Libro de Pronosticos-Gerencia Operaciones - Unt

UNIVERSIDAD NACIONAL DE
TRUJILLO
ESCUELA DE INGENIERIA DE SISTEMAS
MODELO DE
PRONSTICOS
Integrantes:
- Nez Reyna, Jim
- Marquina Lozano, Neyser Rubn
- Peralta Medina, Fabio
- Rubio Cabanillas, Eduardo
Ing. Elas Gutirrez Pesantes
Trujillo-Per
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
DEDICATORIAS
1
AGRADECIMIENTOS
ii
2
INTRODUCCIN
iii
3
NDICE DE CONTENIDO
DEDICATORIAS ...........................................................................................................................
AGRADECIMIENTOS ................................................................................................................ ii
INTRODUCCIN....................................................................................................................... iii
I. MODELO DE LA LINEA RECTA CON TENDENCIA ................................................... 1
II. LINEA RECTA NDICE ESTACIONAL.......................................................................... 12
III. PRONSTICO CON REDES NEURONALES ARTIFICIALES ............................. 24
IV. MTODO DE FOURIER.............................................................................................. 35
V. MODELO DE PRONSTICO MEDIANTE LA FUNCIN DE GOMPERTZ ............ 47
VI. MODELO PROMEDIO MVIL SIMPLE ................................................................... 58
VII. PROMEDIO MVIL DOBLE ....................................................................................... 63
VIII. PROMEDIO MVIL PONDERADO ........................................................................... 86
IX. MODELO DE LA CURVA SEMILOGARTMICA O EXPONENCIAL .................... 93
X. MODELO DE LA CURVA GEOMTRICA O DOBLE LOGARTMICA .................. 104
XI. SUAVIZADO EXPONENCIAL .................................................................................. 111
XIII. MTODO DE SUAVIZADO EXPONENCIAL CON TENDENCIA O DE HOLT 128
XIV. TCNICA DE WINTERS ........................................................................................... 134
XV. MODELO DE CURVAS POTENCIALES DE SEGUNDO ORDEN ..................... 140
XVI. MODELO DE REGRESIN MULTIPLE ................................................................. 146
XVII. METODO DE DESCOMPOSICIN..................................................................... 156
XVIII. MEDICIN DE LOS ERRORES DE PRONSTICO ........................................ 162
BIBLIOGRAFA ...........................................................................................................................vi
NDICE DE TABLAS
Tabla N01: Demanda de energa elctrica 2010 - 2016 (MW) .......................................... 1

Tabla N02: Datos de demanda y clculo .............................................................................. 6
Tabla N03: Datos de demanda y proyeccin (MW) ............................................................ 7
Tabla N04: Datos de la demanda energtica y valores EI para posterior clculo .......... 8
Tabla N05: Tabla de demanda estimada, LCI, LCS ............................................................ 9
Tabla N06: Estadsticas de la regresin.............................................................................. 11
Tabla N07: Anlisis de varianza ........................................................................................... 11
Tabla N08: Datos de la demanda de ventas de computadoras 2015-2016 ($) ............ 13
Tabla N09: Desempeo del valor de las acciones con una variable de entrada .......... 29
Tabla N10: Desempeo del valor de las acciones con dos variables de entrada ........ 31
Tabla N11: Comparacin de resultados con diferentes rezagos de tiempo .................. 32
Tabla N12: Datos de la demanda de productos de limpieza de la empresa ................. 41
iv
4
Tabla N13: Datos iniciales de las ventas ............................................................................ 50

Tabla N14: Calculo del parmetro "D" ................................................................................. 52
Tabla N15: Resumen de Datos ............................................................................................ 53
Tabla N16: Calculo del parmetro "b" ................................................................................. 54
Tabla N17: Demanda en unidades monetarias.................................................................. 59
Tabla N18: Procesamiento de datos ................................................................................... 60
Tabla N19: Proyecciones de venta ...................................................................................... 61
Tabla N20: Error estndar de la demanda mensual ......................................................... 61
Tabla N21: Datos de Ventas por Semana .......................................................................... 67
Tabla N22: Pronstico de promedio mvil doble para movie video store ...................... 69
Tabla N23: Tabla para nivel de confianza .......................................................................... 71
Tabla N24: Tabla de datos de miles de casas ................................................................... 74
Tabla N25: Tabla de Cuadro de procedimientos ............................................................... 77
Tabla N26: Tabla con pronstico hasta 2022..................................................................... 79
Tabla N27: Tabla para nivel de confianza .......................................................................... 83
Tabla N28: Demanda de lavadoras ..................................................................................... 88
Tabla N29: Procesamiento de datos ................................................................................... 89
Tabla N30: Ventas reales en unidades fsicas (u.f.).......................................................... 90
Tabla N31: Pronstico de ventas ......................................................................................... 91
Tabla N32: Datos de demanda de automviles (ao 2015) ............................................. 94
Tabla N33: Procesamiento de datos.................................................................................... 96
Tabla N34: Datos pronosticados de la Empresa HOFFMAN (ao 2016) ...................... 97
Tabla N35: Pronsticos de ventas ....................................................................................... 98
Tabla N36: Nivel de confianza .............................................................................................. 99
Tabla N37: Pronsticos de Ventas ....................................................................................... 99
Tabla N38: Datos del ejemplo ............................................................................................. 101
Tabla N39: Ingreso y demanda por persona (2007-2016) ............................................. 107
Tabla N40: Clculos para aplicar mnimos cuadrados.................................................... 108
Tabla N41: Datos de proyeccin de la demanda ............................................................. 110
Tabla N42: Ponderaciones decrecientes para periodos ................................................. 113
Tabla N43: Llegada de pacientes a una clnica en las ltimas tres semanas ............. 116
Tabla N44: Pronstico de ventas para cada mes ............................................................ 117
Tabla N45: Cuadrado medio de error del pronstico de ventas para cada mes ........ 118
Tabla N46: Valores de Acme Tool Company suavizados exponencialmente ............. 120
Tabla N47: Cantidad vs. Demanda .................................................................................... 122
Tabla N48: Demanda anual................................................................................................. 128
Tabla N49: Pronsticos y tendencia .................................................................................. 131
Tabla N50: Errores de medicin ......................................................................................... 133
Tabla N51: Data histrica .................................................................................................... 136
Tabla N52: Procesamiento de datos. ................................................................................ 137
Tabla N53: Pronsticos de ventas ..................................................................................... 138
Tabla N54: Clculo de desviaciones estndar ................................................................. 138
Tabla N55: Recoleccin de datos....................................................................................... 141
Tabla N56: Reemplazo de datos ........................................................................................ 142
Tabla N57: Proyeccin de demanda.................................................................................. 144
Tabla N58: Clculo de Intervalo de confianza .................................................................. 145
Tabla N59: Datos histricos de una muestra de 8 semanas ......................................... 151
Tabla N60: Datos de muestra ............................................................................................. 153
5
Tabla N61: Ventas trimestrales de artculos electrnicos .............................................. 157

Tabla N62: Clculo de Promedio mviles y efecto estacional irregular .................... 159
Tabla N63: Ventas desestacionalizadas ........................................................................... 161
Tabla N64: Procesamiento de datos ................................................................................. 165
NDICE DE FIGURAS
Fig. 1: Demanda en energa elctrica ..................................................................................... 2

Fig. 2: Demanda real vs Demanda esperada ...................................................................... 10
Fig. 3: Figura referencial de lnea recta con puntos estimados ........................................ 12
Fig. 4: Demanda de ventas para los aos 2015-16 ............................................................ 14
Fig. 5: Red neuronal de propagacin hacia adelante ......................................................... 25
Fig. 6: Pronstico Ecopetrol dentro de la muestra .............................................................. 33
Fig. 7: Pronstico Ecopetrol fuera de la muestra ................................................................ 33
Fig. 8: Pronstico Pfcolom dentro de la muestra ................................................................ 33
Fig. 9: Pronstico Pfcolom fuera de la muestra ................................................................... 34
Fig.10: Seal muestreada, con indicaciones del significado de m(k),T,kT ................ 40
Fig.11: Demanda vs tiempo de los productos de limpieza ................................................ 41
Fig.12: Demanda vs tiempo de datos pronosticados .......................................................... 44
Fig.13: Demanda vs tiempo de nivel confianza ................................................................... 45
Fig.14: Demanda real vs demanda pronosticada................................................................ 46
Fig.15: Modelo matemtico para una serie de tiempo ....................................................... 48
Fig.16: Demanda real .............................................................................................................. 62
Fig.17: Demanda real versus promedio mvil ..................................................................... 62
Fig.18: Intervalos de confianza .............................................................................................. 63
Fig.19: Ventas de Videocintas por Semana ......................................................................... 68
Fig.20: Ventas por Semana vs. Promedio Mvil ................................................................. 74
Fig.21: Miles de casas por ao. ............................................................................................. 76
Fig.22: Miles de casas por ao vs. Pronstico .................................................................... 85
Fig.23: Seal de rastreo ......................................................................................................... 89
Fig.24: Pronstico de demanda de IngE .............................................................................. 92
Fig.25: Modelo exponencial .................................................................................................... 95
Fig.26: Modelo exponencial .................................................................................................... 97
Fig.27: Curva de pronsticos para el ao siguiente .......................................................... 100
Fig.28: Representacin de la serie 2 en papel semilogartmico ................................... 103
Fig.29: Representacin de la escala log-log ...................................................................... 106
Fig.30: Relacin entre la demanda y el periodo ................................................................ 111
Fig.31: Demanda vs Periodos .............................................................................................. 114
Fig.32: Ventas y los pronsticos con el mtodo de suavizacin exponencial .............. 119
Fig.33: Comportamiento de demanda y pronstico .......................................................... 126
Fig.34: Ecuacin de la demanda.......................................................................................... 129
Fig.35: Comparativa demanda real y demanda pronosticada......................................... 132
Fig.36: Demanda vs tiempo (trimestres) ............................................................................. 136
Fig.37: Lmites de control para la demanda ....................................................................... 139
Fig.38: Demanda inicial mediante un diagrama de dispersin ....................................... 141
Fig.39: Grfico de la ecuacin .............................................................................................. 152
Fig.40: Ventas de artculos electrnicos ............................................................................. 157
vi
6
Fig.41: Ventas desestacionalizadas .................................................................................... 160
vii
7
I. MODELO DE LA LINEA RECTA CON TENDENCIA
Para poder entender este modelo de pronstico ser necesario de antemano

conocer las propiedades de una recta y su ms grande caracterstica: la
pendiente.
Se formula entonces la expresin matemtica de una recta, siendo esta:

() = + , donde es la pendiente y una constante numrica. El uso
de esta simple expresin es la base de este modelo, pronosticando los
resultados a futuro segn el valor que se le brinde a la variable .
Para un mejor entendimiento se ha planteado un problema con el nico fin

de ilustrar el uso de este modelo en la prctica.
1.1. DATA
Tabla N01: Demanda de energa elctrica 2010 - 2016 (MW)
DEMANDA EN ENERGIA
AO
ELCTRICA (MW)
2010 74
2011 79
2012 80
2013 90
2014 105
2015 142
2016 122
1
1.2. GRFICO
160
140
120
DEMANDA
100
80
60
40
20
0
2009 2010 2011 2012 2013 2014 2015 2016 2017
AOS
DEMANDA EN ENERGIA ELCTRICA

Linear (DEMANDA EN ENERGIA ELCTRICA)
Fig. 1: Demanda en energa elctrica
INTERPRETACIN
Se observa que los datos se comportan ligeramente de forma lineal,
por lo que se trabaja con un modelo lineal. Al mismo tiempo una ligera
anomala en el ao 1992, sobresale de entre todos los datos (142 Mega
watts), se debera investigar el porqu del hecho ya que este dato
sugestiona el comportamiento lineal para el modelo.
1.3. MODELO MATEMTICO
Para tratar la problemtica daremos uso de un modelo de

comportamiento lineal definido como = + . Para un mejor anlisis
cambiaremos algunas de estas variables y explicaremos la
metodologa aplicada para descubrir el valor de las constantes (a y b).
Sea:
= +

2
Donde:
:

:
:
:
Adems:
Para el clculo de las constantes a y b empezamos modificando
nuestra ecuacin inicial.

