ADMINISTRACIN DE

OPERACIONES
PRONSTICOS

PRONSTICOS
DEFINICIN

Es el arte y la ciencia de predecir los

eventos futuros. Puede involucrar el manejo
de datos histricos para proyectarlos al
futuro, mediante algn tipo de modelos
matemticos. Puede ser una prediccin del
futuro subjetiva o intuitiva. O bien una
combinacin de ambas, es decir, de un
modelo matemtico ajustado por el buen
juicio de un administrador

PRONSTICOS

Hay que reconocer

que rara vez existe un
nico modelo superior.
Los pronsticos rara
vez son exactos.
Lo que mejor funciona
para una empresa no
necesariamente
funciona en otra.

Vender 500
millones de US$
el prximo ao

PRONSTICOS

Base de todas decisiones

empresariales:
Produccin.
Inventario.
Personal.
Instalaciones.

PRONSTICOS

El pronstico es un proceso de estimacin de un

acontecimiento futuro proyectando hacia el futuro datos
del pasado. Los datos del pasado se combinan
sistemticamente en forma predeterminada para hacer
una estimacin del futuro.
La prediccin es un proceso de estimacin de un suceso
futuro basndose en consideraciones subjetivas
diferentes a los simples datos provenientes del pasado;
estas consideraciones subjetivas no necesariamente
deben combinarse de una manera predeterminada.

Horizontes de Tiempos en Pronsticos

Pronsticos a corto plazo (< 3 meses)

Se utiliza para planear compras , programacin
de planta, niveles de fuerza laboral, asignaciones
de trabajo y niveles de produccin.

Pronstico a mediano plazo ( >3 meses y <

que 3 aos)
Es valioso en la planeacin de produccin,
presupuesto, ventas y anlisis de varios planes
de operacin.

Horizontes de Tiempos en Pronsticos

Pronstico a largo plazo ( > a 3 aos)

Generalmente se utilizan para planear
nuevos productos, desembolsar capital,
localizacin de instalaciones o su
expansin, y finalmente la investigacin y
desarrollo..

Tipos de Pronsticos
Pronsticos econmicos; marcan el ciclo del
negocio al predecir las tasa de inflacin,
oferta de dinero, nuevas construcciones y
otros indicadores de planeacin.
Pronsticos tecnolgicos ; tiene que ver con
las tasa de progreso tecnolgico, que
pueden dar como resultado productos
novedosos, que requieren nuevas plantas y
equipos.

Tipos de Pronsticos

Pronsticos de demanda; son proyecciones

de demanda para los productos o servicios
de una compaa. Estos pronsticos,
conocidos como pronsticos de ventas,
conducen la produccin de una compaa,
la capacidad y los sistemas de
programacin, y sirven como insumos a la
planeacin financiera, de mercado y del
personal.

Estrategia durante el ciclo de vida

de un producto
Introduccin

Estra tegias de la
OM

Estra tegias de la
compaa

Mejor periodo para

aument ar la cuota de
mercado
Es vital planear la I +
D

Ventas
Impresoras a
color
HDTV
La planificacin y
desarrollo del producto son
vitales
Cambios frecuent es en
planificacin del producto
y proceso
Lotes de produccin
pequeos
Altos costes de produccin
Nmero de modelos
limitado
Atencin a la calidad

Crecimi ento

Madurez

Buen momento para

cambiar el precio o la
imagen de calidad

Mal moment o para

cambiar la imagen, el
precio o la calidad
Los costes competitivos son
Fort alecer el segmento
ahora muy importantes
de mercado
Defender la posicin en el
Restaurantes para
Fax
mercado
comer en el coche
CD-ROM

Aumento de la capacidad
Cambio de tendencia
para centrarse en el
producto
Atencin a la distribucin

Es vital controlar
el cost e

Disquetes
de 3 1/2
Furgonetas

Int ernet

La previsin es muy
import ante
Fiabilidad del producto y
proceso
Posibilidades y mejoras
del producto competitivas

