen normalmente, se tiene la siguiente relación:

1 desviación estándar (σ) = 1.25 MAD

Para un nivel de confianza del 99.7% se considera un rango de ± 3 σ, es decir la señal de rastreo
debe estar dentro del rango de ± 3.75 MAD.

Para nuestro ejemplo:

Mes Demanda Pronóstico Error de Error Desviación MAD Señal de

Real pronóstico acumulado absoluta Rastreo (SR)
1 100
2 115
3 118
4 114 111.00 3.00 3.00 3.00 3.00 1.00
5 112 115.67 -3.67 -0.67 3.67 3.33 -0.20
6 120 114.67 5.33 4.67 5.33 4.00 1.17
7 110 115.33 -5.33 -0.67 5.33 4.33 -0.15

Gráficamente:

Señal de rastre o
3

1
SR
MAD

-1

-2

-3
1 2 3 4
MES
Como la SR se encuentra dentro los límites establecidos los pronósticos se comportan
adecuadamente. (Comportamiento normal).

Patrones de comportamiento deficientes de la señal de rastreo.

Señal de Rastreo Señal de Rastreo

3 3

2 2

1 1
SR SR
MAD

MAD
0 0

-1 -1

-2 -2

-3 -3
1 2 3 4 5 6 1 2 3 4 5 6
MES MES

Señal de Rastreo Señal de Rastreo

3 3

2 2

1 1
SR SR
MAD

MAD

0 0

-1 -1

-2 -2

-3 -3
1 2 3 4 5 6 1 2 3 4 5 6
MES MES

Patrones de comportamiento normal de la señal de rastreo.

Señal de Rastreo Señal de Rastreo

3 3

2 2

1 1
SR SR
MAD

MAD

0 0

-1 -1

-2 -2

-3 -3
1 2 3 4 5 6 1 2 3 4 5 6
MES MES

Ejercicio 01. En hoja de cálculo.

Promedio Móvil Ponderado

Esta técnica considera que los datos más recientes son más reveladores del futuro que los datos más
antiguos, es decir da un mayor peso a datos mas recientes. Se obtiene sumando el producto de la
demanda de cada período por un factor de ponderación y se divide el resultado entre la suma de
todos los factores ponderados.

Fn+1 = aDn + bDn-1 + cDn-2 + … + mD

a+b+c+…+m

Donde:

F: demanda futura
n: Período actual
D: demanda histórica
a,b,c,..,m : Factores de ponderación

Ejemplo3.

Saga desea pronosticar la demanda de lavadoras que venderá mes de octubre de presente año. A
continuación se presenta las demandas de lavadoras de enero a setiembre. El jefe de almacén de la
tienda aplicará promedio móvil ponderado de los últimos 3 meses con factores 4, 3 y 2
respectivamente.

Mes Demanda Real Pronóstico

1 45
2 60
3 55
4 70
5 90
6 50
7 115
8 80
9 75
10 ¿?

Solución:

F10 = 4x75 + 3x80 + 2x115 = 86 Lavadoras.

9
Mes Demanda Pronóstico Error de Error Desviación MAD Señal de Rastreo
Real pronóstico acumulado Absoluta (SR)
1 45
2 60
3 55
4 70 54.44 15.56 15.56 15.56 15.56 1.00
5 90 62.78 27.22 42.78 27.22 21.39 2.00
6 50 75.56 -25.56 17.22 25.56 22.78 0.76
7 115 67.78 47.22 64.44 47.22 28.89 2.23
8 80 87.78 -7.78 56.67 7.78 24.67 2.30
9 75 85.00 -10.00 46.67 10.00 22.22 2.10
Validando este pronóstico

Gráfica del comportamiento de la señal de rastreo

Señal de Rastreo
3

1
SR
MAD

-1

-2

-3
1 2 3 4 5 6
MES

Ejercicio 02. En hoja de cálculo.

Suavizado Exponencial

Este método toma el pronóstico del período anterior y le incorpora un ajuste para obtener el
pronóstico del siguiente período. Este ajuste es proporcional al error anterior y se calcula
multiplicando el error de pronóstico del período anterior por una constante entre 0 y 1 denominada
constante de suavización ( α ). Es una técnica para pronosticar basada en los errores de los
pronósticos

Fn+1 = Fn + α (Dn - Fn)

Fn+1 = αDn + (1- α)Fn

Donde:
F: pronóstico
D: demanda real
n: período actual.
α : constante de suavización, valor entre 0 y 1