2 (,
) = ( )2
=1
Procedemos a derivar la expresin con el fin de encontrar los valores

de a y b.

2
= 0 0 = 2 ( )

=1

= ( ) ()
=

2
= 0 = ( ) ()

=
Son con las expresiones (m) y (n) con lo que se llega a la conclusin
de que:
2
= =
2 ( )2 2 ( )2
Adems, necesitaremos las siguientes formulas:
Demanda anual estimada:
Error estndar:
El error estndar de la media (es decir, el error debido a la estimacin
3
de la media poblacional a partir de las medias mustrales) es la

desviacin estndar de todas las posibles muestras (de un tamao
dado) escogidos de esa poblacin. Adems, el error estndar de la
media puede referirse a una estimacin de la desviacin estndar,
calculada desde una muestra de datos que est siendo analizada al
mismo tiempo.
En aplicaciones prcticas, el verdadero valor de la desviacin

estndar (o del error) es generalmente desconocido. Como
resultado, el trmino "error estndar" se usa a veces para referirse a
una estimacin de esta cantidad desconocida. En tales casos es
importante tener claro de dnde proviene, ya que el error estndar
es slo una estimacin.
Error estndar de la demanda mensual:
2
= = (1 )
Donde:
)2
(
=
1
2
2 ( )
= 2
2 ( )
Error estndar de la demanda anual:

=
Dnde: np es el nmero de perodos de tiempo a pronosticar.
Lmite de control, nivel de confianza y nivel de

significancia
El lmite de control (LC):
Los lmites superior e inferior de control son dos lneas
4
horizontales trazadas en el grfico. Si los puntos de datos

caen fuera de estas lneas, eso indica que es
estadsticamente probable que exista un problema con el
proceso. Estas lneas por lo general se sitan a una distancia
de la media igual a tres veces la desviacin estndar, de modo
que existe una probabilidad del 99.37 por ciento de que los
puntos de datos se hallen entre dichos lmites. Para calcular
los lmites de control, en primer lugar, se necesita determinar
la media y la desviacin estndar del conjunto de datos. A
partir de ah ya se podrn calcular los lmites superior e inferior
de control.
El nivel de significancia ():

Supongamos que nos parece suficiente que de cien muestras
tericas de la poblacin exista la probabilidad de que en 5
muestras la hiptesis alternativa est errada.
Es decir, el 5% mostrara el riesgo que corremos de cometer
un error
Esa probabilidad de error, en este caso, de = 5%, se conoce
como el nivel de significancia.
El nivel de confianza (NC):

Si estamos dispuestos a correr el riesgo de un error del 5%
(=.05) entonces diremos que el nivel de confianza que
aceptamos es del 95%.
Si exigiramos un nivel de significancia del 1% (0.01) el nivel
de confianza sera del 99%.
Lmite de control superior:

+ 3
=
Con = 0.05 y un NC = 95 %
5
Lmite de control inferior:

+ 3
=
Con = 0.05 y un NC =95 %
1.4. CUADRO DE PROCESAMIENTO
Hacemos un nuevo cuadro tomando como base la Tabla N01 y

agregando los datos que necesitamos para reemplazar en las frmulas:
Tabla N02: Datos de demanda y clculo
PERIODO DEMANDA EN ENERGIA

AO t2 D*t
(t) ELCTRICA(MW)
2010 1 74 1 74
2011 2 79 4 158
2012 3 80 9 240
2013 4 90 16 360
2014 5 105 25 525
2015 6 142 36 852
2016 7 122 49 854
28 692 140 3063
Usamos los datos de las sumatorias al final del cuadro con el fin de
encontrar los valores de nuestras constantes a y b.
2
= =
2 ( )2 2 ( )2
Por ende, nuestra ecuacin lineal tiene la siguiente forma:

= . + .

6
1.5. MODELO
Reemplazando en la ecuacin:
= 56.714 + 10.54

1.6. PROYECCIONES
Tabla N03: Datos de demanda y proyeccin (MW)
AO PERIODO DEMANDA EN ENERGA DEMANDA

(t) ELCTRICA(MW) ESTIMADA (D)
2010 1 74 67.25
2011 2 79 77.79
2012 3 80 88.32
2013 4 90 98.86
2014 5 105 109.39
2015 6 142 119.93
2016 7 122 130.46
2017 8 141
2018 9 151.54
2019 10 162.07
1.7. NIVEL DE CONFIANZA
Para ello necesitaremos tener en cuenta los datos brindados por la

Tabla N03.
7
Tabla N04: Datos de la demanda energtica y valores EI para posterior clculo
DEMANDA EN DEMANDA EI = DI - DI EI^2

ENERGIA ESTIMADA (DI)
ELCTRICA(DI)
74 67.25 -6.75 45.56
79 77.78 -1.21 1.47
80 88.32 8.32 69.25
90 98.86 8.86 78.45
105 109.39 4.39 19.30
142 119.93 -22.07 487.15
122 130.46 8.46 71.64
)2
(
Con la formula = hallamos y los datos E brindados en la
1
Tabla N04 el valor de S.
Ei2
= = 11.35
71
= .
Ya con el valor de definido procedemos a calcular los valores de LC

3
=
+ =
= + .
=
= .
8
Tabla N05: Tabla de demanda estimada, LCI, LCS
AO PERIODO DEMANDA LCI LCS

ESTIMADA(MW)
2010 8 141 106.95 175.05
2011 9 151.53 117.49 185.58
2012 10 162.07 128.02 196.12
2013 11 172.60 138.56 206.65
2014 12 183.14 149.09 217.19
2015 13 193.67 159.63 227.73
2016 14 204.21 170.17 238.26
2017 15 214.75 180.70 248.79
2018 16 225.28 191.24 259.33
2019 17 235.82 201.77 269.86
2020 18 246.36 212.31 280.40
2021 19 256.89 222.84 290.94
2022 20 267.43 233.38 301.48
2023 21 277.96 243.92 312.01
2024 22 288.5 254.45 322.55
2025 23 299.03 264.98 333.08
2026 24 309.57 275.52 343.62
2027 25 320.11 286.06 354.15
2028 26 330.64 296.59 364.69
2029 27 341.18 307.13 375.23
2030 28 351.71 317.66 385.76
2031 29 362.25 328.20 396.29
2032 30 372.78 338.73 406.83
9
INTERPRETACIN
160
140
120
100
DEMANDA
80
60
40
20
0
2009 2010 2011 2012 2013 2014 2015 2016 2017
AOS
DEMANDA REAL DEMANDA ESPERADA
Fig. 2: Demanda real vs Demanda esperada
Se observa que el modelo se ajusta ligeramente a los datos, por lo tanto

se podra trabajar con el modelo lineal, pero no necesariamente es el
ms adecuado o realista a la situacin analizada.
El grupo considera que este no es el modelo adecuado para los datos

dados, por lo que se hicieron algunas pruebas estadsticas en EXCEL
para tratar de encontrar un modelo que se ajuste mejor a los datos.
AO DEMANDA EN ENERGA
ELCTRICA
2010 74
2011 79
2012 80
2013 90
2014 105
2015 142
2016 122
10
10
Tabla N06: Estadsticas de la regresin
Estadsticas de la regresin
Coeficiente de correlacin 0.89
Coeficiente
mltiple de determinacin 0.80
R^2
R^2 ajustado 0.76
Error tpico 1.05
Observaciones 7
INTERPRETACIN DE TABLA N6:

Este valor impide que se trabaje con el modelo lineal ya que solo el
76% de la variabilidad de la demanda est representada por el modelo
y generalmente se espera trabajar con una representacin de la
variabilidad de un 90% para la Demanda. Esto se debe esencialmente
a que la variable independiente puede que no represente muy bien a la
Demanda.
Tabla N07: Anlisis de varianza
ANLISIS DE VARIANZA
Grados Suma de Promedio de F Valor
de cuadrado los crtico
libertad s cuadrados de F
Regresin 1 22.42 22.42 20.11 0.0064
Residuos 5 5.58 1.12 9
Total 6 28
INTREPRETACIN DE Tabla N07:

Aunque la probabilidad de F es menor al 0.05, lo cual significa aprobar
el modelo (ya que es significativo), este no se debe utilizar, debido a lo
observado en el coeficiente de determinacin.
11
11
II. LINEA RECTA NDICE ESTACIONAL

Segn el modelo de regresin lineal simple, las puntuaciones de los sujetos
en 2 variables -una de ellas considerada como variable predictora (X) y la
otra como variable de respuesta (Y)- vienen representadas (modeladas) por
la ecuacin de una lnea recta: Y = 0 + 1. Cuando hay ms de una variable
explicativa (modelo de regresin lineal mltiple), se utiliza un subndice para
cada una de ellas, por ejemplo, para el caso de dos variables explicativas: Y
= 0 + 1X1 + 2X2. (Losilla, J. Navarro, B. 2005).
La aplicacin de este mtodo implica un supuesto de linealidad cuando la

demanda presenta un comportamiento creciente o decreciente, por tal razn,
se hace indispensable que previo a la seleccin de este mtodo exista un
anlisis de regresin que determine la intensidad de las relaciones entre las
variables que componen el modelo. (Angulo Lizrraga, Rene. 2015).
Fig. 3: Figura referencial de lnea recta con puntos estimados
12
12
NDICE ESTACIONAL
La estacionalidad es un comportamiento o patrn que a veces observamos

en una serie de tiempo. Consiste en subidas y bajadas peridicas que se
presentan en forma regular en la serie de tiempo.
La manera matemtica de representar la estacionalidad es a travs de los

llamados ndices estacionales. (Esparza, Jos. 2010).
Para comprender qu son, cmo se calculan y para qu sirven, para

entenderlo mejor veremos un ejemplo:
2.1. DATA
A continuacin, se muestra los datos de la demanda en ventas para
los aos 2015 y 2016, los cuales nos servirn para nuestro ejemplo de
aqu en adelante:
Tabla N08: Datos de la demanda de ventas de computadoras 2015-2016 ($)
DEMANDA DE
MES VENTAS ($)
2015 2016
ENERO 80 100
FEBRERO 75 85
MARZO 80 90
ABRIL 90 110
MAYO 115 131
JUNIO 110 120
JULIO 100 110
AGOSTO 90 110
SEPTIEMBRE 85 95
OCTUBRE 75 85
NOVIEMBRE 75 85
DICIEMBRE 80 80
13
13
A continuacin, se muestra un grfico explicativo de las cantidades de

demandas de ventas a en cada mes y ao segn la tabla anterior:
150
DOLARES
100
50
MESES
DEMANDA
DEMANDADE
DEVENTAS
VENTAS2010
2015 DEMANDA
DEMANDADEDEVENTAS
VENTAS2011
2016
Fig. 4: Demanda de ventas para los aos 2015-16
Adems, para cada uno de estos aos, se considera 1 mes como

periodo o estacin, as tenemos que cada ao est divido en 12
periodos o estaciones. (n=12)
2.2. FIGURA
A continuacin, se muestra una figura que representa la tendencia de
la cantidad de demandada en los aos 2015 y 2016 a lo largo de los
12 meses de cada uno de estos.
Esta figura permite observar como fluctan las cantidades

demandadas mes a mes, y, adems, la diferencia aproximada de las
cantidades mencionadas respecto a un mes determinado en cada ao
antes mencionado (2015-2016).
14
14
140
120
100
80
2015
60
40
20
0
MESES
DEMANDADE
DEMANDA DE VENTAS
VENTAS 2010
2015 DEMANDADEDEVENTAS
DEMANDA VENTAS2011
2016
En ciencias aplicadas, un modelo matemtico es uno de los tipos

de modelos cientficos que emplea algn tipo de formulismo
matemtico para expresar relaciones, proposiciones sustantivas de
hechos, variables, parmetros, entidades y relaciones entre variables
de las operaciones, para estudiar comportamientos de sistemas
complejos ante situaciones difciles de observar en la realidad. (Rios,
Sixto. 1995).
Ahora mostramos la frmula para hallar la demanda mensual

promedio:

=
:

:

:
:
Luego podemos observar que la Sumatoria de las demandas puede

ser calculada de la siguiente manera:
15
15
= +
Donde:
a: parmetro hallado en ecuacin de lnea recta.
b: parmetro hallado en ecuacin de lnea recta
t: periodo (mes)
Y por ltimo mostramos que la sumatoria de la multiplicacin entre la

demanda y el periodo es calculada as:
= + 2
2.4. TABLA Y PROCESO

A continuacin, se halla:
En la columna [4]: Demanda promedio. Promedio aritmtico

de las cantidades demandadas por periodo o estacin (en este
caso por mes), de cada ao en estudio.
Ej.:
80+90
= = 90
2
75+85
= = 80
2

En la columna [5]: Demanda mensual promedio. Es una
cantidad fija y se da por:
1128
=
= = 94
12
En la columna [6]: ndice estacional promedio. Est dado

por:
16
16
90
= = = 0.957

94
80
= = = 0.851

94
DEMANDA INDICE
DEMANDA DE DEMANDA
MENSUAL ESTACIONAL
MES [1] VENTAS PROMEDIO
PROMEDIO PROMEDIO
[4]
2015 [2] 2016 [3] [5] [6]
ENERO 80 100 90 94 0.957

FEBRERO 75 85 80 94 0.851
MARZO 80 90 85 94 0.904
ABRIL 90 110 100 94 1.064
MAYO 115 131 123 94 1.309
JUNIO 110 120 115 94 1.223
JULIO 100 110 105 94 1.117
AGOSTO 90 110 100 94 1.064
SEPTIEMBRE 85 95 90 94 0.957
OCTUBRE 75 85 80 94 0.851
NOVIEMBRE 75 85 80 94 0.851
DICIEMBRE 80 80 80 94 0.851
PROMEDIO = 1128 = 12
*La suma de ndices Estacionales Promedio tiene que ser igual al nmero de
estaciones o periodos en los que se est trabajando, en este caso: 12 meses.
Como se requiere determinar la expresin matemtica de la expresin

lineal de tendencia, debemos encontrar los parmetros para una
ecuacin de la forma:
= +
17
17
A continuacin, se presenta la siguiente tabla con los datos necesarios

para calcular los valores a y b de la ecuacin anterior:
[1] [2] [3] [4] [5]

Ao T D (total) D.t t2
2015 -1 1055 -1055 1
2016 1 1201 1201 1
0 2256 146 2
En donde:
- Columna [2]: Es el periodo de tiempo representado en escala para
que la sumatoria sea 0, como son solo dos aos consideramos al
2015 como -1 y al 2016 como 1.
- Columna [3]: Demanda total por ao, la cual es la sumatoria de

todas las demandas por ventas de cada mes correspondientes a
ese ao indicado en la tabla.
- Columna [4]: Multiplicacin de la Demanda total por ao con el

periodo en escala.
- Columna [5]: El periodo de cada ao elevado al cuadrado.
Hallamos a y b segn las formulas anteriores:

Hallamos a:
= +
2256 =2 + (b * 0)
a = 1128
Hallamos b:
= + 2
146 = * 0 +2b
b = 73
18
18
2.5. MODELO
Luego de tener los valores de los parmetros a y b, le damos forma a
la ecuacin con los valores obtenidos:
= +
D = 1128 +73 X
Donde:
X: Ao (X=12015, X=22016, X=32012, etc.)
2.6. PROYECCIONES
Teniendo en cuenta que:

X=3, a=1128, b=73
Reemplazamos en la frmula que hallamos en el paso anterior:
2017 = +

2017 = 1128 + (73 3) =

Interpretacin:
2017 =1347, nos da el valor aproximado de la demanda promedio

2017.

El nivel de confianza representa el porcentaje de intervalos que
incluiran el parmetro de poblacin si usted tomara muestras de la
misma poblacin una y otra vez. Por lo tanto, si usted recogi cien
muestras y cre cien intervalos de confianza de 95%, cabra esperar
que aproximadamente 95 de los intervalos incluyeran el parmetro de
poblacin (Jay, Devore. 2008, pp.275).
La desviacin estndar o desviacin tpica es la raz cuadrada de la
varianza.
19
19
Es decir, la raz cuadrada de la media de los cuadrados de las

puntuaciones de desviacin.
)2
(
=
1
S = 2.760
Consideraremos como prueba de valor (Z) a 1.96
Z= 1.96
Ahora, construimos el siguiente cuadro con todos los datos obtenidos

hasta ahora y haciendo algunos clculos detallados posteriormente.
En la columna [2]: Demanda promedio mensual estimada

para el 2017
20
20
( )
2017 =

.
:
= = .

.
: =
= .

En la columna [3]: Demanda promedio mensual estimada

para el 2016
( )
2016 =

.
:
= = .

.
: =
= .

En la columna [4]: Variacin en la demanda para 2016

Esta variacin nos ayuda a encontrar el error de pronstico que
se tuvo al estimar las demandas para ese ao.
El error en el pronstico se refiere a lo cerca que se halla el
pronstico del nivel de demanda real. (Ballou, Ronald, pp.301)
Para hallar esa variacin basta con restar el valor real de las
demandas con el valor estimado de las demandas.

Variacin = D 2016 -
En la columna [5] y [6]: LCI LCD (Limite de control inferior

y superior):
21
21
Los lmites de control representan la variacin de su proceso y

le ayudan a indicar cuando su proceso est fuera de control. Los
lmites de control superior e inferior se basan en la variacin
aleatoria esperada en el proceso.
Si conocemos, a partir de los datos histricos, la desviacin

estndar de la poblacin de un proceso, podemos establecer los
lmites de control superior e inferior usando las siguientes
frmulas (Heiser, Jay, pp.225):
= + ( )
= ( )
Donde:
D: Demanda meta establecida por el proceso
SxD: Desviacin estndar de la demanda
Z=1.96: valor crtico de la distribucin normal
Hay que tener en cuenta que los lmites de control se calculan a

partir del segundo mes, ya que, desde ste, ya se tiene como
referencia al mes anterior. Por ejemplo:
= + ( ) = + . (. )
= .
= ( ) = . (. )
= .
22
22
En este grfico se observa la cantidad de demanda aproximada para

el ao 2017 y sus respectivos lmites (Inferior y Superior) para cada
periodo o estacin (mes).
2.8. INTERPRETACIN
El modelo que se ha utilizado es lnea recta ndice estacional, para los
meses de febrero, octubre, noviembre y diciembre se recomienda
realizar mayor publicidad, ya que segn la tabla muestra en esos
meses el valor ms bajo en demanda estimada, lo cual no es muy
benfico para la tienda.
2.9. APLICACIONES
Este modelo de pronstico es apropiado para cuando se conoce la

tendencia y con la ayuda de los ndices estacionales indicamos el valor
en que aumenta o disminuye la tendencia a causa del componente
estacional, ya que nos permite hallar el valor esperado o pronostico
cuando existen fluctuaciones peridicas de la serie de tiempo.
23
23
III. PRONSTICO CON REDES NEURONALES ARTIFICIALES
Una red neuronal es un sistema que permite establecer una relacin lineal o
no lineal entre las salidas y las entradas. Sus caractersticas estn inspiradas
en el sistema nervioso lo que les da varias ventajas tales como su capacidad
de aprendizaje adaptativo, son auto-organizativas, pueden funcionar en
paralelo en tiempo real y ofrecen tolerancia a fallos por la codificacin
redundante de la informacin.
Desde el punto de vista de solucionar problemas, las redes neuronales son
diferentes de los computadores convencionales que usan algoritmos
secuenciales, mientras que las redes neuronales actan como el cerebro
humano, procesando la informacin en paralelo, y tambin pueden aprender
y generalizar a situaciones no incluidas en el proceso de entrenamiento. Las
redes neuronales pueden procesar informacin de forma ms rpida que los
computadores convencionales, pero tienen la desventaja de que no
podemos seguir su respuesta paso a paso como se puede hacer al ejecutar
un programa convencional en un ordenador por lo que no resulta fcil
detectar los errores.
Las redes neuronales artificiales son muy efectivas para resolver problemas
complicados de clasificacin y reconocimiento de patrones. La ms utilizada
es la llamada de propagacin hacia delante. La figura 1 muestra una red de
propagacin hacia delante con dos capas ocultas. El nmero de entradas es
directamente dependiente de la informacin disponible para ser clasificada
mientras que el nmero de neuronas de salida es igual al nmero de clases
a ser separadas. Las unidades de una capa se conectan unidireccionalmente
con las de la siguiente, en general todas con todas, sometiendo a sus salidas
a la multiplicacin por un peso que es diferente para cada una de las
conexiones.
24
24
Fig. 5: Red neuronal de propagacin hacia adelante
Las Redes Neuronales Artificiales han sido empleadas para resolver

numerosos problemas. Entre estos estn los econmicos y financieros,
destacando en gran medida su aplicacin en la prediccin de series
temporales y su capacidad para detectar y explotar la no-linealidad existente
en los datos, aun en condiciones donde existen datos incompletos o la
presencia de ruido; tambin se destacan por su desempeo en la solucin
de problemas complejos, donde el reconocimiento de modelos o
comportamientos es importante.
Trippi, R. R. y E. Turban, "Neural networks in finance and investing", Edicin