Declive

Estandarizacin
Cambios de producto
menos rpidos; ms
cambios minuciosos
Capacidad ptima
Estabilidad creciente del
proceso de produccin
Grandes lotes de
produccin
Mejora del producto y
reduccin de costes

Poca diferenciacin del

product o
Minimizacin de costes
Sobrecapacidad en la
industria
Eliminacin de productos
que no proporcionan un
margen aceptable
Reduccin de capacidad

Ciclo de Vida de los Productos y

el Pronstico

INTRODUCCIN
DATOS
: No hay datos disponibles
confe en los mtodos cualitativos.
TIEMPO
: Necesita un horizonte
grande
METODOS : Juicios, Delphi, analogas
histricas. Importante investigacin de
mercado.

Ciclo de Vida de los Productos y

el Pronstico

CRECIMIENTO

DATOS
: Hay algunos datos disponibles para el
anlisis.
TIEMPO
: Falta un amplio horizonte. Son
importantes las relaciones de causa y efecto,
tendencias.
METODOS : Investigacin de mercado y la
comparacin histrica aun son datos tiles. Regresin
y modelos de simulacin son justificados. Es
importante seguir la historia del producto a esa altura.

Ciclo de Vida de los Productos y

el Pronstico

MADUREZ
DATOS
: Muchos datos disponibles de
demanda.
TIEMPO
: Mas uso de los pronsticos a
corto plazo, aun que existe necesidad de
proyecciones a largo plazo. Las tendencias
cambian poco.
METODOS : Estadsticos, series de tiempo,
regresin, correlacin, mtodos economtricos.

Ciclo de Vida de los Productos y

el Pronstico

DECLINACIN
DATOS
: Datos abundantes.
TIEMPO
: Horizontes mas corto.
METODOS : Uso continuo de mtodos de
madurez de mercado. Los juicios ,
analogas histricas e investigacin de
mercado pueden indicar cambios.

Enfoques de la previsin
Mtodos cualitativos

Se emplean cuando la
situacin no es clara y
hay pocos datos:
Productos nuevos.
Nueva tecnologa.
Requieren intuicin y
experiencia:
Por ejemplo, la
previsin de las
ventas a travs de
Internet.

Mtodos cuantitativos

Se emplean cuando la
situacin es estable y
existen datos
histricos:
Productos existentes.
Tecnologa actual.
Requieren tnicas
matemticas:
Por ejemplo, la
previsin de las
ventas de
televisiones en color.

Visin global de los mtodos cualitativos

Jurado de opinin ejecutiva:

Se agrupan las opiniones de un grupo de expertos de alto nivel
o de directivos, a menudo en combinacin con modelos
estadsiticos.
Proposicin de personal comercial:
Las estimacin de las ventas esperadas por los vendedores se
revisan para ver si se pueden llevar a cabo y luego se obtiene
una previsin global.
Mtodo Delphi:
Proceso de grupo que permite a los expertos realizar las
previsiones.
Estudio de mercado del consumidor:
Requiere informacin de los clientes.

Estudio de mercado

Preguntar a los
consumidores sobre
sus futuros planes de
compra.
Lo que dicen los
consumidores y lo
que luego hacen
suele diferir.
A veces es difcil
contestar a las
preguntas del estudio.

Cuntas horas
utilizar Internet la
prxima semana?

1995 Corel
Corp.

Enfoques para Pronosticar

Mtodos Cuantitativos (algunos)

Simplistas
Promedios mviles
Suavizamiento exponencial
Proyeccin de tendencia
Modelo causal de regresin lineal

Enfoques para Pronosticar

Modelos de Series de Tiempo

Predicen sobre el supuesto de que el futuro es
una funcin del pasado. Es decir, se ve lo que
ha pasado en un perodo de tiempo y usan
una serie de datos para hacer el pronstico.

