Captulo 2:

PRONSTICOS DE DEMANDA

Fuentes bsicas de demanda

Demanda dependiente:
Demanda de un producto causada por la
demanda de otro. Ej.: en la fabricacin de un
triciclo, se necesita una rueda delantera y dos
traseras.

Demanda independiente:
Demanda que no depende directamente de otros
productos, como los triciclos del ejemplo.

Diferentes actitudes frente a la

demanda
Frente a una demanda independiente, una
empresa puede asumir dos tipos de papeles:
Papel pasivo: Se responde frente a la demanda.
Sucede cuando la empresa est conforme con la demanda
experimentada.
Tambin puede suceder que simplemente la empresa no
tiene cmo influir en la demanda.

Papel activo: Se influye en la demanda.

Modificar precios, realizar promociones, etc., son medidas
que buscan influir en la demanda.
Otros ejemplos podran ser restriccin vehicular y
tarificacin vial.

Tcnicas de Proyeccin
I.

Cualitativa

Proyeccin fundamental.
Investigacin de mercado.
Consenso de grupo.
Analoga histrica.
Metdo Delfi.

II. Series de tiempo

Media mvil simple.

Media mvil ponderada.
Ajuste exponencial.
Anlisis de regresin.
Box Jenkings, Shiskin, etc.

Tcnicas de Proyeccin
III. Causal

Anlisis de regresin mltiple.

Modelos economtricos.
Modelos de insumo-producto.
Indicadores anticipados.

IV. Simulacin

Componentes de la Demanda
Demanda promedio

Componentes de la Demanda
Tendencia

Componentes de la Demanda
Tendencia
Algunos tipos de tendencia:

Tendencia lineal

Tendencia curva en S (logstica)

Tendencia asinttica

Tendencia exponencial

Componentes de la Demanda
Estacionalidad

2000

2001

2002

2003

2004

Componentes de la Demanda
Otros componentes:
Aleatoriedad
Ciclos
Autocorrelacin

Distintas tcnicas de prediccin son capaces

de capturar distintos componentes de la
demanda.

Indicadores de Ajuste
Permiten medir qu tan cerca se encuentra el
modelo de prediccin a los datos
experimentados.
Ejemplos:
Desviacin estndar
Varianza
Desviacin media absoluta (MAD)

Indicadores de Ajuste: MAD

n

MAD =

A F
t =1

Donde
At: Demanda real del perodo t.
Ft: Prediccin para el perodo t.
n: Nmero total de perodos.

Indicadores de Ajuste: MAD

e7

e5
e2

e3

e6

e4

e1

1 7
MAD = ei
7 i =1

El MAD es el promedio de los errores absolutos.

Indicadores de Ajuste:
Seal de Rastreo
Qu pasa cuando el error en la prediccin es
sistemtico?

Problema: MAD no detecta este problema.

Solucin: Seal de rastreo.

Indicadores de Ajuste:
Seal de Rastreo
n

TS =

A F
t =1

MAD

Donde
At: Demanda real del perodo t.
Ft: Prediccin para el perodo t.
n: Nmero total de perodos.

Indicadores de Ajuste: Ejemplo

Considere la siguiente serie de datos:
Perodo

At

Ft

1101

1000

1023

1000

1655

1300

1481

1500

1172

1500

1777

1500

1676

1500

1926

1600

1421

1600

10

1266

1600

Determinar MAD y TS para cada perodo.

Indicadores de Ajuste: Ejemplo

Solucin:
Perodo

At

Ft

Error

Error Abs.

MAD

TS

1101

1000

101

101

101,00

1,0

1023

1000

23

23

62,00

2,0

1655

1300

355

355

1481

1500

-19

1172

1500

1777

promedio

159,67

3,0

19

124,50

3,7

-328

328

165,20

0,8

1500

277

277

183,83

2,2

1676

1500

176

176

182,71

3,2

1926

1600

326

326

200,63

4,5

1421

1600

-179

179

198,22

3,7

10

1266

1600

-334

334

211,80

1,9

Indicadores de Ajuste: Ejemplo

Solucin:
Perodo

At

Ft

Error

Error Abs.

MAD

TS

1101

1000

101

101

101,00

1,0

1023

1000

23

23

62,00

2,0

1655

1300

355

355

159,67

3,0

1481

1500

-19

19

124,50

3,7

1172

1500

-328

328

165,20

0,8

1777

1500

277

1676

1500

176

1926

1600

1421

10

1266

suma

277

dividido por

183,83

2,2

176

182,71

3,2

326

326

200,63

4,5

1600

-179

179

198,22

3,7

1600

-334

334

211,80

1,9

Indicadores de Ajuste: Ejemplo

400

2500

350

2000

300
250

1500

200
1000

150
100

500

At

Ft

Error Abs.

