Professional Documents
Culture Documents
Jurado de opinin de
Ejecutivos
Mtodos Cualitativos Mtodo Delphi
Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo
Enfoque intuitivo
Promedios Mviles (*) Modelos
Mtodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyeccin de tendencias (*)
Modelo
Regresin Lineal (*) asociativo
Enfoques de Pronsticos
Jurado de opinin de
Ejecutivos
Mtodos Cualitativos Mtodo Delphi
Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo
Enfoque intuitivo
Promedios Mviles (*) Modelos
Mtodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyeccin de tendencias (*)
Modelo
Regresin Lineal (*) asociativo
1.- Promedios Mviles.
ponderaciones
Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la
columna central de la siguiente tabla. A la derecha se da el promedio
mvil de tres meses.
Ventas Reales de Promedio Mvil de 3
Mes Cobertizos meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 112/3
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
Octubre 18 (26+30+28)/3= 28
Noviembre 16 (30+28+18)/3 = 25 1/3
Diciembre 14 (28+18+16)/3 = 20 2/3
Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos
en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico
para enero = (18+16+14)/3 = 16
Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de
cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada Periodo
3 ltimo mes o ms reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Enero 10
Febrero 12
Marzo 13
Abril 16 (3x13)+(2x12)+(10) /6 = 12 1/6
Mayo 19 (3x16)+(2x13)+(12) /6 = 14 1/3
Junio 23 (3x19)+(2x16)+(13) /6 = 17
Julio 26 (3x23)+(2x19)+(16) /6 = 201/2
Promedio mvil
ponderado
Demanda de Ventas
25
Promedio mvil
20
Ventas reales
15
10
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Mes
2.- Suavizamiento Exponencial.
Ft = nuevo pronstico
F t-1 = pronstico anterior
: es la ponderacin, o constante de suavizado, elegida por quien
pronostica, que tiene un valor entre 0 y 1.(0 < < 1 )
A t-1 = demanda real en el periodo anterior
Ejemplo: En Enero, un distribuidor de automviles predijo que la
demanda para Febrero sera de 142 camionetas Ford. La demanda
real de febrero fue de 153 autos. Si empleamos la constante de
suavizado que eligi la administracin , = 0,20, podemos pronosticar
la demanda de marzo mediante el modelo de suavizamiento
exponencial. Sustituyendo los datos del ejemplo en la frmula,
obtenemos. (suavizamiento exponencial)
Veamos un ejemplo
Durante los ltimos 8 trimestres, el Puerto de Valparaso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para = 0,10
Pronstico Pronstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas = 0,10 = 0,50
4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que su
MAD es ms pequea.
Se debe encontrar la constante de suavizado con el menor error de pronstico.
Error cuadrtico Medio (MSE): Es una segunda forma de medir el
error global del pronstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su frmula es:
2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) = 256
4 175 173 (2)2 = 4
2
5 190 173 17 = 289
2
6 205 175 30 = 900
2
7 180 178 2 =4
2
8 182 178 4 = 16
Suma de los cuadrados de los errores 1.558
2
MSE = (errores de pronstico)
= 1.558 / 8 = 194,75
n
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor
eleccin por que se minimiza el MSE.
Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores pronosticados
y los reales y se expresa como porcentaje de los valores reales. Es
decir, si hemos pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:
n
100
MAPE = real i - pronstico i / real i
i=1
y = a + b x
y y gorro = valor calculado de la variable que debe predecirse (variable dependiente)
a = ordenada
xy - n x y
b =
x - nx
2 2
donde:
b = pendiente de la recta de regresin
= signo de suma
a= y - bx
Demanda de
Ao Energa Elctrica
1997 74
1998 79
1999 80
2000 90
2001 105
2002 142
2003 122
Para simplificar, transformamos los valores de x (tiempo) en nmeros
ms sencillos, como 1,2,3,4
Demanda de
energa
2
Ao Periodo (x) Elctrica (y) x xy
1997 1 74 1 74
1998 2 79 4 158
1999 3 80 9 240
2000 4 90 16 360
2001 5 105 25 525
2002 6 142 36 852
2003 7 122 49 854
X = 28 y = 692 2
x = 140 xy = 3.063
X = 28 y = 692 = 98,86
X= =4 y=
n 7 n 7
xy - n x y
b = = 3.063 (7) (4) (98,86) = 295 = 10,54
x - nx
2 2 2
140- (7) ( 4 ) 28
150
140
130
120
110 Demanda histrica
100
90
80
70
60
50
y = a + b x
1 16 $330
2 12 270
3 18 380
4 14 300
400
Ventas del bar
350
300
250
200
150
100
50
y = 1.280 X = 60 2
x = 920 xy =19.560
X = 60 y = 1.280 = 320
X= = 15 y=
n 4 n 4
xy - n x y
b = = 19.560 (4) (15) (320) = 360 = 18
x - nx
2 2 2
920- (4) ( 15 ) 20
a = y - b x = 320 18(15) = 50
y = 50 + 18 x 0 Ventas = 50 + 18 (huspedes)
Si el pronstico es de 20 huspedes la semana siguiente de
cunto se esperan que sean las ventas?
y = 50 + 18 x 0 Ventas = 50 + 18 (huspedes)
Ventas = 50 + 18 (20)
= 410
400
Ventas del bar
350
300 Demanda histrica
250
200
150
100
50
S y,x =
( 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 ecuacin de
regresin.
n = nmero de datos puntuales
Esta ecuacin puede resultar ms fcil de usar. Ambas frmulas
entregarn el mismo resultado
S y,x = y 2 - a y - b xy
n-2
400
Ventas del bar
350
300 Demanda histrica
250
200
150
100
50
108.900
72.900
144.400
90.000
2
y = 416.200
S y,x = y 2 - a y - b xy
n-2
4-2
= 60 Error estndar de la
estimacin
= 7,74 $ en ventas
Coeficiente de correlacin para rectas de regresin
n xy - x y
r=
2 2
2 2
n x - x n y - y
y y
X X
y y
X X
Correlacin negativa perfecta
No hay Correlacin r= 0
r= -1
Siguiendo con el ejemplo, calcular el coeficiente de correlacin:
2 2
Ventas, y Huspedes,x x xy y
y = 1.280 X = 60 2 2
x = 920 xy =19.560 y = 416.200
= 1.440 1.440
= = 0,993619798
2.112.000 1453,27217
Correlacin positiva r= 0< r <1
Regresin Lineal Mltiple
y = a + b 1 x 1 + b2 x 2
a = una constante