Revisada, 821, McGraw Hill, Nueva York, Estados Unidos (1996).
REDES NEURONALES Y PRONSTICO DEL PRECIO DE ACCIONES
Para el desarrollo del modelo se procedi a recopilar los datos histricos del
precio de las acciones de Ecopetrol y preferencial Bancolombia, las cuales
se negocian simultneamente en las bolsas de valores de Colombia y Nueva
York. Esta informacin fue obtenida del sitio web de la bolsa de valores de
Colombia (www.bvc.com.co). Las variables de entrada corresponden a los
25
25
precios de cierre diarios en pesos colombianos y como salida nica se tiene

el precio a pronosticar para el da siguiente.
La red que se utiliz fue el perceptrn multicapa con conexiones hacia

adelante, porque dentro del marco de las redes de neuronas, el perceptrn
ha mostrado ser una de las arquitecturas ms tiles en la resolucin de este
tipo de problemas. Esto es debido, fundamentalmente, a su capacidad como
aproximador universal. La arquitectura de esta red, se caracteriza porque
tiene sus neuronas agrupadas en capas de diferentes niveles. Cada una de
las capas est formada por un conjunto de neuronas y se distinguen tres
tipos de capas diferentes: la capa de entrada, la capa de salida y la capa
oculta. Cada neurona posee su respectivo nivel de umbral y la funcin de
transferencia utilizada en todas las neuronas fue la tangente hiperblica.
Algoritmo de Aprendizaje
La regla o algoritmo de aprendizaje es el mecanismo mediante el cual se van

adaptando y modificando todos los parmetros de la red. En el caso del
perceptrn multicapa se trata de un algoritmo de aprendizaje supervisado;
es decir, la modificacin de los parmetros se realiza para que la salida de
la red sea lo ms prxima posible a la salida proporcionada por el supervisor
o salida deseada. Por tanto, el proceso de aprendizaje de la red es
equivalente a encontrar un mnimo de la funcin error. El algoritmo de
aprendizaje utilizado fue del tipo Levenberg Marquardt porque en general ha
mostrado tener una convergencia ms rpida, es decir, requiere menor
cantidad de iteraciones para llegar al nivel de error especificado.
Y. M. Tenorio y J. G. Rodrguez, Pronstico de la concentracin de ozono en

Guadalajara-Mxico usando redes neuronales artificiales, Revista
Informacin Tecnolgica, 19 (3), 89-96 (2008).
Proceso de Aprendizaje
El objetivo del aprendizaje o entrenamiento de la red, es ajustar los

parmetros de la red, pesos y umbrales, con el fin de que las entradas
presentadas produzcan las salidas deseadas, es decir con el fin de minimizar
la funcin de error. En lo que respecta al nmero de capas y neuronas por
26
26
capa, no existe un mtodo o regla que determine el nmero ptimo de

neuronas ocultas para resolver un problema dado, generalmente se
determinan por prueba y error, es decir partiendo de una arquitectura ya
entrenada, se realizan cambios aumentando y disminuyendo el nmero de
neuronas ocultas y el nmero de capas hasta conseguir la arquitectura que
se ajuste a la solucin del problema. La seleccin de la mejor estructura en
este trabajo se determin por medio de las medidas tradicionales de
evaluacin del pronstico dentro y fuera de la muestra, descritas en la
siguiente seccin.
Villada, F., E. Garca y J. D. Molina, Pronstico del precio de la energa

elctrica usando redes neuro-difusas, Revista Informacin Tecnolgica, 22
(6), 111-120 (2011).
Modelo de pronstico con redes neuronales
En este trabajo se probaron diferentes estructuras de redes neuronales con

una capa oculta, partiendo de un nmero de neuronas igual al promedio
entre el nmero de entradas y el nmero de salidas. Luego se increment
gradualmente el nmero de neuronas en dicha capa hasta obtener la
estructura ms recomendable para el pronstico del precio de las acciones
estudiadas.
La seleccin de la mejor estructura de red, se realiza considerando las

siguientes medidas de evaluacin dentro y fuera de la muestra:
RMSE (Raiz del error medio cuadrtico) y el MAPE (Error absoluto

porcentual promedio), calculados mediante las ecuaciones 1 y 2.
Donde:
- n Es el nmero de observaciones consideradas,
27
27
- y Es el precio real
- y't Es el precio estimado por el modelo.
Este trabajo est dirigido a las necesidades de un swing trader (tcnica

de inversin que utiliza los grficos que la cotizacin de las acciones)
operando en la bolsa de valores de Colombia, cuyo objetivo
fundamental es tener una idea del valor futuro de una accin en los
prximos das; de esta forma se escogi un horizonte de prediccin de
un mes para el cual se encontr que la red neuronal se entrenaba
adecuadamente con los datos de los cinco meses anteriores.
En la Tabla N09 se presentan los resultados para las acciones de

Ecopetrol y Preferencial Bancolombia respectivamente con las
medidas de evaluacin dentro y fuera de la muestra de las diferentes
estructuras de red entrenadas; donde r corresponde al nmero de
rezagos considerados y nn el nmero de neuronas en la capa oculta.
De un conjunto total de 124 datos de precios de cierre diarios

correspondientes a seis meses de negociacin comprendidos entre el
1 de abril de 2011 y el 30 de septiembre 2011, se tomaron 102 para
entrenamiento (cinco meses) y se dejaron 22 datos correspondientes
a un mes completo para pronstico fuera de la muestra.
28
28
Tabla N09: Desempeo del valor de las acciones con una variable de entrada
Los resultados de la Tabla N09 muestran en general un buen desempeo

de las estructuras de redes estudiadas para modelar el comportamiento de
ambas acciones, sin embargo, se destacan los indicadores de la estructura
2/8/1 con dos rezagos de tiempo en la capa de entrada y 8 neuronas en la
capa oculta donde se tienen unos errores bajos tanto dentro como fuera de
la muestra.
Se aprecia como una misma estructura de red es suficiente para describir

ambas acciones.
Dado el impacto que tiene la situacin econmica de los pases ricos sobre
el comportamiento de las bolsas de valores de las economas emergentes,
se involucra en el anlisis una segunda variable de entrada que pretende
medir dicho efecto sobre las acciones analizadas. En este caso se escogi
29
29
el ndice del dlar americano DXY, el cual pondera diariamente el

comportamiento del dlar estadounidense frente a una canasta de las seis
monedas ms importantes.
(http://investigaciones.bancolombia.com/espanol/glosariobco/glosarioGrup
o2.asp)
En la ltima dcada se ha podido apreciar que este ndice ha mantenido una

buena correlacin con el desempeo de la economa mundial,
deprecindose en pocas de alto crecimiento y aprecindose en
temporadas de crisis o incertidumbre, ya que en este ltimo caso los
inversionistas liquidan sus activos en renta variable en las economas
emergentes buscando refugio en el dlar americano.
En la Tabla N10 se muestran los resultados para las estructuras de red con
dos variables de entrada, observndose una leve mejora en los indicadores
de desempeo para el caso de dos rezagos de tiempo. Se destaca que
siguen siendo coherentes los resultados de cada estructura para ambas
acciones estudiadas.
Un nmero de rezagos de tiempo superior a dos, empeora el desempeo de

la red dado que se aprecia un incremento en los indicadores.
30
30
Tabla N10: Desempeo del valor de las acciones con dos variables de
entrada
ANLISIS DE RESULTADOS
Las estructuras encontradas de redes neuronales mostraron un buen

comportamiento dentro y fuera de la muestra. Un nmero de neuronas en la
capa oculta superior a seis, ocasiona una disminucin de los indicadores de
error dentro de la muestra a la par con un incremento de los mismos fuera
de la muestra, lo cual indica que en estos casos la red memoriza cada vez
ms los datos de entrenamiento, pero pierde la capacidad de
generalizacin. Dado que la hiptesis de un mejor desempeo de las redes
al incorporar el ndice del dlar estadounidense DXY como segunda variable
de entrada se cumpli parcialmente, es decir, para el caso de dos rezagos
de tiempo; se procedi a entrenar nuevas estructuras de redes con
diferentes rezagos de tiempo en el precio, pero acotando el ndice DXY a
dos rezagos.
31
31
En la Tabla N11 se muestran las mejores estructuras encontradas tomando

como referencia los indicadores de desempeo fuera de la muestra. En el
caso de Ecopetrol se tiene una estructura con seis neuronas en la capa
oculta, donde la red RNA1 modela el comportamiento de la accin con
cuatro rezagos de tiempo en el precio como nica variable de entrada,
mientras que la red RNA2 incluye los cuatro rezagos tanto en el precio como
en el ndice DXY; la red RNA3 restringe a dos el nmero de rezagos en el
ndice DXY. Para la accin Preferencial Bancolombia, las estructuras
presentan cuatro neuronas en la capa oculta, donde RNA4 trabaja slo con
cuatro rezagos de tiempo en el precio, RNA5 incluye cuatro rezagos tanto
en el precio como en el ndice DXY y la red RNA6 limita a dos el nmero de
rezagos en el ndice DXY.
Las figuras 6 y 7 muestran el desempeo de la red RNA3 tanto dentro como

fuera de la muestra (pronstico) para el precio de la accin de Ecopetrol en
pesos colombianos (Col-$); en las figuras 8 y 9 se tienen los resultados en
pesos colombianos para la accin Preferencial Bancolombia (Pfbcolom) con
la red RNA6. En todos los casos se encuentra que los pronsticos arrojados
son muy prximos a la realidad.
Tabla N11: Comparacin de resultados con diferentes rezagos de

tiempo
32
32
Fig. 6: Pronstico Ecopetrol dentro de la muestra
Fig. 7: Pronstico Ecopetrol fuera de la muestra
Fig. 8: Pronstico Pfcolom dentro de la muestra
33
33
Fig. 9: Pronstico Pfcolom fuera de la muestra
34
34
IV. MTODO DE FOURIER

4.1. RESEA HISTRICA
La historia del anlisis de Fourier tiene ms de 200 aos. Sus orgenes
principian unos 60 aos antes del momento en que Jean Baptiste Joseph
Fourier present la primera versin de su trabajo sobre la teora de la
conduccin del calor a la Academia de Pars (1807). El ao 1750 es un
buen punto de partida: Fernando VI era rey de Espaa, y Jorge II de
Inglaterra; las colonias de Amrica del norte estaban en medio de las
guerras con los nativos y los franceses; unos aos despus Carlos III
creaba el virreynato del Ro de la Plata (1776). Voltaire, Rousseau y Kant
estaban escribiendo sus libros en Europa; Bach acababa de morir, y
Mozart estaba pronto a nacer; y el clculo de Leibnitz y Newton, publicado
75 aos antes, estaba permitiendo la creacin de poderosas nuevas
teoras sobre la mecnica celeste y la mecnica del continuo. En ese
momento los esfuerzos de los fsicos y matemticos se concentraban en
dos problemas principales, que sentaran las bases de lo que
posteriormente se conocera como anlisis de Fourier:
o El problema de la cuerda vibrante o la propagacin del sonido en
un medio elstico.
o La determinacin de las rbitas de los planetas a partir de
mediciones.
4.2. CONCEPTO
El mtodo de Fourier est basado en la separacin de variable, y
superposicin de soluciones. Aplicamos en la solucin de la ecuacin
de onda unidimensional. Suponemos una solucin separable de (c) en
la forma:
(, ) = ()()(4 )
De modo que separando variables se obtiene el par de ecuaciones

diferenciales ordinarias:
35
35
2 ()
= (5 )
2
2 ()
= 2 (5 )
2
Ahora podemos obtener las funciones X y T resolviendo estas

ecuaciones, pero debemos asegurarnos de que la solucin u(x,t) dada
por (c4) satisface los valores de contorno, (c1), es decir:
(0, ) = (0)() = 0, (, ) = ()()
Luego asumiendo T(t) 0, tenemos X(0)=X(L)=0.
Se puede analizar los casos l =0, l >0, l< 0.
Caso 1: si I=0 entonces en (c6)
X(x)=Ax+B
Considerando las condiciones iniciales (c1) se obtiene A=0, B=0, luego
X(x)=0 y entonces u(x,t)=0.
Caso 2: si I>0, I=w^2, entonces (c6) nos conduce a
() = +
Que juntando con (c1) nos proporciona A=B=0. De nuevo resulta la

solucin trivial u(x,t)=0
Caso 3: Si I<0, I=- 2 . Entonces en este caso (c1) nos da:

() = () + () (9)
De la que podemos deducir, usando (c6), la solucin no trivial

u(x,t)=Bsen(wx), B es arbitrario con sen(wL)=0, de donde el parmetro
tiene la forma:
36
36
Si r=0 da w=0, se excluye ya que da como resultado la solucin trivial

u(x,t)=0. Ahora resolviendo (c7) con l =-w2 tenemos:
() = () + () (10)
En donde C y D son constantes de integracin. Luego segn(*), la

solucin (c4) tiene la forma:
(, ) = ()() = ()[() + ()] (11)
En donde hemos hecho la constante B igual a la unidad para simplifica.