50

MAD

0
1

1000
900
800
700
600
500
400
300
200
100
0

10
5.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0

Error Acum.
TS
1

10

10

A medida que hay ms

datos, MAD tiende a
estabilizarse.
TS tiende a tener la forma
del error acumulado, pero
normalizado por MAD.

Mtodos de Prediccin:
Media Mvil Simple
Estima la demanda de un perodo como el
promedio de las demandas observadas en los
n perodos anteriores:
1 n
Ft = At i
n i =1

Asume que la demanda histrica tiene un

poder predictivo para la demanda presente.

Mtodos de Prediccin:
Media Mvil Simple
Ejemplo 1:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1005
950
1050
1123
1100
1064
1183
1121
1088
917
958
1056
991
911
953
1141
1129
1174
1100

Ft n=3

Ft n=5

1200
1150

1022,7
1001,7
1041,0
1091,0
1095,7
1115,7
1122,7
1130,7
1042,0
987,7
977,0
1001,7
986,0
951,7
1001,7
1074,3
1148,0

1100

1048,2
1045,6
1057,4
1104,0
1118,2
1111,2
1074,6
1053,4
1028,0
1002,0
966,6
973,8
1010,4
1025,0
1061,6

At
At
FtAt
n=3
Ft n=3
Ft n=5

1050
1000
950
900
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Un mayor n entrega una

curva ms suave.

Mtodos de Prediccin:
Media Mvil Simple
Ejemplo 2:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1127
1141
1159
1189
1199
1218
1252
1246
1246
1283
1311
1336
1345
1387
1395
1441
1485
1522
1548

Ft n=3

Ft n=5

1600
1550
1500

1127,0
1142,3
1163,0
1182,3
1202,0
1223,0
1238,7
1248,0
1258,3
1280,0
1310,0
1330,7
1356,0
1375,7
1407,7
1440,3
1482,7

1450
1400

1145,8
1163,0
1181,2
1203,4
1220,8
1232,2
1249,0
1267,6
1284,4
1304,2
1332,4
1354,8
1380,8
1410,6
1446,0

At

1350

Ft n=3
At

1300

Ft n=5

1250
1200
1150
1100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

La media mvil no es un
buen estimador para una
demanda con tendencia
marcada.

Mtodos de Prediccin:
Media Mvil Ponderada
Similar a la media simple, pero utilizando
ponderadores:
n
w
Ft =
i =1

At i

w
j =1

wi representa el peso de la demanda de i

perodos hacia atrs.
La media mvil simple es el caso particular de
la media mvil ponderada donde wi = 1/n.

Mtodos de Prediccin:
Media Mvil Ponderada
Ejemplo 1:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1005
950
1050
1123
1100
1064
1183
1121
1088
917
958
1056
991
911
953
1141
1129
1174
1100

Ft MMS

Ft MMP

1200
1150
1100

1048,2
1045,6
1057,4
1104,0
1118,2
1111,2
1074,6
1053,4
1028,0
1002,0
966,6
973,8
1010,4
1025,0
1061,6

1066,0
1073,8
1069,1
1121,5
1126,1
1109,3
1031,7
1006,1
1020,4
1004,6
958,1
959,0
1036,0
1070,0
1109,4

At
At
Ft MMS
At
Ft MMS
Ft MMP

1050
1000
950
900
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

w1 = 40, w2 = 25, w3 = 15, w4 = 10, w5 = 10.

El uso de ponderadores hace

que la curva sea menos
suave.

Mtodos de Prediccin:
Media Mvil Ponderada
Cmo determinar los ponderadores?
Si no se tiene mayor informacin, lo ms
conservador es trabajar con MMS.
Se puede calibrar los ponderadores de forma de
maximizar el ajuste:
Idea 1: Probar y comparar MAD.
Idea 2: Mnimos cuadrados.

Los ponderadores se pueden utilizar para modelar

estacionalidades.