Modelos Causales(Asociativos)
Incorpora al modelo variables o factores que
puedan influenciar la cantidad que se
pronostica.

Mtodos de previsin cuantitativos

Previsin
cuantitativa

Media
mvil

Modelos de series
temporales

Modelos
asociativos

Alisado
exponencial

Regresin
lineal

Proyeccin
de tendencia

PASOS PARA UN SISTEMA DE

PRONSTICOS

Independiente del mtodo utilizado para

pronosticar, se siguen los siguientes pasos:
Determinar el uso del pronstico

Que objetivos se persigue obtener?

Seleccionar las partidas que se van a

pronosticar
Determinar el horizonte de tiempo del
pronstico

Es de corto, mediano o largo plazo?

PASOS PARA UN SISTEMA DE

PRONSTICOS
Seleccionar un(os) modelo(s) de
pronsticos
Juntar los datos necesarios para hacer el
pronstico
Validar el modelo de pronstico
Hacer el pronstico
Instrumentar los resultados

PRONSTICOS EN SERIE DE
TIEMPO

Una serie de tiempo se basa en la

secuencia de puntos de datos separados
de manera uniforme (semanal, mensual,
trimestral, y as sucesivamente). El
pronstico en series de tiempo implica que
los valores futuros se predicen nicamente
a partir de los valores pasados, y las otras
variables se ignoran, no importando su
potencial.

Descomposicin de una Serie de

Tiempo

El anlisis de las series de tiempo propone

fraccionar los datos en componentes para
proyectarlos hacia el futuro. Una serie de
tiempo tiene cuatro componentes tpicos:
Tendencia
Estacionalidad
Ciclos
Variaciones al azar

Descomposicin de una Serie de

Tiempo
Tendencia (T) ; es el movimiento
gradual, ascendente o descendente de
los datos a travs del tiempo.
Estacionalidad (S); es el patrn de
datos que se repite a si mismo despus
de un perodo de das, semanas,
meses, etc. (este trmino se deriva de
las estaciones del ao)

Descomposicin de una Serie de

Tiempo
Ciclos (C); son patrones que ocurren en los
datos cada ao. Generalmente se
encuentran ligados al ciclo del negocio y son
de importancia vital en el anlisis y
planeacin de negocios a corto plazo.
Variaciones al Azar (R); son seales en los
datos causados por oportunidades y
situaciones inusuales; no siguen un patrn
perceptible.

Demanda del producto o servicio

Demanda de un producto representada

en un periodo de 4 aos con tendencia
de crecimiento y estacionalidad
Picks estacionales

Componente de tendencia

Lnea de
demanda
actual
Demanda media
en cuatro aos

Primer
ao

Variaci
n
aleatoria

Segundo
ao

Tercer
ao

Cuarto
ao

Modelos de las Series de Tiempo

MULTIPLICATIVA
Se asume que la demanda es el producto
de los cuatro componentes anteriores.

DEMANDA = T X S X C X R

ADITIVA
Se asume que la demanda es la adicin de
los cuatro componentes anteriores.

DEMANDA = T + S + C + R

ENFOQUES

SIMPLISTA
La manera ms fcil de pronosticar, es asumir
que la demanda del siguiente perodo, es igual
a la demanda del perodo mas reciente.

PROMEDIO SIMPLE
Un promedio simple, es un promedio de los
datos del pasado en el cual las demandas de
todos los perodos anteriores tienen el mismo
peso relativo.

ENFOQUES

PROMEDIOS MVILES SIMPLES

Los promedios mviles so tiles cuando se
asume, que las demandas del mercados
sern ms o menos constante durante un
determinado perodo de tiempo.

Promedio Mvil =
Simple

Demanda en n perodos previos

n
n = nmero de perodos en el promedio mvil

Ejemplo de media mvil

Usted es el director de una tienda de un
museo que vende rplicas. Quiere
predecir las ventas (000) del ao 1998
mediante una media mvil de 3 aos.
1993
4
1994
6
1995
5
1996
3
1997
7
1995 Corel Corp.