Ahora, por (*) vemos que existe un conjunto discreto infinito de valores
de w(los valores propios o valores caracterstico) y en consecuencia a
cada valor de w le corresponder una solucin particular(la funcin
propia o funcin caracterstica) que tiene la forma(c11), estas son:
Y as sucesivamente, siendo C1, C2, ..., Cr , D1, D2, ..., Dr,... ;

constantes arbitrarias, cada una de estas expresiones de u(x,t)=0 es
una solucin de la ecuacin de ondas que satisface las condiciones de
contorno dada. Ahora dado que (c) es una ecuacin lineal, toda
combinacin lineal de estas ecuaciones es asimismo una solucin. Por
consiguiente tomamos la combinacin lineal,
37
37
como solucin general de (c) que satisface las condiciones de contorno.

Las constantes arbitrarias Cr y Dr de esta solucin debern elegirse de
forma que se satisfagan las condiciones de contorno en t=0.
Consideremos en primer lugar,
U(x,0)=f(x), 0 x L, Entonces, haciendo t=0 en (c13) tenemos:
Anlogamente aplicando la condicin,
se satisface derivando (c13) respecto de t y haciendo t=0, obtenemos:
Ahora podemos determinar los conjuntos de coeficientes C y D, a partir

de (c14) y (c15) mediante la tcnica de las series de Fourier,:
en donde r= 1,2,3, ... Luego, sustituyendo (c16), (c17) en (c13) tenemos

la solucin,
38
38
En la que hemos escrito x para distinguir la variable de integracin de

la variable dependiente x. Esta funcin es una solucin de (c) que
satisface las condiciones de contorno (c1), (c2) y (c3).
Una serie de Fourier puede usarse algunas veces para representar una
funcin dentro de un intervalo. Si una funcin est definida sobre toda
la recta real, puede representarse con una serie Fourier si es peridica.
Si no es peridica, entonces no puede representarse con una serie
Fourier para todo x. Aun en este caso es posible representar la funcin
en trminos de senos y cosenos, pero la serie de Fourier se convierte
en una integral de Fourier. La motivacin proviene de considerar
formalmente las series de Fourier como funciones con perodo 2T y
hacer tender T al infinito.
4.3. FUNCIONAMIENTO
Para explicar el funcionamiento de la transformada de Fourier,

partiremos de su formulacin bsica y explicaremos los conceptos
fundamentales.
Donde 'N' es el nmero de muestras de la ventana que se va a analizar,

'T' es el periodo de muestreo (inverso a la frecuencia de muestreo que
denominaremos '!'), 'n' es el ndice de la frecuencia cuyo valor
queremos obtener y 'm(kT) , indica la muestra tomada en el instante
'kT' (muestra Ksima) de la ventana. Algunos de estos valores se
ilustran en la figura:
39
39
Fig.10: Seal muestreada, con indicaciones del significado de m(k),T,kT
El valor del parmetro 'n' determina la frecuencia concreta que se va a

analizar, es decir, representa una de las frecuencias en las que se va a
tratar de descomponer la seal de partida, de esta manera, para hacer
el estudio con todas las frecuencias, usamos el rango completo de
variacin de 'n'.
2 2
= + cos( ) + sin( )

2 2
= + cos( ) + sin( )

2 2 2 2 2 2
cos( ) = cos( ) + cos( ) + cos( )sin( )

2 2 2 2 2 2
sin( ) = sin( ) + cos( )sin( ) + (sin )

40
40
4.5. EJEMPLO
4.5.1. DATOS
Tabla N12: Datos de la demanda de productos de limpieza de la empresa
san juan S. A en el ao 2012
t 1 2 3 4 5 6 7 8 9 10 11 12
D 10 20 30 30 20 15 12 22 32 32 21 14
4.5.2. GRFICA
35
30
25
DEMANDA
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12
TIEMPO
Fig.11: Demanda vs tiempo de los productos de limpieza
41
41
4.6. PROCESAMIENTO DE DATOS
=6 = 3.1416
Resolviendo el sistema de ecuaciones obtenemos:
= 21.5 = 8.916 = 5.629

Ecuacin de pronstico:
2 2
= 21.5 8.916 cos(
) 5.629 sin( )

4.7. PROYECCIONES
Para los siguientes periodos, donde t = 13, 14, 15, 16, 17, 18, 19, 20,
21, 22, 23, 24.
2 2
= 21.5 8.916 cos(
) 5.629 sin( )

13 = 21.5 8.916 cos (213) 5.629 sin( 213)

13 = 12.17

6 6
42
42
14 = 21.5 8.916 cos (214) 5.629 sin( 214)

14 = 21.08

6 6
15 = 21.5 8.916 cos (215) 5.629 sin( 215)

15 = 30.42

6 6
16 = 21.5 8.916 cos (216) 5.629 sin( 216)

16 = 30.83

6 6
17 = 21.5 8.916 cos (217) 5.629 sin( 217)

17 = 21.92

6 6
18 = 21.5 8.916 cos (218) 5.629 sin( 218)

18 = 12.58

6 6
19 = 21.5 8.916 cos (219) 5.629 sin( 219)

19 = 12.17

6 6
20 = 21.5 8.916 cos (220) 5.629 sin( 220)

20 = 21.08

6 6
21 = 21.5 8.916 cos (221) 5.629 sin( 221)

21 = 30.42

6 6
22 = 21.5 8.916 cos (222) 5.629 sin( 222)

22 = 30.83

6 6
23 = 21.5 8.916 cos (223) 5.629 sin( 223)

23 = 21.92

6 6
24 = 21.5 8.916 cos (224) 5.629 sin( 224)

24 = 12.58

6 6
43
43
35
30
25
DEMANDA
20 Demanda Inicial
15
10 Demanda
5 Pronosticada
0
1 2 3 4 5 6 7 8 9 10 11 12
TIEMPO
Fig.12: Demanda vs tiempo de datos pronosticados
4.8. NIVEL DE CONFINZA

)2
(
= + 2
2

1

S + 2
2

12 0.427 15.11 9.22
21 0.107 24.03 18.14
30 0.016 33.36 27.47
31 0.063 33.78 27.89
22 0.334 24.86 18.97
13 0.531 15.53 9.64
12 0.003 15.11 9.22
21 0.076 24.03 18.14
30 0.228 33.36 27.47
31 0.124 33.78 27.89
22 0.076 24.86 18.97
13 0.182 15.53 9.64
2.167
44
44
NIVEL DE CONFIANZA
40
35
30
25
D -2S
20
D
15
D +2S
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12
Fig.13: Demanda vs tiempo de nivel confianza
4.9. INTERPRETACIN
45
45
GRAFICO PRONOSTICADO
35
30
25
20
D. PRON.
15
D. REAL
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Fig.14: Demanda real vs demanda pronosticada
Segn el modelo de Fourier se recomienda a la empresa que para los meses

siguientes de enero, febrero, marzo y abril aumente la produccin, ya que en
estos meses habr mayor de manda, y para los meses de mayo, junio, julio,
agosto la produccin disminuir y el ciclo se repite sucesivamente.
46
46
V. MODELO DE PRONSTICO MEDIANTE LA FUNCIN DE GOMPERTZ

5.1. FUNCIN DE COMPERTZ
Una curva de Gompertz o funcin de Gompertz, es una funcin
sigmoide . Es un tipo de modelo matemtico para una serie de tiempo ,
donde el crecimiento es ms lenta en el inicio y el final de un perodo de
tiempo. El derecho o valor futuro asntota de la funcin se acercaron
mucho ms gradualmente por la curva de la izquierda o poco valoradas
asntota, en contraste con la sencilla funcin logstica en la que ambas
asntotas son abordados por la curva simtricamente. Es un caso
especial de la funcin logstica generalizada .
El modelo de Gompertz es un modelo matemtico que en
principio y final es lento, y su desarrollo es rpido. (Juan de Dios
Ortzar, 2008, pg. 654)
La ecuacin de modelo de Gompertz es:
Para
T > 0 siendo k y b constantes positivas.
N(t): tamao de una poblacin en un instante t.
K: Constante positiva, que indica el tamao mximo que puede
alcanzar la poblacin.
b: Constante relacionada con la capacidad proliferada de la poblacin.
Propiedades del Modelo de Gompertz.
Posee un valor inicial cuando t = - y el valor de K en el tiempo t = +

A diferencia del modelo logstico esta curva no es simtrica

El punto de inflexin se produce cuando N =
47
47
5.2. GRFICA DEL MODELO
Fig.15: Modelo matemtico para una serie de tiempo
Con , siendo a una condicin inicial

del problema.
5.3. APLICACIONES DEL MODELO DE GOMPERTZ

Las aplicaciones son variadas, una de ella puede ser la adquisicin de
algn producto tecnolgico como un celular o un notebook en un
principio es sper lenta su venta ya que su precio inicial era muy alto
en un principio, al pasar el tiempo el costo de este empieza a bajar y
la venta del producto empieza a acelerar hasta que llega a un precio
mnimo y las personas ya no adquieren el producto porque ya ha
pasado de moda y hay productos ms modernos y mejores.
Se ha logrado modelar el crecimiento de los tumores y canceres en las
personas a travs de este modelo.
El crecimiento de microorganismos y de la geometra espectral de los
materiales qumicos.
5.4. MODELOS DE SERIES DE TIEMPO

Por serie de tiempo nos referimos a datos estadsticos que se
recopilan, observan o registran en intervalos de tiempo regulares
(diario, semanal, semestral, anual, entre otros).
48
48
El trmino serie de tiempo se aplica por ejemplo a datos registrados

en forma peridica que muestran, por ejemplo, las ventas anuales
totales de almacenes, el valor trimestral total de contratos de
construccin otorgados, el valor trimestral del PIB.
Analizar una serie de tiempo
tiene como objetivos, entre otros:
Determinar si se presentan ciertos patrones o pautas no aleatorias
Aislar y entonces estudiar sus componentes a fin de proporcionar
claves para movimientos futuros
Hace posible pronosticar los movimientos futuros, as como otros
aspectos que estn sincronizados
Para llevar a cabo un anlisis de este tipo, primero se deben identificar
los componentes de la serie de tiempo, despus aplicar las tcnicas
estadsticas para su anlisis y, finalmente, hacer las proyecciones o
pronsticos de eventos futuros. De esta forma, el anlisis de series de
tiempo es el procedimiento por el cual se identifican y aslan los
factores relacionados con el tiempo que influyen en los valores
observados en las series de tiempo para que una vez identificados,
estos factores puedan contribuir a la interpretacin de valores
histricos de series de tiempo y hasta entonces pronosticar valores
futuros de series de tiempo.
Fuente: Matemtica para Administracin,2012
5.5. EJEMPLO
Ann Hickman, gerente de Specific Motors, debe pronosticar las ventas
de motores de su empresa. Ella cree que las ventas durante los aos
anteriores son representativas de las ventas del futuro. Desarrolle un
pronstico para estimar las ventas del siguiente ao. Sabiendo que las
ventas histricas fueron:
Este problema es del tipo Series de Tiempo, en