Mtodos de Prediccin:
Media Mvil Ponderada
Ejemplo 2:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trim.
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

Ft
MMS

Ft
MMP 1

240
220
200
At
At
Ft MMSAt
Ft MMS
Ft MMP 1

180

158,8
165,6
169,0
160,4
160,6
169,2
171,4
161,2
156,8
155,4
152,0
141,4
137,8
142,8
149,8

167,4
181,8
156,5
149,7
165,8
181,1
163,2
153,1
169,4
168,7
147,0
137,2
137,9
153,9
139,4

160
140
120
100
1 2 3 4 5 6 77 88 99 10
10 11
1112
1213
1314
1415
1516
1617
1718
1819
1920
20

w1 = 10, w2 = 10, w3 = 10, w4 = 60, w5 = 10.

El uso de ponderadores
puede ayudar a capturar
estacionalidades.

Mtodos de Prediccin:
Suavizado Exponencial
Idea: utilizar los errores para corregir la prediccin.

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

Si la prediccin anterior se qued corta, la aumento; si se pas, la

disminuyo.
El parmetro corresponde a la sensibilidad del suavizado.
alto (cercano a uno) el modelo replica la demanda con un perodo
de desfase.
bajo (cercano a cero) el modelo mantiene una prediccin fija, poco
sensible a los cambios de demanda.

El parmetro se calibra en funcin del ajuste.

En comparacin a medias mviles, tiene la ventaja de usar menos
informacin.

Mtodos de Prediccin:
Suavizado Exponencial
Ejemplo 1:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1005
950
1050
1123
1100
1064
1183
1121
1088
917
958
1056
991
911
953
1141
1129
1174
1100

Ft =0,05 Ft =0,2
1113
1113
1113
1113
1108
1091
1100
1063
1097
1060
1099
1073
1099
1078
1097
1076
1101
1097
1102
1102
1101
1099
1092
1063
1086
1042
1084
1045
1079
1034
1071
1009
1065
998
1069
1027
1072
1047
1077
1072

Ft =0,5
1113
1113
1059
1005
1027
1075
1088
1076
1129
1125
1107
1012
985
1020
1006
958
956
1048
1089
1131

1200
1150
1100
At
At
At =0,05
Ft
Ft =0,05
At
Ft =0,2
=0,05
Ft =0,2
Ft =0,5

1050
1000
950
900
1 2 3 4 5 6 7 8 9 10 11 12 13 14
14 15
15 16
16 17
17 18
18 19
1920
20

La prediccin del primer perodo

debe ser fijada arbitrariamente.
- Para calcular el MAD se debe
tener esto en cuenta.

Mtodos de Prediccin:
Suavizado Exponencial
Ejemplo 2:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1127
1141
1159
1189
1199
1218
1252
1246
1246
1283
1311
1336
1345
1387
1395
1441
1485
1522
1548

Ft =0,05 Ft =0,2
1113
1113
1113
1113
1114
1116
1115
1121
1117
1128
1121
1141
1125
1152
1129
1165
1136
1183
1141
1195
1146
1206
1153
1221
1161
1239
1170
1258
1179
1276
1189
1298
1199
1317
1211
1342
1225
1371
1240
1401

Ft =0,5
1113
1113
1120
1131
1145
1167
1183
1200
1226
1236
1241
1262
1287
1311
1328
1358
1376
1409
1447
1484

1600
1550
1500
1450
1400

At

1350
1300

Ft =0,05
At
Ft =0,2

1250

Ft =0,5

1200
1150
1100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Este mtodo tampoco es

bueno para modelar
tendencia.

Mtodos de Prediccin:
Suavizado Exponencial
Relacin con media mvil:
Ft = Ft 1 + ( At 1 Ft 1 )
Entonces:

Ft = At 1 + (1 )Ft 1

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

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

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

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

Entonces
n
Ft = At 1 + (1 ) At 2 + ... + (1 ) At ( n +1) + ...

Se podra decir que suavizado exponencial es una

especie de MMP con parmetros (1 - )n de
ah lo de exponencial.

Mtodos de Prediccin:
Suavizado Exponencial con Ajuste de Tendencia
Se busca incorporar el efecto de tendencia dentro del
modelo de suavizado exponencial.
La prediccin para un nuevo perodo es la del suavizado
exponencial, corregida por una tendencia.
FITt = Ft + Tt

La prediccin del suavizado exponencial se realiza usando

la prediccin final del perodo anterior.
Ft = FITt 1 + ( At 1 FITt 1 )
La tendencia tambin se actualiza mediante suavizado
exponencial.
Tt = Tt 1 + ( At 1 FITt 1 )