Solucin de la media mvil

Ao
1995
1996
1997
1998
1999
2000

Respuesta
Yi
4
6
5
3
7
ND

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5

Solucin de la media mvil

Ao
Respuesta
Media
Media mvil
ponderada
Yi

1995
1996
1997
1998
1999
2000

4
6
5
3
7
ND

mvil total
(n=3)
ND
ND
ND
4+6+5=15
6+5+3=14

(n=3)

ND
ND
ND
15/3 = 5
14/3=4 2/3

Solucin de la media mvil

Ao
Respuesta
Media
Media mvil
ponderada
Yi

1995
1996
1997
1998
1999
2000

4
6
5
3
7
ND

mvil total
(n=3)
ND
ND
ND
4+6+5=15
6+5+3=14
5+3+7=15

(n=3)

ND
ND
ND
15/3=5,0
14/3=4,7
15/3=5,0

ENFOQUES

PROMEDIOS MVILES PONDERADOS

Cuando existe una tendencia o patrn, los
pesos pueden ser utilizados para poner
ms nfasis en los valores recientes.

Promedio
Mvil
=
Ponderado

(W en el Per. n) (Demanda en el Per. n)

Demanda real frente a los mtodos de

media mvil y media mvil ponderada
Demanda de ventas

35
30
25

Media mvil ponderada

Ventas reales

20
15
10
5

Media mvil

0
Ene. Feb. Mar.Abr.May.Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes

Problemas de los mtodos de promedios

mviles simples y ponderados
Los mtodos de promedios mviles y
simples y ponderados son efectivos para
suavizar las variaciones abruptas en el
patrn de demanda.
Problemas

El incremento en el valor n, suaviza mejor las

fluctuaciones, pero al mismo tiempo el mtodo
es menos sensible a los cambios reales en la
informacin.

Problemas de los mtodos de promedios

mviles simples y ponderados

Problemas
Los promedios mviles no pueden
reconocer muy bien las tendencias,
puestos que son promedios. En
consecuencia se mantendrn dentro de
niveles pasados.
Estos mtodos requieren una gran
cantidad de registros de datos.

ENFOQUES

SUAVIZAMIENTO EXPONENCIAL
Pronstico nuevo = Pronstico del ltimo periodo +
(Demanda real del ltimo perodo
- Pronstico del ltimo perodo)

Ft Ft 1 At 1 Ft 1
Donde

es una constante de suavizacin 0 1

o peso

Alisado exponencial

Es una tcnica de previsin de media mvil

ponderada:
Las ponderaciones disminuyen
exponencialmente.
Se ponderan ms los datos ms recientes.
Se necesita una constante de alisado ( ):
Toma valores entre 0 y 1.
Se escoge de forma subjetiva.
Necesita una cantidad reducida de datos histricos.

Ecuaciones del alisado

exponencial

Ft = At - 1 + (1-)At - 2 + (1- )2At - 3

+ (1- )3At - 4 + ... + (1- )t-1A0
Ft = Valor de la previsin
At = Valor real
= Constante de alisado

Ft = Ft-1 + (At-1 - Ft-1)

Se utiliza para calcular la previsin.

Ejemplo

En Enero , un agente de viajes que se especializa en

cruceros pronstico una demanda en Febrero para
142 cruceros de una semana. La demanda real de
Febrero fue de 153 cruceros. Utilizando una constante
de suavizacin de =0.20, podemos
pronosticar la

demanda de Marzo usando el modelo de suavizacin

exponencial, como sigue:
P.nuevo = 142 + 0.20 (153-142)
= 144,2
El pronstico ser de 144 cruceros a la semana.