49 as a un conjunto de valores
Estadstica se le llama
observados durante una serie de perodos temporales
49
secuencialmente ordenada, tales perodos pueden ser
Tabla N13: Datos iniciales de las ventas
T D (Unid.)
0 60
1 80
2 100
3 110
4 210
5 220
6 460
7 480
8 490
9 500
10 510
11 520
Solucin:
Para la solucin de este problema aplicaremos la formula

D =
Donde:
t: Nmero de periodos
50
50
D: Demanda
a, b, c: Parmetros
n: Nmero de datos que componen cada terna
Pero para poder aplicar la frmula, primero debemos linealizarla
a. Aplicamos logaritmos para linealizar la frmula
= +
b. Como a, b, c son parmetros entonces vamos a despejarlos
()
Log b = ( )

Log a = [
]

Donde:
t: Nmero de periodos
D: Demanda
a, b, c: Parmetros
n: Nmero de datos que componen cada terna
D Log D
60 1.7782
51
51
Ahora ya con 80 1.9031 las variables

despejadas, 100 2.0000 vamos a resolver el
modelo 110 2.0414 planteado.
- Clculo del 210 2.3222 valor

220 2.3424
Tabla N14: Calculo del parmetro "D"
460 2.6628
480 2.6812
490 2.6902
500 2.6990
510 2.7076
520 2.7160
- Clculo del Obtenemos la suma de estos datos y las agrupamos en

tres partes iguales, con grupos de 4 datos cada uno
S1 1.7782 + 1.9031 + 2.0000 + 2.0414 = 7.7226

=
S2 2.3222 + 2.3424 + 2.6628 + 2.6812 = 10.0086
=
S3 2.6902 + 2.6990 + 2.7076 + 2.7160 = 10.8127
=
52
52
- Calculamos las diferencias de las sumas obtenidas
d1 = S2 S1 --> 2.2860
d2 = S3 S2 --> 0.8041
- Lo resumimos todo en un cuadro
Tabla N15: Resumen de Datos
t D Log D SUMA DIFERENCIA

0 60 1.7782
1 80 1.9031
7.7226
2 100 2.0000
2.2860 d1
3 110 2.0414
4 210 2.3222
5 220 2.3424
10.0086
6 460 2.6628
7 480 2.6812
8 490 2.6902
0.8041 d2
9 500 2.6990
10.8127
10 510 2.7076
11 520 2.7160
- Ahora calculamos el parmetro a, b y c.

o El parmetro "c" ser igual a:
Donde n: # de datos que consta cada tercio de la agrupacin de la

serie histrica.
o El log b ser igual a:
53
53
Tabla N16: Calculo del parmetro "b"
log b = d1 (c-1)
(cn -1)2
log b = 2.286(0.7701-1)
(0.77014-1)2
log b = -0.5255514
0.420275958
log b = -1.2505
Donde log b <=0
o Calculamos el log a:
log a =
log a= 2.8122
- Obtenidos los parmetros c; log a; log b. Sustituimos en la

funcin:
a= antilog(2.8122)
a= 10 2.8122
a= 648.9332
54
54
b= antilog(-1.2505)
b= 10 -1.2505
b= 0.0562
- Ahora reemplazamos los datos en el modelo:
D= (648.9332) (0.0562)0.7701^t
- Construccin del modelo matemtico
o Escribimos el modelo en su forma original sustituyendo los
valores de los parmetros, la ecuacin estimada vendra a
ser el modelo estimado o pronosticado:
o Luego comprobamos si el modelo es correcto,

reemplazando t en la ecuacin estimada, pero esta
ecuacin tiene que estar linealizada. Reemplazamos la sgte.
Ecuacin:
o Para el periodo t = 1
log D = log (648.9332) + (0.7701) log(0.0562)

log D1 = 1.8494
- Aplicamos antilogaritmo
D1 = Antilogaritmo(1.8494)
D1 = 70.6968
- Por lo cual comprobamos que el modelo est bien, ya que D =

70.6968 es cercano a D= 60
Realizamos las proyecciones
- Para proyectar la serie se trabajan con la frmula:
55
55
- Se sustituye los valores de t por el nmero de periodos cuya serie

empieza con el periodo cero; luego encontramos el antilogaritmo
(log D) para encontrar el valor de D proyectando en nmeros
naturales.
- Proyeccin para el periodo 12, entonces t = 13 periodos (t: Numero
de periodos):
log D = Log (648.9332) + (0.7701)12 log(0.0562)

log D = 2.7578
- Aplicamos antilogaritmo
D = antilogaritmo(2.7578)
D = 572.5323
- Proyeccin para el periodo 13, entonces t = 14 periodos:
log D = log(648.9332) + (0.7701)14 log(0.0562)

log D = 2.7799
- Aplicamos antilogaritmo:
D = Antilogaritmo (2.7799)
D = 602.4209
Nivel de Confianza
- Mediante un intervalo de confianza del 95% de ser estimar la

demanda para el periodo 12 entonces t = 13 periodos (t: Nmeros
de periodos):
56
56
D = 572.532 D: 572.5323 2(179.1378

3 )
S= 179,137
8
Lmite 214.256 215
inferior: 7
Lmite 930.807 931
superior 9
Interpretacin
Las ventas de motores de para Specific Motors para el siguiente

periodo es:
D = 572.5323 573
Se estima que las ventas de motores de la empresa Specific
Motors es de 573 motores en promedio, para el periodo 12
(aos). Y adems se estim con un intervalo al 95% de
confianza que la demanda promedio en el periodo mencionado
anteriormente va a variar entre 215 y 931 motores por la
empresa. Lo que representa es que las ventas en la empresa
Specific Motors conforme el periodo de tiempo avance, la
demanda va aumentar lo cual sera factible para la empresa.
57
57
VI. MODELO PROMEDIO MVIL SIMPLE

El mtodo de promedio simple se usa, para pronosticar, Ia media de
todos los datos, a continuacin, presentamos la formula a usar:
Donde:
= Promedio mvil en el periodo t.
+1 = Valor de pronstico para el siguiente periodo.
= Valor real en el periodo.
n= nmero de trminos en el promedio mvil.
Segn G. Reitsch, J.E., (1996), Pronsticos en los negocios,
Mxico, Editorial PEARSON Educacin
La Desviacin Estndar es un ndice numrico de la dispersin de un
conjunto de datos (o poblacin). Mientras mayor es la desviacin
estndar, mayor es la dispersin de la poblacin. La desviacin estndar
es un promedio de las desviaciones individuales de cada observacin con
respecto a la media de una distribucin. As, la desviacin estndar mide
el grado de dispersin o variabilidad.
Cuya frmula es:
=( )

=

Utilizamos las siguientes formulas:

Error Medio
Cuya frmula es:
=( )
=

Error Medio Absoluto

Cuya frmula es:
58
58
= | |
=

Ahora aplicaremos las formulas mencionadas anteriormente en los

siguientes ejemplos:
EJEMPLO
Una Empresa presenta en el siguiente tabulado el reporte de demandas
de ventas correspondientes al ao 2016. El pronstico se da con un
promedio mvil de 3 meses. En que tiempos se recomiendan a la
empresa aumentar su produccin.
Se presentan los datos en la siguiente tabla:
Tabla N17: Demanda en unidades monetarias
T D
1 10
2 12
3 13
4 16
5 19
6 23
7 26
8 30
9 28
10 18
11 16
12 14
59
59
- Modelo matemtico
+ + + +
+ =

Tabla N18: Procesamiento de datos
DEMANDA PROMEDIO
T LCI LCS S Error X-X' (X-X)^2
REAL MOVIL
1 10
2 12
3 13
4 16 11.667 -2.975 26.309 3.064 4.333 4.333 18.778
5 19 13.667 -0.975 28.309 3.771 5.333 5.333 28.444
6 23 16.000 1.358 30.642 4.950 7.000 7.000 49.000
7 26 19.333 4.691 33.975 4.714 6.667 6.667 44.444
8 30 22.667 8.025 37.309 5.185 7.333 7.333 53.778
9 28 26.333 11.691 40.975 1.179 1.667 1.667 2.778
10 18 28.000 13.358 42.642 7.071 -10.000 10.000 100.000
11 16 25.333 10.691 39.975 6.600 -9.333 9.333 87.111
12 14 20.667 6.025 35.309 4.714 -6.667 6.667 44.444
Suma 225 6.33333333 58.3333333 428.777778
promedio 18.75
- Simulando para:
4
= :
+ + + + +
+ = = = .

5
= :
+ + + + +
+ = = = .

6
= :
60
60
+ + + + +
+ = = =

13 = :
+ + + + +
+ = = = .

Tabla N19: Proyecciones de venta
DEMANDA PROMEDIO
T
REAL MOVIL
1 10
2 12
3 13
4 16 11.667
5 19 13.667
6 23 16.000
7 26 19.333
8 30 22.667
9 28 26.333
10 18 28.000
11 16 25.333
12 14 20.667
Suma 225
promedio 18.75
- Error estndar de la demanda mensual
Tabla N20: Error estndar de la demanda mensual
S 7.321
Error medio 0.792
Error medio
absoluto 7.292
()2
= = 7.32
1
61
61
o Intervalos de Confianza 2 Sigma:

= + +

= +
- Interpretacin
Fig.16: Demanda real
Fig.17: Demanda real versus promedio mvil
INTERVALOS DE CONFIANZA
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12
-20
DEMANDA REAL PROMEDIO MOVIL

LCI LCS
62
62
Fig.18: Intervalos de confianza
Se recomienda a la empresa, aumentar su produccin en los tiempos 10,

11, 12 ya que su demanda tendr un incremento y en el intervalo de
tiempo de 4 hasta 9 tendr posiblemente una menor demanda en sus
productos o servicios
VII. PROMEDIO MVIL DOBLE
MTODOS DE PROMEDIO
PROMEDIO DE MVILES:
Con frecuencia, la administracin enfrenta la situacin donde se requiere
actualizar los pronsticos diarios, semanal o mensualmente para inventarios que
contienen cientos de miles de elementos. A menudo no es posible desarrollar
tcnicas sofisticadas de pronstico para cada elemento. En vez de ello, para
llevar a cabo esta tarea, se necesita alguna herramienta de pronstico rpido,
barato, muy sencillo y de corto plazo.
Es probable que un administrador que enfrente tal situacin, emplee una tcnica
de promedio o de atenuacin. Este tipo de tcnicas utilizan una forma de
promedio ponderado de observaciones anteriores para atenuar fluctuaciones de
corto plazo. La suposicin fundamental de estas tcnicas es que las
fluctuaciones en los valores anteriores representan puntos de partida aleatorios
de alguna curva atenuada. Una vez que se identifica esta curva, se puede
proyectar hacia el futuro para producir un pronstico.
El mtodo de promedio simple se usa, para pronosticar (Segn