Mtodos de Prediccin:
Suavizado Exponencial con Ajuste de Tendencia
Ejemplo:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1127
1141
1159
1189
1199
1218
1252
1246
1246
1283
1311
1336
1345
1332
1323
1319
1296
1304
1273

Ft
1113
1123
1134
1150
1173
1190
1209
1236
1247
1252
1273
1298
1324
1342
1344
1341
1336
1321
1316

Tt
5,00
5,00
5,45
6,10
7,02
8,63
9,51
10,42
12,05
11,97
11,33
12,29
13,56
14,76
15,08
13,83
12,07
10,38
7,87
6,62

FITt
1113
1118
1128
1141
1157
1182
1200
1219
1248
1259
1264
1286
1312
1339
1357
1358
1353
1346
1329
1323

Ft (S/A)
1113
1113
1120
1131
1145
1167
1183
1200
1226
1236
1241
1262
1287
1311
1328
1330
1327
1323
1309
1307

1400
1350
1300
At
1250

Ft

At

FtAt
FITt
FITt
Ft (S/A)

1200
1150
1100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Los datos iniciales deben ser fijados.

Notar que el Ft sin ajuste no es
lo mismo que el Ft del caso con
ajuste.

Mtodos de Prediccin:
Regresin Lineal Simple
Un modelo sencillo que permite capturar el efecto de la
tendencia.
Asume que la demanda tiene tendencia de lnea recta.

y = a x + b
En general, y corresponde a la demanda, y x al tiempo.
Se utilizan valores conocidos de la demanda para estimar los
parmetros a y b.

a = y b x

(
x x )(y y ) xy n x y

b=
=
(x x )
x nx
i

Mtodos de Prediccin:
Regresin Lineal Simple
Ejemplo:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

At
1113
1127
1141
1159
1189
1199
1218
1252
1246
1246
1283
1311
1336
1345
1387
1395
1441
1485
1522
1548

Ft
1087,8
1109,9
1131,9
1153,9
1176,0
1198,0
1220,0
1242,1
1264,1
1286,1
1308,2
1330,2
1352,2
1374,3
1396,3
1418,3
1440,4
1462,4
1484,4
1506,5

1600
1500

Ft = 1.065,79x + 22,03

1400
1300

At
At
Ft

1200
1100
1000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

A diferencia de otros mtodos, la prediccin de los

perodos pasados se obtienen conociendo la demanda
futura.
Por otra parte, este mtodo predice para varios perodos
hacia adelante.

Mtodos de Prediccin:
Regresin Lineal Mltiple
Extensin de la regresin lineal donde la variable
independiente y se modela como una
combinacin lineal de una serie de variables
dependientes x1, x2, etc.
y = a0 + a1 x1 + ... + an xn

Las variables xi pueden representar tiempo u

otros factores explicativos: demandas de
perodos pasados, demandas de productos
relacionados, indicadores econmicos, etc.
El ajuste de los parmetros se puede realizar
usando herramientas computacionales.

Mtodos de Prediccin:
Regresin Lineal Mltiple
Relacin con MMP:
Tomemos el ejemplo de
estacionalidad con MMP.

240
220
200
At

180

Ft MMS

160

Ft MMP 1
140
120
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Perodo
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

Ft
MMS

Ft
MMP 1

158,8
165,6
169,0
160,4
160,6
169,2
171,4
161,2
156,8
155,4
152,0
141,4
137,8
142,8
149,8

167,4
181,8
156,5
149,7
165,8
181,1
163,2
153,1
169,4
168,7
147,0
137,2
137,9
153,9
139,4

Mtodos de Prediccin:
Regresin Lineal Mltiple
Perodo Trimestre
1
Trim. 1
2
Trim. 2
3
Trim. 3
4
Trim. 4
5
Trim. 1
6
Trim. 2
7
Trim. 3
8
Trim. 4
9
Trim. 1
10
Trim. 2
11
Trim. 3
12
Trim. 4
13
Trim. 1
14
Trim. 2
15
Trim. 3
16
Trim. 4
17
Trim. 1
18
Trim. 2
19
Trim. 3
20
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

Ft MMP 1Ft MMP 2 Ft RLM

240
220
200

167,4
181,8
156,5
149,7
165,8
181,1
163,2
153,1
169,4
168,7
147,0
137,2
137,9
153,9
139,4

173,3
184,6
152,7
143,0
170,3
192,2
152,1
139,0
166,7
151,0
142,9
120,3
137,0
167,8
139,6

170,9
181,8
148,4
141,4
167,4
187,6
146,4
136,0
165,8
151,8
146,0
127,9
144,9
176,0
144,6

180

At

160

Ft MMP 1

140
120
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Ft MMP 1 fue calculado con

pesos arbitrarios (w4 = 60, los
dems, 10).