Notas:
Una ventaja de esta técnica es que los datos que se requieren son sólo del último pronóstico, la
última demanda y el valor de α.
Esta técnica es realmente es un promedio móvil ponderado.
Mientras alfa esté cerca a 1 se le está dando mayor peso a los últimos datos de la demanda.
En el caso extremo cuando alfa es 1,tenemos:

Fn+1 = Dn

Si Fn+1 = αDn + (1- α)Fn ….(1)

Entonces para un período n

Fn = αDn-1 + (1- α)Fn-1 ….(2)

Pero Fn-1 = αDn-2 + (1- α)Fn-2 ….(3)

Combinando 1,2 y3 , tenemos

Fn+1 = αDn + α (1- α)Dn-1 + α (1- α)2Dn-2 + α (1- α)3Dn-3 + α (1- α)4Dn-4+ (1- α)5Fn-5

Ponderaciones decrecientes para períodos más antiguos

Ponderación (Dn) (Dn-1) 3 4 5

por período α α (1- α) α (1- α)2 α (1- α)3 α (1- α)4
α = 0.9 0.9 0.09 0.009 0.0009 0.00009
α = 0.6 0.6 0.24 0.096 0.0384 0.01536
α = 0.1 0.1 0.09 0.081 0.0729 0.06561

Ejemplo 4.

El pronóstico de ventas de pasajes aéreos a Lima fue de 145 el mes pasado y la venta real de pasajes
fue de 156. Utilizando una constante de suavización, cual será el pronósticos de pasajes el presente
mes que está iniciando.

F = 145 + 0.2(156 - 145)

F= 147 pasajes

Notas:

0<α<1
Si α=0  Fn+1 = Fn

Si α=1  Fn+1 = Dn

En resumen el valor de Fn+1 está entre Dn y Fn

Ejercicio 03. En hoja de cálculo.

Pronósticos en el mediano y largo plazo

Los pronósticos en el mediano plazo pueden ser explicados mediante un análisis de regresión, este
análisis de regresión indica la tendencia de la demanda en función a otro factor formandose
tendencias tales como: lineal, exponencial, logarítmica, etc.

Un análisis de regresión se puede realizar sobre modelos de pronósticos: series de tiempo o

causales.

Análisis de Regresión
El análisis de regresión se utiliza para determinar si un grupo de datos (una o más variables
independientes) guardan algún tipo de relación o correlación con otro grupo de datos (variable
dependiente). Una vez que se hayan calculado dichas relaciones podrán hacerse pronósticos.

Tipos de análisis de regresión:

Líneal

y = a + bx

Poli nómica

y = b + c1x + c2x2 + c3x3 + … + c6x6

Logarítmica

y = b + clnx

Exponencial

y = cebx

Potencial

y = cxb
Análisis de Regresión Lineal

Es un modelo de pronóstico que establece una relación lineal entre una variable dependiente y una
o más variables independientes. Existen 2 tipos de regresión lineal:

Análisis de Regresión Lineal Simple. Modelo matemático que sólo contiene una variable
independiente y una variable dependiente.

Ecuación matemática: y = a + bx

Análisis de Regresión Lineal Múltiple. Modelo Matemático que contiene 2 o más variables
independientes y una variable dependiente.

Ecuación matemática: y = a + b1x1 + b2x2 + … + bnxn

Una vez que haya verificado a través del análisis de regresión que existe una relación entre las
variables dependiente e independientes, podrá utilizar los valores de las variables independientes
para pronosticar los valores de las dependientes.

Análisis de Regresión Lineal Simple. Modelo matemático que sólo contiene una variable
independiente y una variable dependiente. Si los datos forman una serie de tiempo, la variable
independiente es el tiempo en períodos y la variable dependiente son las ventas o demanda.

Ecuación de regresión: y = a + bx

Donde:

x : valores de la variable independiente

y : valores de la variable dependiente
a : intersección con el eje vertical
b : pendiente de la línea de regresión
n : número de observaciones

Entonces, los valores de a y b se obtienen mediante las siguientes fórmulas:

2
∑x ∑y - ∑x∑xy n ∑xy - ∑x∑y
a = b=
n∑x2 -
2
(∑x) n∑ x2 - (∑x)
2

Ejemplo

La empresa Motores Andinos S.A. produce motores petroleros Perkins. Durante más de un
año, la planta de producción ha operado a casi plena capacidad. El gerente de planta, estima
que el crecimiento en las ventas continuará y desea desarrollar un pronóstico a largo plazo que
se usará para planear las necesidades de las instalaciones para los siguientes tres años. Se han
totalizado las cifras de ventas correspondientes a los últimos diez años:
 Ventas anuales Ventas anuales
Año (miles de unidades) Año (miles de unidades)
1 1,000 6 2,000
2 1,300 7 2,200
3 1,800 8 2,600
4 2,000 9 2,900
5 2,000 10 3,200