Ejemplo de alisado exponencial

Usted est organizando una reunin
Kwanza. Desea predecir el nmero de
personas que asistirn en el ao 2000
mediante el alisado exponencial ( = 0,10).
La previsin para 1995 fue de 175.
1995 180
1996 168
1997 159
1996 175
1999 190
1995 Corel Corp.

Solucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1)

Ao

Previsin, Ft
( = 0,10)

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

175,00 (Dado)
175,00 +

SolucinFdel
alisado
exponencial
= F +(A - F )
t

Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

t-1

t-1

t-1

Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(

SolucinF del
alisado
exponencial
= F + (A - F )
t

Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

t-1

t-1

t-1

Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(180 -

SolucinF del
alisado
exponencial
= F + (A - F )
t

Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

t-1

t-1

t-1

Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(180 - 175,00)

Solucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1)

Ao

Real

1995

180

1996

168

1997

159

1998

175

1999

190

2000

ND

Previsin, Ft
( = 0,10)
175,00 (Dado)
175,00 + 0,10(180 - 175,00) = 175,50

Solucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1)

Ao

Real

Previsin, Ft
( = 0,10)

1995

180

175,00 (Dado)

1994

168

175,00 + 0,10(180 - 175,00) = 175,50

1995

159

175,50 + 0,10(168 - 175,50) = 174,75

1996

175

1997

190

1998

ND

SolucinF del
alisado
exponencial
= F + (A - F )
t

Ao

Real

t-1

t-1

t-1

Previsin, Ft
( = 0,10)

1995

180

175,00 (Dado)

1996

168

175,00 + 0,10(180 - 175,00) = 175,50

1997

159

175,50 + 0,10(168 - 175,50) = 174,75

1998

175

174,75 + 0,10(159 - 174,75)= 173,18

1999

190

2000

ND

Solucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1)

Ao

Real

Previsin, Ft
( = 0,10)

1995

180

175,00 (Dado)

1996

168

175,00 + 0,10(180 - 175,00) = 175,50

1997
1998

159

175,50 + 0,10(168 - 175,50) = 174,75

175

174,75 + 0,10(159 - 174,75) = 173,18

1999

190

173,18 + 0,10(175 - 173,18) = 173,36

2000

ND

Solucin del alisado exponencial

Ft = Ft-1 + (At-1 - Ft-1)

Ao

Real

Previsin, Ft
( = 0,10)

1995

180

175,00 (Dado)

1996

168

175,00 + 0,10(180 - 175,00) = 175,50

1997

159

175,50 + 0,10(168 - 175,50) = 174,75

1998

175

174,75 + 0,10(159 - 174,75) = 173,18

1999

190

173,18 + 0,10(175 - 173,18) = 173,36

2000

ND

173,36 + 0,10(190 - 173,36) = 175,02

Grfico del alisado exponencial

Ventas
190
180
170
160
150
140
95 96
9
4

Real

Previsin

97

98

Ao
99 2000

La constante de suavizacin

Normalmente est comprendida en el

rango de 0.05 a 0.50 para las
aplicaciones de negocios. Sin embargo
puede cambiarse para dar mayor peso
a los datos recientes ( cuando alfa es
alta), o un mayor peso a los datos
anteriores ( cuando alfa es baja)

Seleccin de la constante de
suavizacin

El valor adecuado de la constante de

suavizacin
, se obtiene por la diferencia
entre el pronstico exacto y el inexacto. El
objetivo de este mtodo es seleccionar el
valor de alfa, que presente el pronstico
ms exacto. Esto se logra mediante la
comparacin del modelo con diferentes alfa,
en relacin a los valores observados o
reales.