Mtodos de Prediccin:
Regresin Lineal Mltiple
Clculo de los multiplicadores ptimos para
MMS:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Perodo
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

At-1

At-2

At-3

At-4

At-5

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165

x1

x2

x3

x4

x5

Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X 4
Variable X 5

Coeficientes
0
0,70097268
-0,22206026
0,23764594
0,59285505
-0,31808619

w1 = 0,70
w2 = -0,22
w3 = 0,24
w4 = 0,59
w5 = -0,31

Mtodos de Prediccin:
Regresin Lineal Mltiple
Perodo Trimestre
1
Trim. 1
2
Trim. 2
3
Trim. 3
4
Trim. 4
5
Trim. 1
6
Trim. 2
7
Trim. 3
8
Trim. 4
9
Trim. 1
10
Trim. 2
11
Trim. 3
12
Trim. 4
13
Trim. 1
14
Trim. 2
15
Trim. 3
16
Trim. 4
17
Trim. 1
18
Trim. 2
19
Trim. 3
20
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

Ft MMP 1Ft MMP 2 Ft RLM

240
220
200

167,4
181,8
156,5
149,7
165,8
181,1
163,2
153,1
169,4
168,7
147,0
137,2
137,9
153,9
139,4

173,3
184,6
152,7
143,0
170,3
192,2
152,1
139,0
166,7
151,0
142,9
120,3
137,0
167,8
139,6

170,9
181,8
148,4
141,4
167,4
187,6
146,4
136,0
165,8
151,8
146,0
127,9
144,9
176,0
144,6

At
At
Ft MMP 1
Ft MMP 1
Ft MMP 2

180
160
140
120
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

El ajuste mejora al calcular los

ponderadores mediante RLM
(no poda ser de otra forma)

Mtodos de Prediccin:
Regresin Lineal Mltiple
Modelo RLM con intercepto:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Perodo
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

At-1

At-2

At-3

At-4

At-5

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129

137
176
198
144
139
171
193
155
145
182
182
142
133
138
165

x1

x2

x3

x4

x5

Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X 4
Variable X 5

Coeficientes
75,3175313
0,63250314
-0,30668936
0,10248186
0,51136972
-0,42645049

Ft = 75 + 0,63At-1 0,31At-2 +
0,10At-3 + 0,51At-4 0,43At-5

Mtodos de Prediccin:
Regresin Lineal Mltiple
Perodo Trimestre
1
Trim. 1
2
Trim. 2
3
Trim. 3
4
Trim. 4
5
Trim. 1
6
Trim. 2
7
Trim. 3
8
Trim. 4
9
Trim. 1
10
Trim. 2
11
Trim. 3
12
Trim. 4
13
Trim. 1
14
Trim. 2
15
Trim. 3
16
Trim. 4
17
Trim. 1
18
Trim. 2
19
Trim. 3
20
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

Ft MMP 1Ft MMP 2 Ft RLM

240
220
200

167,4
181,8
156,5
149,7
165,8
181,1
163,2
153,1
169,4
168,7
147,0
137,2
137,9
153,9
139,4

173,3
184,6
152,7
143,0
170,3
192,2
152,1
139,0
166,7
151,0
142,9
120,3
137,0
167,8
139,6

170,9
181,8
148,4
141,4
167,4
187,6
146,4
136,0
165,8
151,8
146,0
127,9
144,9
176,0
144,6

At
At
Ft MMP 2
Ft MMP 2
Ft RLM

180
160
140
120
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

El ajuste mejora levemente

(nuevamente no poda ser de
otra forma).

Mtodos de Prediccin:
Regresin Lineal Mltiple
Comparando los MAD:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
137
176
198
144
139
171
193
155
145
182
182
142
133
138
165
129
124
158
173
147

Ft MMP 1 Ft MMP 2

167,4
181,8
156,5
149,7
165,8
181,1
163,2
153,1
169,4
168,7
147,0
137,2
137,9
153,9
139,4

173,3
184,6
152,7
143,0
170,3
192,2
152,1
139,0
166,7
151,0
142,9
120,3
137,0
167,8
139,6

Ft RLM

170,9
181,8
148,4
141,4
167,4
187,6
146,4
136,0
165,8
151,8
146,0
127,9
144,9
176,0
144,6