Solución:

Ventas anuales (miles de unid.) Periodo

Año
(y) (x) x2 xy
1 1,000 1 1 1,000
2 1,300 2 4 2,600
3 1,800 3 9 5,400
4 2,000 4 16 8,000
5 2,000 5 25 10,000
6 2,000 6 36 12,000
7 2,200 7 49 15,400
8 2,600 8 64 20,800
9 2,900 9 81 26,100
10 3,200 10 100 32,000
Totales ∑y = 21,000 ∑x = 55 ∑x2 = 385 ∑xy = 133,300

1. Resolvamos ahora despejando los valores de a y de b:

a = (385)(21,000) - (55)(133,300)
10(385) - (55)2
a = 913.333

b = (10)(133,300) - (55)(21,000)
825

b = 215.785

2. Ahora que conocemos los valores de a y de b, podemos utilizar la ecuación de regresión

para pronosticar las ventas de años futuros:
Y = 913.333 + 215.758X
3. Si deseamos pronosticar las ventas en miles de unidades para los tres años siguientes,
podríamos reemplazar 11, 12 y 13, que son los tres valores siguientes de X, en la
ecuación de regresión de X:
 Y11 = 913.333 + 215.758(11) = 3,286.7, o 3,290 miles de unidades
Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500 miles de unidades
Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720 miles de unidades

Ventas anuales (miles de Periodo

Año
unid.) (y) (x) x2 Xy Pronóstico
1 1,000 1 1 1,000 1,129
2 1,300 2 4 2,600 1,345

3 1,800 3 9 5,400 1,561

4 2,000 4 16 8,000 1,776

5 2,000 5 25 10,000 1,992

6 2,000 6 36 12,000 2,208

7 2,200 7 49 15,400 2,424

8 2,600 8 64 20,800 2,639

9 2,900 9 81 26,100 2,855

10 3,200 10 100 32,000 3,071

11 11 3,287

12 12 3,502

13 13 3,718

Análisis de Regresión Lineal

4,000

3,500
Ventas Miles de unidades

3,000
Ventas
2,500

2,000 Regre sión

1,500

1,000

500
1 2 3 4 5 6 7 8 9 10 11 12 13
Períodos

Coeficiente de Correlación (r). Explica la importancia relativa, el grado o fuerza de la

relación entre y & x; el signo de r indica la dirección de dicha relación, y el valor absoluto de r
la magnitud de la relación. r puede asumir cualquier valor entre -1 y +1. El signo de r será
siempre igual al signo de b.
Una r negativa indica que los valores de y i x tienden a moverse en direcciones opuestas, y
una r positiva indica que los valores de y i x se mueven en la misma dirección. Así tenemos:

-1 Una relación negativa perfecta; conforme y sube, x baja unidad por unidad y viceversa.
+1 Una relación positiva perfecta; conforme y sube, x sube unidad por unidad y viceversa.
0 No existe relación alguna entre y & x.
+0.3 Una relación positiva débil.
-0.9 Una relación negativa fuerte.

Correlación Positiva Pe rfecta Correlación Negativa Perfecta

1200 1200

1000 1000

800 800
Regresión Regresión
Ventas

600 Ventas 600

Demanda Demanda
400 400

200 200

0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Período Período

r=+1 r=-1

Correlación Positiva Sin Corre lación

1200 1200

1000 1000

800 800
Regresión Regresión
Ventas

Ventas

600 600
Demanda Demanda
400 400

200 200

0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Período Período

0<r<1 r=0

El coeficiente de correlación se calcula como sigue:

n ∑xy - ∑x∑y
r=
√ [n∑ x2 - (∑x)
2
] [n∑ y2 - (∑y)
2
]

Coeficiente de Determinación (r2). Es el porcentaje de variación en la variable dependiente y

que es explicada por la ecuación de regresión. El valor de r2 será siempre un número positivo
en el rango de 0 ≤ r2 ≤ 1
Error estándar de pronóstico o desviación estándar. Un punto estimado de y es en realidad la
media o valor esperado, de una distribución de valores posibles. Para medir la exactitud de los
estimados en la regresión se establecen rangos dentro de los cuales los datos reales más
probablemente ocurrirán.

Syx = √ ∑ y2 - a ∑y - b∑ xy
n - 2

Límite Superior = Yi + t Syx

Límite Inferior = Yi - t Syx

Donde:

Y: demanda pronosticada
i : período pronosticado
Syx : Desviación estándar
t : valor de la distribución de probabilidad t student para un nivel de significancia del 0.01 y
para n-2 grados de libertad para un nivel de confianza del 90%

Para nuestro ejemplo:

(1) r = 0.9702

Interpretación: Existe una relación lineal positiva fuerte entre la variable y & x

(2) r2 = 0.9412 o 94.12%

Interpretación: Indica que el 94.12% de la variación total se explica por medio de la ecuación
de regresión.