Wordreference.com - Anunciar un hecho futuro o la evolucin de un proceso
basndose en criterios lgicos o cientficos o a partir del anlisis de los datos de
que se dispone), la media de todos los datos. Pero, qu sucede si el analista
est ms interesado en las observaciones recientes? Se puede especificar como
63
63
conjunto un nmero de puntos de datos y calcular la media para las

observaciones ms recientes. Para describir este enfoque, se emplea el trmino
promedio mvil. Al estar disponible cada nueva observacin, se puede calcular
una nueva media eliminando el valor ms antiguo e incluyendo el ms reciente.
Entonces, se usa este promedio mvil para pronosticar el siguiente periodo. La
ecuacin 1.1 establece el modelo simple de promedio mvil.
En donde:
= promedio mvil en el periodo
+ = valor de pronstico para el siguiente periodo

= valor real en el periodo
= nmero de trminos en el promedio mvil
El promedio mvil (Web: http://es.slideshare.net/pepeOzitt/promedio-movil-

21547862 - Emplea el promedio de los n valores ms recientes de datos en la
serie de tiempos, como pronsticos para el siguiente periodo.) para el periodo t
es la media aritmtica de las n observaciones ms recientes. Ntese que se
asignan ponderaciones iguales a cada observacin. Al hacerse disponible, cada
nuevo punto de datos se incluye en el promedio y se descarta el ms antiguo.
La proporcin (Segn Word Reference.com - Una proporcin es una igualdad

entre dos razones, y aparece frecuentemente en notacin fraccionaria.) de
respuesta a los cambios en el patrn subyacente de los datos depende del
nmero de periodos, 11, que se incluyen en el promedio mvil. Ntese que la
tcnica de promedio mvil se refiere slo a los ltimos 11 periodos de datos
conocidos; el nmero de puntos de datos en cada promedio no cambia al correr
del tiempo.
64
64
El modelo de promedio mvil funciona mejor con datos estacionarios. No maneja

muy bien la tendencia o la estacionalidad, aunque lo hace mejor que el mtodo
de promedio simple.
En un promedio mvil, el analista debe escoger el nmero de periodos n. Un

promedio mvil de orden 1 tomara la ltima observacin y usarla para
pronosticar el siguiente periodo. Para datos trimestrales, los datos en un
promedio mvil de 4 trimestres arrojan un promedio de los 4 trimestres; y para
datos mensuales, un promedio mvil de 12 meses elimina o promedia los efectos
estacionales (Segn Yahoo.com - El efecto estacional es cuando se determina
unas pautas muy semejantes a lo largo del ao de una determinada variable.)
Es frecuente que se utilicen los promedios mviles con datos trimestrales o

mensuales para auxiliar en el examen de los componentes en una serie de
tiempo. Entre mayor sea el orden del promedio mvil, mayor ser el efecto de
atenuacin (Segn Yahoo.com - El efecto de atenuacin al contrario del efecto
estacional arregla el desorden que creo dicho efecto en una determinada variable
o puntos en cuestin). Empleado como un pronstico, un promedio mvil grande
presta poca atencin a las fluctuaciones en la serie de datos.
Un promedio mvil se obtiene encontrando la media de un conjunto

especfico de valores y emplendolo despus para pronosticar el
siguiente periodo
PROMEDIO MVIL DOBLE
Una forma de pronosticar series de tiempo que tienen una tendencia lineal,
consiste en utilizar las tcnicas del promedio mvil doble. El mtodo hace lo que
su nombre implica: se calcula un conjunto de promedios mviles y despus se
calcula un segundo conjunto como promedio mvil del primero.
Primero, se utiliza la ecuacin 1.1 para calcular el promedio mvil.
65
65
+ , entonces se usa la ecuacin 1.2 para calcular el segundo

Dado que =
promedio mvil.
La ecuacin 1.3 se usa

para calcular la diferencia entre ambos promedios mviles.
La ecuacin 1.4 es un factor de ajuste adicional, similar
a la medicin de una pendiente que cambia a travs
de la serie.
Por ltimo, se utiliza la ecuacin 1.5 para realizar el pronstico de periodos m en

el futuro.
En donde:
= nmero de periodos en el promedio mvil
= valor real de la serie en el periodo t
= nmero de periodos a pronosticar hacia el futuro
EJEMPLOS
EJEMPLO1: (Ing. Elas Pesantes - Ejercicio extrado del libro Modelos de

Pronsticos - Ingeniera Estadstica VII Ciclo 2013 I - Pg. 45)
La empresa Movie Video Store funciona con varios distribuidores de renta de
videocintas en Denver, Colorado. La compaa est creciendo y requiere ampliar
su inventario para dar cabida a la creciente demanda de servicios. El presidente
de la compaa asigna a Jill Ottenbreit para que pronostique las rentas del
66
66
prximo mes. Los datos de renta disponibles de las ltimas 15 semanas se

presentan en la tabla 5.4. Como primer paso, Jill intenta desarrollar un pronstico
utilizando un promedio mvil de tres semanas.
El EMC (error medio cuadrado) para este modelo es 133. Puesto que los datos
obviamente tienen tendencia, Jill encuentra que sus pronsticos estn
consistentemente subestimados de las rentas reales. Por esta razn, decide
intentar con el promedio mvil doble. Los resultados se presentan en la tabla 5.4.
A continuacin se presentan los clculos para comprender el pronstico para la
semana 16. Se usa la ecuacin 1.1 para calcular el promedio mvil de tres
semanas (columna 3).
- RECOLECCIN DE DATOS
Tabla N21: Datos de Ventas por Semana
PERIODO VENTAS POR

SEMANA (UF)
t Y(t)
1 654
2 658
3 665
4 672
5 673
6 671
7 693
8 694
9 701
10 703
11 702
12 710
13 712
14 711
15 728
16 -
67
67
- FIGURA DE DATOS
A continuacin, presentamos un grfico para observar que
comportamiento sigue la variable ventas de acuerdo con la semana
que encuentre.
X: Periodo en semana.
Y: Ventas por semana.
750 Ventas por semana de Videocintas

Ventas de videocintas
Ventas por Semana de VideoCintas
700
650
0 5 10 15 20
Semana
Fig.19: Ventas de Videocintas por Semana
- MODELO MATEMTICO
+ + + +
=

+ + + +
=

= ( )

+ = +

68
68
- CUADRO DE PROCESAMIENTO
Reemplazando en la formulas propuestas en el tem anterior,
obtenemos el siguiente cuadro proceso:
Tabla N22: Pronstico de promedio mvil doble para movie video store
- MODELO
Simulando para t = 10:
10 + 9 + 8
10 =
3
703 + 701 + 694

= = 699
3
69
69
10 + 9 + 8
10 =

699 + 696 + 686

= = 694
3
=
= () =

= ( )

= ( ) =

+ =
= +
= + () =

=
= =
- PROYECCIONES
Para la semana 14:
+ = +

+ = +

= + ( )

=

De los datos de informacin proporcionada por Jill Ottenbreit se
observa que la demanda para la semana 14 ser de 714 Videocintas.
Para la semana 25:

+ = +

+ = +

= + ( )

=

70
70
De los datos de informacin proporcionada por Jill Ottenbreit se

observa que la demanda para la semana 25 ser de 722 Videocintas.
- NIVEL DE CONFIANZA
En este proceso hallaremos la desviacin estndar de los datos,
para poder conocer la variacin que muestra la venta de
videocintas de 15 semanas, luego aplicaremos un nivel de
confianza del 95% para la obtencin de los intervalos que fluctuara
la demanda en la semana 16.

+ )
(
=

=
Tabla N23: Tabla para nivel de confianza
Periodo
Ventas por Pronostico
por
semana a + (b*p) (Yt - Yt )2
semana
T Yt Yt+1
1 654 - -
2 658 - -
3 665 - -
4 672 - -
5 673 - -
6 671 680 81
7 693 678 225
8 694 689 25
9 701 700 1
10 703 714 121
11 702 709 49
12 710 708 4
13 712 711 1
71
71
14 711 714 9
15 728 717 121
De lo cual obtenemos lo siguiente:
(+1 )2 = 637
(+1 )2
= 45.5
1
= 45.5 = 6.75
Una vez obtenido nuestra sumatoria y la desviacin estndar del

modelo para la semana 16 y aplicando un nivel de confianza del 95%,
72
72
estimaremos parmetros para observar la fluctuacin de las ventas en

la semana 16.
Lmites de venta para la semana 16:
= 0.05
+
:
= + .
= .

:
= .
= .
De donde obtenemos:
La demanda de zapatos para la semana 16 en la empresa Movie

Video Store ser como mnimo 695 videocintas y como mximo se
vendern 741 videocintas en dicha semana.
- INTERPRETACIN
740 Ventas por semana vs Promedio Mvil

720 Ventas por Semana Promedios Mvil Doble
Ventas de videocintas
700
680
660
73
640
0 5 73 10 15 20
Semana
Fig.20: Ventas por Semana vs. Promedio Mvil
En esta grafica observamos que entre la curva descrita por los valores
de la serie de tiempo original y la del segundo promedio mvil existe
una diferencia proporcional. Es en base a esta observacin es que se
utiliza la proporcin de la diferencia existente entre los dos promedios
para estimar los valores reales de la serie de tiempo, ajustando de
esta manera el valor medio o promedio mvil.
EJEMPLO 2: (Ejercicio Obtenido de un canal de YouTube)
Se tienen datos de un censo en Estados Unidos al nmero de casas desde el

ao 1980 hasta 2018. (Fuente: U.S Census Bureau).
Tabla N24: Tabla de datos de miles de casas
t Yt
1980 52993
1981 53862
1982 54891
1983 55494
1984 56475
1985 57682
1986 58612
1987 59631
1988 61176
1989 62514
1990 63450
74
74
1991 65148.215
1992 67289.242
1993 68977.305
1994 70746.93
1995 72176.828
1996 74120.692
1997 75578.055
1998 77678.055
1999 79172.977
2000 80389.672
2001 82130.102
2002 82945.07
2003 83635
2004 85201.727
2005 86553.852
2006 87742.539
2007 88855.219
2008 90234.211
2009 91483.742
2010 91947.406
2011 93183.211
2012 94645.984
2013 95337.828
2014 95955.719
2015 97340.922
75
75
- FIGURA DE DATOS
A continuacin, presentamos un grfico para observar que
comportamiento sigue la variable ventas de acuerdo con el ao que
encuentre.
X: Ao.
Y: Miles de casas.
Miles de casas por Ao