Error Abs 1 Error Abs 2 Error Abs 3

3,6
11,2
1,5
4,7
16,2
0,9
21,2
20,1
31,4
3,7
18,0
13,2
20,1
19,1
7,6

2,3
8,4
2,3
2,0
11,7
10,2
10,1
6,0
28,7
14,0
13,9
3,7
21,0
5,2
7,4

0,1
11,2
6,6
3,6
14,6
5,6
4,4
3,0
27,8
13,2
17,0
3,9
13,1
3,0
2,4

MAD 1

MAD 2

MAD 3

3,6
7,4
5,4
5,2
7,4
6,3
8,5
9,9
12,3
11,5
12,0
12,1
12,8
13,2
12,8

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

0,1
5,6
6,0
5,4
7,2
6,9
6,6
6,1
8,5
9,0
9,7
9,2
9,5
9,1
8,6

- Se confirma que los modelos son sucesivamente ms

ajustados.

Mtodos de Prediccin:
Regresin Estacional
Cmo capturar estacionalidad cuando existe
tendencia?
1. Agregar la demanda de forma de esconder la
estacionalidad (ej. si la estacionalidad es por el
verano, mostrar demandas anuales).
2. Predecir la demanda en forma agregada.
3. Desagregar la demanda respetando las
proporciones histricas de la estacionalidad.

Mtodos de Prediccin:
Regresin Estacional
Ejemplo:
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

260
240
220
200
At

180
160
140
120
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 1, agregar demanda.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

Ao
2000
2001
2002
2003
2004

Demanda Anual
697,40
762,00
822,60
808,20
898,00

1000.00
950.00
900.00
850.00
800.00
750.00
700.00
650.00

Demanda Anual

600.00
2000

2001

2002

2003

2004

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 2, proyectar demanda agregada.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

Demanda 2005 = 44,742005 88772 = 931,86

1000.00
950.00
900.00

y = 44.74x - 88772

850.00
800.00
750.00
700.00
650.00

Demanda Anual

600.00
2000

2001

2002

2003

2004

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 2, proyectar demanda agregada.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

Pred. Ao
708,2
708,2
708,2
708,2
752,9
752,9
752,9
752,9
797,6
797,6
797,6
797,6
842,4
842,4
842,4
842,4
887,1
887,1
887,1
887,1

(en este ejemplo se incluyen demandas hasta

el 2004, pero podramos incluir desde esta
etapa los aos proyectados).

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 3, desagregar demanda.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

Pred. Ao
708,2
708,2
708,2
708,2
752,9
752,9
752,9
752,9
797,6
797,6
797,6
797,6
842,4
842,4
842,4
842,4
887,1
887,1
887,1
887,1

Se define el factor de
estacionalidad:

A
=
A

Sk

t (k )

donde t(k) representa a los

perodos correspondientes
al trimestre k.

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 3, desagregar demanda.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

Pred. Ao
708,2
708,2
708,2
708,2
752,9
752,9
752,9
752,9
797,6
797,6
797,6
797,6
842,4
842,4
842,4
842,4
887,1
887,1
887,1
887,1

Sk
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%

Finalmente, la
demanda predicha
para un perodo es la
demanda predicha
del ao, multiplicada
por su factor.

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 3, agregar demanda.
Perodo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Trimestre
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4
Trim. 1
Trim. 2
Trim. 3
Trim. 4

Ao
2000
2000
2000
2000
2001
2001
2001
2001
2002
2002
2002
2002
2003
2003
2003
2003
2004
2004
2004
2004

At
143,8
185,2
209,6
158,8
161,4
191,8
219,4
189,4
181,8
222,8
224,4
193,6
187,4
197,6
226,6
196,6
194,4
228
245,8
229,8

Pred. Ao
708,2
708,2
708,2
708,2
752,9
752,9
752,9
752,9
797,6
797,6
797,6
797,6
842,4
842,4
842,4
842,4
887,1
887,1
887,1
887,1

Sk
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%
21,78%
25,71%
28,23%
24,28%

Ft
154,27
182,07
199,90
171,92
164,01
193,58
212,53
182,78
173,76
205,08
225,16
193,64
183,51
216,58
237,79
204,50
193,25
228,09
250,42
215,36

Mtodos de Prediccin:
Regresin Estacional
Ejemplo: Paso 3, desagregar demanda.
260

240

220

200
At
At
Ft

180

160

140

120
1

10

11

12

13

14

15

16

17

18

19

20