(3) Sxy = 173.0 miles de unidades

(4) Estableciendo rangos: para un nivel de significancia 0.01 y a n-2 grados de libertad, para
la demanda pronosticada del período 11 tenemos:

LS = 3,286.7 + 1.86(173) = 3,610 miles de unidades.

LI = 3,286.7 - 1.86(173) = 2,960 miles de unidades.
Interpretación: Existe una probabilidad del 90% de que nuestras ventas anuales del próximo
año queden entre 3,610 y 2,960 miles de unidades. Sólo existe una probabilidad del 10% de
que nuestras ventas caigan fuera de este límite. Nuestra mejor estimación es 3,290 miles de
unidades.

Ejercicio 04. En hoja de cálculo.

Pronósticos de serie de tiempo estacionalizados

Estacionalidad en los pronósticos de series de tiempo Por lo general, los patrones estacionales
son fluctuaciones que ocurren dentro de un año y tienden a repetirse anualmente. Estas estaciones
pueden ser causadas o determinadas por el clima, las vacaciones, los días de pago, los eventos
escolares o cualquier otro fenómeno. Se siguen estos pasos.
1. Seleccione un conjunto representativo de datos históricos.
2. Desarrolle un índice de estacionalidad para cada estación, es decir, mes o trimestre.
3. Utilice los índices de estacionalidad para desestacionalizar los datos. En otras palabras,
elimine los patrones estacionales.
4. Realice un análisis de regresión lineal sobre los datos desestacionalizados. Ello resultará
en una ecuación de regresión de la forma: Y = a + bX.
5. Utilice la ecuación de regresión para calcular los pronósticos del futuro.
6. Utilice los índices de estacionalidad para volver a aplicar los patrones estacionales a los
pronósticos.

Ejemplo.

El gerente de planta de una compañía , está intentando planear las necesidades de efectivo, personal
y materiales y suministros para cada trimestre del próximo año. Los datos de ventas trimestrales
durante los últimos tres años razonablemente parecen reflejar el patrón de resultados estacional que
debe esperarse en el futuro. Si el gerente de planta pudiera estimar las ventas trimestrales del
siguiente año, podría determinar las necesidades de efectivo, material, personal y suministros.
A continuación se presentan las ventas trimestrales de los últimos 3 años:

1. Primero, calculamos los índices de estacionalidad:

Ventas trimestrales (miles de unidades) Total

Q1 Q2 Q3 Q4 Anual
Año
8 520 730 820 530 2,600
9 590 810 900 600 2,900
10 650 900 1,000 650 3,200
Totales 1,760 2,440 2,720 1,780 8,700
Promedio trimestral 586⅔ 813⅔ 906⅔ 593⅓ 725*
Indice de Estacionalidad (IE)** 0.809 1.122 1.251 0.818
*Promedio general del trimestre = 8700/12 = 725.

**IE Promedio del trimestre/Promedio general del trimestre.

2. A continuación, desestacionalizamos los datos dividiendo cada valor trimestral entre su IE

(índice de estacionalidad). Por ejemplo, 520 ÷ 0.809 = 642.8 , 730 ÷ 1.122 = 650.6, y así
sucesivamente.

Datos trimestrales ajustados

Año desestacionalizados
Q1 Q2 Q3 Q4

642.8 650.6 655.5 647.9

729.3 721.9 719.4 733.5

803.5 802.1 799.4 794.6

3. A continuación, hacemos un análisis de regresión sobre los datos desestacionalizados (12

trimestres) y el pronóstico de los siguientes cuatro trimestres:

Periodo x Y y2 x2 Xy
Año 8, Q1 1 642.8 413,191.84 1 642.8

Año 8, Q2 2 650.6 423,280.36 4 1,301.2

Año 8, Q3 3 655.5 429,680.25 9 1,966.5

Año 8, Q4 4 647.9 419,774.41 16 2,591.6

Año 9, Q1 5 729.3 531,878.49 25 3,646.5

Año 9, Q2 6 721.9 521,139.61 36 4,331.4

Año 9, Q3 7 719.4 517,536.36 49 5,035.8

Año 9, Q4 8 733.5 538,022.25 64 5,868.0

Año 10, Q1 9 803.5 645,612.25 81 7,231.5

Año 10, Q2 10 802.1 643,364.41 100 8,021.0

Año 10, Q3 11 799.4 639,040.36 121 8,793.4

Año 10, Q4 12 794.6 631,389.16 144 9,535.2

Totales ∑x = 78 ∑y = 8,700.5 ∑y2 = 6,353,909.75 ∑x2 = 650 ∑xy = 58,964.9

 4. A continuación utilizamos estos valores para para la regresión lineal:

a = 650(8,700.5) - 78(58,964.9) = 615.421

12(650) - (78)2

b = 12(58,964.9) - 78(8,700.5) = 16.865

12(650) - (78)2

Y = 615.421 + 16.865X

5. Ahora reemplazamos Los valores 13, 14, 15 y 16 (los siguientes cuatro valores de x) en la
ecuación. Estos serán los pronósticos desestacionaciolizados, en miles de unidades, para los si-
guientes cuatro trimestres:

Y13 = 615.421 + 16.865(13) = 834.666

Y14 = 615.421 + 16.865(14) = 851.531
Y15 = 615.421 + 16.865(15) = 868.396
Y16 = 615.421 + 16.865(16) = 885.261

6. Utilizamos los índices de estacionalidad (IE) para estacionalizar los pronósticos:

Pronósticos estacionalizados [IE x Pronósticos

pronósticos desestacionalizados]
Trimestre IE desestacionalizados (miles de unidades)
Q1 0.809 834.666 675
Q2 1.122 851.531 955
Q3 1.251 868.396 1,086
Q4 0.818 885.261 724

Se han redondeado los pronósticos a un dígito significativo adicional a los de los datos originales.

Ejercicio 05. En hoja de cálculo.

Modelos Causales

Análisis de regresión lineal simple

Una relación causal es aquella en la cual una ocurrencia de una variable independiente causa
la variable dependiente. Si el elemento causante se puede prever con anticipación, puede
utilizarse como base para la proyección.
Ejemplo.

Una empresa que fabrica cajas de cartón hace cajas para pizzas. El departamento de planeación de
operaciones sabe que un pronóstico adecuado y preciso de cajas para pizza de un cliente está en
relación estrecha con los gastos de promoción de éste, el cual se puede obtener por adelantado antes
de realizar el gasto. El departamento de planeación de operaciones está interesado en establecer la
relación entre la promoción de la empresa de pizzas y las ventas. Una vez que eso se haya
establecido, las órdenes de compra de las cajas para pizzas, en dólares, pueden expresarse como
porcentaje fijo de las ventas.

Publicidad y ventas trimestrales

Publicidad Ventas
Trimestre ($100,000) (S Millones)
1 4 1
2 10 4
3 15 5
4 12 4
5 8 3
6 16 4
7 5 2
8 7 1
9 9 4
10 10 2

Haciendo el cálculo de b y a, donde la publicidad es X, para el trimestre í, las ventas son Y, para el
trimestre t y Ft es el pronóstico para el futuro periodo t.

Trimestre Publicidad (x) Ventas (y) x2 y2 xy

1 4 1 16 1 4
2 10 4 100 16 40
3 15 5 225 25 75
4 12 4 144 16 48
5 8 3 64 9 24
6 16 4 256 16 64
7 5 2 25 4 10
8 7 1 49 1 7
9 9 4 81 16 36
10 10 2 100 4 20
∑ 96 30 1060 108 328

b= 10(328) - (96)30 = 0.29

10(1060) - (96)2

a = 30 – 0.29(96) = 0.22
10
Por tanto, la recta estimada de regresión, la relación entre las ventas futuras (Ft) y la publicidad (Xt)
es:

Ft = .22 + .29 X,

En el ejemplo anterior, quien hace la planeación de las operaciones puede investigar los gastos
planeados en publicidad y sobre esas ventas puede hacer el pronóstico. Por ejemplo, la publicidad
del próximo trimestre se espera que tenga un monto de 1 100 000 dólares. Sustituyendo 11 para X
en la ecuación anterior se tendrá:

Ft = .22 + .29(11) = 3.41

El pronóstico de las ventas es de 3.41 millones de dólares. Si los pedidos de cajas representan el 5
por ciento de las ventas, quien planea las operaciones podría esperar que el monto total por
concepto de pedidos sería de 170,500 dólares para el trimestre (.05X3.41). Tal estimación puede ser
de gran utilidad en la planeación global de las operaciones.

Evaluación de cuánto se apega la demanda al monto de publicidad invertida:

r1 =
r2 =

El monto de la publicidad invertida explica aproximadamente 80% (r = 0.799) de la variación

observada en la venta trimestral de pizzas.

Ejercicio 06. En hoja de cálculo.