Efectos de la previsin de la
constante de alisado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

= 0,10
= 0,90

10%

(1 - )

(1 - )2

Efectos de la previsin de la
constante de alisado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

= 0,10
= 0,90

10%

(1 - )

9%

(1 - )2

Efectos de la previsin de la
constante de alisado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

= 0,10
= 0,90

10%

(1 - )

9%

(1 - )2

8,1%

Efectos de la previsin de la
constante de alisado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

= 0,10

10%

= 0,90

90%

(1 - )

9%

(1 - )2

8,1%

Efectos de la previsin de la
constante de alisado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

(1 - )2

8,1%

= 0,10

10%

9%

= 0,90

90%

9%

Efectos de la previsin de la
constante de alisado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
=

Periodo anterior Hace 2 periodos Hace 3 periodos

(1 - )

(1 - )2

= 0,10

10%

9%

8,1%

= 0,90

90%

9%

0,9%

Alisado exponencial con ajuste

de tendencia
Previsin incluyendo la tendencia (PITt)
= previsin alisada exponencialmente (Ft)
+ tendencia alisada exponencialmente (Tt)

Alisado exponencial con ajuste

de tendencia
Ft = (demanda real de este periodo)
+ (1- )(previsin del ltimo periodo + tendencia estimada del
ltimo periodo)
o
F = (A ) + (1- )F + T
t

t-1

t-1

Tt = (previsin de este periodo - previsin del ltimo periodo)

+ (1-)(tendencia estimada del ltimo periodo)
o

Tt = (Ft - Ft-1) + (1- )Tt-1

Alisado exponencial con ajuste

de tendencia

Ft = previsin alisada exponencialmente de

la serie de datos en el periodo t.
Tt = tendencia alisada exponencialmente
en el periodo t.
At = demanda real en el periodo t.
= constante de alisado para la media.
= constante de alisado para la tendencia.

Demanda del producto

Comparacin de previsiones
40
35

Alisado exponencial +
Tendencia

Demanda real

30
25
20
15
10
5
0
Ene.

Alisado exponencial

Feb.

Mar.

Abr.

May.
Mes

Jun.

Jul.

Ago.

Sep.

Error del pronstico

El error del pronstico se define como:

Error del pronstico = Demanda- Pronstico

Una medida del error es, la Desviacin

Media Absoluta (MAD).
MAD =

| errores del pronsticos |

n

Error del pronstico

Error Medio Cuadrtico (MSE); es la
diferencia al cuadrado, entre el
pronstico y los valores observados.
Error Porcentual Medio Absoluto
(MAPE); es la diferencia absoluta entre
el pronstico y los valores observados
expresado como un porcentaje de los
valores observados.

Proyecciones con tendencia

La tcnica ha aplicar en este caso ser

el mtodo de mnimos cuadrados.

y a bx
Donde : y = valor calculado de la variable a predecir
a = interseccin eje y
b = pendiente de la lnea de regresin
x = la variable independiente, que en este caso
es el tiempo.

Proyecciones con tendencia

Clculo de los parmetros a y b.

xy nxy

b
x nx
2

a y bx

Valores de la variable dependiente

Mtodo de mnimos cuadrados

Observaci
n real

Desviacin

Desviacin

Desviacin
Desviacin
Desviacin

Desviacin

Desviacin

Y a bx
Periodo de tiempo

Punto en
la lnea de
tendencia

Demanda real y lnea de tendencia

180

Demanda

160

Y = 56,70+ 10,54X

140
120
100
80
60
40

Demanda real

20
0
0

Periodo de tiempo

10

Variaciones de Informacin
Estacionales

Algunas veces las variaciones

recurrentes que se producen en ciertas
estaciones del ao ejercen , de forma
necesaria un ajuste estacional en el
pronstico de la lnea de tendencia.

MTODOS DE PRONSTICOS CAUSAL:

ANLISIS DE REGRESIN Y
CORRELACIN
Los modelos de pronstico causal
generalmente consideran algunas
variables que estn relacionadas con la
variable que se predice.
Variable dependiente
Variable(s) independientes

ANLISIS DE REGRESIN Y
CORRELACIN

y a bx
Donde : y = valor de la variable dependiente
a = interseccin eje y
b = pendiente de la lnea de regresin
x = la variable independiente

Sx , y

( y y )2
n2

ERROR ESTNDAR DEL ESTIMADO

ANLISIS DE REGRESIN Y
CORRELACIN

La relacin entre dos variables est

dada por el coeficiente de correlacin.
Este coeficiente expresa el grado de
relacin lineal. El coeficiente, se
encuentra entre 1 y -1.
r

n xy x y

{n x 2 ( x ) 2 }{n y 2 ( y ) 2 }

Anlisis de Regresin Mltiple

y a b1 x1 b2 x 2
Donde : y = valor de la variable dependiente
a = interseccin eje y
b1 y b2 = pendientes de la lnea de regresin
x1 y x2 = variables independiente

Monitoreo y Control de
Pronsticos

Una forma de monitorear los

pronsticos para asegurar su buen
empleo, es mediante una seal de
rastreo.
SE =

(Demanda real del periodo - Demanda

pronosticada en el periodo)

I Errores de pronstico | / n

Clculo de la seal de rastreo

Trim.

Demanda
prevista

Demanda
real

100

90

100

95

100 115

100 100

100 125

100 140

Error SAEP Error |Error| DAM

absoluto acumulado

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda

prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto acumulado

-10

Error
Error == Real
Real-- Previsin
Previsin
== 90
90-- 100
100==-10
-10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto acumulado

-10

-10
SAEP
SAEP== Errores
Errores
==ND
ND++ (-10)
(-10)== -10
-10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista
real

100

90

100

95

100 115

100 100

100 125

100 140

Error SAEP Error |Error| DAM

absoluto acumulado

-10

-10

10

Error
Error absoluto
absoluto ==|Error|
|Error|
== |-10|
|-10|== 10
10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

SR

absoluto acumulado

-10

-10

10

10

|Error|
|Error|acumulado
acumulado== |Errores|
|Errores|
==NA
NA++10
10== 10
10

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto

-10

-10

10

acumulado

10 10,0

DAM
DAM== |Errores|/n
|Errores|/n
==10/1
10/1== 10
10

SR

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

100

90

100

95

100 115

100 100

100 125

100 140

absoluto

-10

-10

10

SR

acumulado

10 10,0

SR
SR==SAEP/DAM
SAEP/DAM
== -10/10
-10/10== -1
-1

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

100

95

-5

100 115

100 100

100 125

100 140

-10

10

10 10,0

Error
Error == Real
Real-- Previsin
Previsin
== 95
95-- 100
100==-5
-5

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

absoluto

real

100

90

-10

-10

100

95

-5

-15

100 115

100 100

100 125

100 140

10

SR

acumulado

10 10,0

SAEP
SAEP== Errores
Errores
==(-10)
(-10)++ (-5)
(-5)== -15
-15

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0

Error
Error absoluto
absoluto ==|Error|
|Error|
== |-5|
|-5|== 55

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0

-1

15

Error
Error acumulado
acumulado== |Errores|
|Errores|
==10
10++ 55==15
15

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0
15

7,5

DAM
DAM== |Errores|/n
|Errores|/n
==15/2
15/2== 7,5
7,5

-1

Clculo de la seal de rastreo

Trim. Demanda Demanda
prevista

Error SAEP Error |Error| DAM

real

SR

absoluto acumulado

100

90

-10

-10

10

100

95

-5

-15

100 115

100 100

100 125

100 140

10 10,0

-1

15

-2

SR
SR==SAEP/DAM
SAEP/DAM
== -15/7,5
-15/7,5==-2
-2

7,5

Representacin de una seal de

rastreo
Seal que supera el
lmite

DAM

Lmite de control
superior

0
-

Seal de rastreo

Intervalo aceptable
Lmite de control
inferior
Tiempo

160
140
120
100
80
60
40
20
0

3
Previsin

2
1
0

Demanda real

-1

Seal de rastreo

-2
-3
0

4
Tiempo

Seal de rastreo

Demanda real

Seales de rastreo