2020
2015
2010
2005
2000
Ao
1995
1990
1985
1980
1975
0 5 10 15 20 25 30 35 40
Fig.21: Miles de casas por ao.
- CUADRO DE PROCESAMIENTO
Reemplazando en la formulas propuestas en el tem anterior,
obtenemos el siguiente cuadro proceso:
76
Tabla N25: Tabla de Cuadro de procedimientos
Pronstico
t Yt Mt(m=4) M't(n=3) at bt
(p=1)
1980 52993
1981 53862
1982 54891
1983 55494 54310.00
0
1984 56475 55180.50
0
1985 57682 56135.50 55208.66 57062.333 926.833
0 7
1986 58612 57065.75 56127.25 58004.250 938.500 57989.167
0 0
1987 59631 58100.00 57100.41 59099.583 999.583 58942.750
0 7
1988 61176 59275.25 58147.00 60403.500 1128.25 60099.167
0 0 0
1989 62514 60483.25 59286.16 61680.333 1197.08 61531.750
0 7 3
1990 63450 61692.75 60483.75 62901.750 1209.00 62877.417
0 0 0
1991 65148.21 63072.05 61749.35 64394.756 1322.70 64110.750
5 4 1 3
1992 67289.24 64600.36 63121.72 66079.006 1478.64 65717.459
2 4 3 2
1993 68977.30 66216.19 64629.53 67802.845 1586.65 67557.647
5 1 6 4
1994 70746.93 68040.42 66285.65 69795.187 1754.76 69389.499
3 9 4
1995 72176.82 69797.57 68018.06 71577.089 1779.51 71549.951
8 6 3 3
77
Pronstico
(p=1)
1996 74120.69 71505.43 69781.14 73229.732 1724.29 73356.602
2 9 6 3
1997 75578.05 73155.62 71486.21 74825.039 1669.41 74954.024
5 6 4 2
1998 77678.05 74888.40 73183.15 76593.658 1705.25 76494.451
5 8 8 0
1999 79172.97 76637.44 74893.82 78381.063 1743.61 78298.908
7 5 6 9
2000 80389.67 78204.69 76576.84 79832.532 1627.84 80124.682
2 0 7 2
2001 82130.10 79842.70 78228.27 81457.124 1614.42 81460.375
2 2 9 3
2002 82945.07 81159.45 79735.61 82583.295 1423.84 83071.547
5 6 0
2003 83635 82274.96 81092.37 83457.549 1182.58 84007.135
1 3 8
2004 85201.72 83477.97 82304.13 84651.819 1173.84 84640.138
7 5 0 4
2005 86553.85 84583.91 83445.61 85722.209 1138.29 85825.664
2 2 6 6
2006 87742.53 85783.28 84615.05 86951.504 1168.22 86860.505
9 0 6 4
2007 88855.21 87088.33 85818.50 88358.160 1269.82 88119.728
9 4 9 6
2008 90234.21 88346.45 87072.69 89620.221 1273.76 89627.985
1 5 0 6
2009 91483.74 89578.92 88337.90 90819.950 1241.02 90893.986
2 8 6 2
2010 91947.40 90630.14 89518.50 91741.780 1111.63 92060.972
6 5 9 5
78
Pronstico
(p=1)
2011 93183.21 91712.14 90640.40 92783.880 1071.73 92853.415
1 3 5 8
2012 94645.98 92815.08 91719.12 93911.047 1095.96 93855.618
4 6 4 2
2013 95337.82 93778.60 92768.61 94788.603 1009.99 95007.009
8 7 2 5
2014 95955.71 94780.68 93791.46 95769.912 989.226 95798.598
9 6 0
2015 97340.92 95820.11 94793.13 96847.091 1026.97 96759.138
2 3 5 8
2016 98706.01 96835.12 95811.97 97858.269 1023.14 97874.069
6 1 3 8
2017 99883.74 97971.60 96875.61 99067.588 1095.98 98881.417
2 0 1 8
2018 101041.2 99242.98 98016.56 100469.39 1226.41 100163.57
4 0 7 3 3 6
- PROYECCIONES
Tabla N26: Tabla con pronstico hasta 2022
t Xt S't(m=4) S''t(n=3) at bt Pronstico

1980 52993
1981 53862
1982 54891
1983 55494 54310.00
0
1984 56475 55180.50
0
1985 57682 56135.50 55208.66 57062.333 926.833
0 7
79

1986 58612 57065.75 56127.25 58004.250 938.500 57989.167
0 0
1987 59631 58100.00 57100.41 59099.583 999.583 58942.750
0 7
1988 61176 59275.25 58147.00 60403.500 1128.25 60099.167
0 0 0
1989 62514 60483.25 59286.16 61680.333 1197.08 61531.750
0 7 3
1990 63450 61692.75 60483.75 62901.750 1209.00 62877.417
0 0 0
1991 65148.21 63072.05 61749.35 64394.756 1322.70 64110.750
5 4 1 3
1992 67289.24 64600.36 63121.72 66079.006 1478.64 65717.459
2 4 3 2
1993 68977.30 66216.19 64629.53 67802.845 1586.65 67557.647
5 1 6 4
1994 70746.93 68040.42 66285.65 69795.187 1754.76 69389.499
3 9 4
1995 72176.82 69797.57 68018.06 71577.089 1779.51 71549.951
8 6 3 3
1996 74120.69 71505.43 69781.14 73229.732 1724.29 73356.602
2 9 6 3
1997 75578.05 73155.62 71486.21 74825.039 1669.41 74954.024
5 6 4 2
1998 77678.05 74888.40 73183.15 76593.658 1705.25 76494.451
5 8 8 0
1999 79172.97 76637.44 74893.82 78381.063 1743.61 78298.908
7 5 6 9
2000 80389.67 78204.69 76576.84 79832.532 1627.84 80124.682
2 0 7 2
2001 82130.10 79842.70 78228.27 81457.124 1614.42 81460.375
2 2 9 3
80

2002 82945.07 81159.45 79735.61 82583.295 1423.84 83071.547
5 6 0
2003 83635 82274.96 81092.37 83457.549 1182.58 84007.135
1 3 8
2004 85201.72 83477.97 82304.13 84651.819 1173.84 84640.138
7 5 0 4
2005 86553.85 84583.91 83445.61 85722.209 1138.29 85825.664
2 2 6 6
2006 87742.53 85783.28 84615.05 86951.504 1168.22 86860.505
9 0 6 4
2007 88855.21 87088.33 85818.50 88358.160 1269.82 88119.728
9 4 9 6
2008 90234.21 88346.45 87072.69 89620.221 1273.76 89627.985
1 5 0 6
2009 91483.74 89578.92 88337.90 90819.950 1241.02 90893.986
2 8 6 2
2010 91947.40 90630.14 89518.50 91741.780 1111.63 92060.972
6 5 9 5
2011 93183.21 91712.14 90640.40 92783.880 1071.73 92853.415
1 3 5 8
2012 94645.98 92815.08 91719.12 93911.047 1095.96 93855.618
4 6 4 2
2013 95337.82 93778.60 92768.61 94788.603 1009.99 95007.009
8 7 2 5
2014 95955.71 94780.68 93791.46 95769.912 989.226 95798.598
9 6 0
2015 97340.92 95820.11 94793.13 96847.091 1026.97 96759.138
2 3 5 8
2016 98706.01 96835.12 95811.97 97858.269 1023.14 97874.069
6 1 3 8
2017 99883.74 97971.60 96875.61 99067.588 1095.98 98881.417
2 0 1 8
81

2018 101041.2 99242.98 98016.56 100469.39 1226.41 100163.57
4 0 7 3 3 6
2019 101695.80
6
2020 102922.21
9
2021 104148.63
2
2022 105375.04
5
Para el ao 2021:
+ = +

+ = +

= . + (. )

= .

Se pronostica que la cantidad de miles de casas para el ao 2021 ser
de 104 148.632
Para el ao 2038:
+ = +

+ = +

= . + (. )

= .

Se pronostica que para el 2038 la cantidad de casas en EE.UU ser de
124 997.653.
- NIVEL DE CONFIANZA
En este proceso hallaremos la desviacin estndar de los datos, para
poder conocer la variacin que muestra los miles de casas desde el ao
2000 hasta 2038, luego aplicaremos un nivel de confianza del 95% para
la obtencin de los intervalos que fluctuara el ao 1999.
82

+ )
(
=

=
Tabla N27: Tabla para nivel de confianza
Pronstico
t Yt (a+b*p) (Yt - Yt )2
Yt
1980 52993
1981 53862
1982 54891
1983 55494
1984 56475
1985 57682
1986 58612 57989.167 387921.361
1987 59631 58942.750 473688.063
1988 61176 60099.167 1159570.028
1989 62514 61531.750 964815.063
1990 63450 62877.417 327851.674
1991 65148.215 64110.750 1076333.626
1992 67289.242 65717.459 2470502.585
1993 68977.305 67557.647 2015427.654
1994 70746.93 69389.499 1842618.467
1995 72176.828 71549.951 392975.400
1996 74120.692 73356.602 583833.146
1997 75578.055 74954.024 389414.377
1998 77678.055 76494.451 1400917.837
1999 79172.977 78298.908 763997.491
2000 80389.672 80124.682 70219.744
2001 82130.102 81460.375 448534.813
2002 82945.07 83071.547 15996.474
83
Pronstico
t Yt (a+b*p) (Yt - Yt )2
Yt
2003 83635 84007.135 138484.272
2004 85201.727 84640.138 315382.392
2005 86553.852 85825.664 530258.370
2006 87742.539 86860.505 777984.418
2007 88855.219 88119.728 540947.747
2008 90234.211 89627.985 367509.458
2009 91483.742 90893.986 347811.648
2010 91947.406 92060.972 12897.180
2011 93183.211 92853.415 108765.292
2012 94645.984 93855.618 624678.941
2013 95337.828 95007.009 109441.376
2014 95955.719 95798.598 24686.982
2015 97340.922 96759.138 338473.204
2016 98706.016 97874.069 692135.672
2017 99883.742 98881.417 1004655.239
2018 101041.24 100163.576 770293.366
De lo cual obtenemos lo siguiente:
(+1 )2 = 21489023.358
(+1 )2
= 565500.6147
1
= 565500.6147 = 751.9977
Una vez obtenido nuestra sumatoria y la desviacin estndar del modelo

para el ao 2038 y aplicando un nivel de confianza del 95%, estimaremos
84
parmetros para observar la fluctuacin de los miles de casas para el

ao 2038.
Lmites de venta para el ao 2038:
= 0.05
+
:
= . + .
= .

:
= . .
= .
De donde obtenemos:
.
.
Los miles de casas para el ao 2038 en Estados Unidos sern como

mnimo 123493.6576 y como mximo se vendern 126501.6484.
- INTERPRETACIN
Miles de casas por Ao

140000
120000
100000
80000
60000
40000
20000
0
1970 1980 1990 2000 2010 2020 2030 2040 2050
Miles de casas por ao Promedio Mvil Doble
Fig.22: Miles de casas por ao vs. Pronstico
85
En esta grafica observamos que casi no existe mucha diferencia de

valores descritas entre ambas lneas.
VIII. PROMEDIO MVIL PONDERADO

8.1. DEFINICIN
El mtodo de Promedio Mvil Ponderado es un mtodo de pronstico de

demanda. A diferencia del mtodo de Promedio Mvil Simple donde se asigna
igual importancia a todos los datos de la demanda, el mtodo de Promedio Mvil
Ponderado permite darle ms peso a los elementos que consideramos
convenientes para calcular pronsticos.
Bajo ciertas circunstancias, las empresas necesitan predecir la demanda de

prximos periodos ponderando unos sobre otros, lo que permite, por ejemplo,
darle ms importancia a la tendencia segn el rubro del negocio.
8.2. FORMULA
El promedio mvil ponderado se obtiene sumando el producto de la demanda

de cada perodo por un factor de ponderacin y se divide el resultado entre la
suma de todos los factores ponderados.
Ft = p1At-1 + p2At-2 + p3At-3 + + pnAt-n

p1 + p2 + p3 + + pn
Donde:
Ft: demanda futura
n-1: Perodo actual
A: demanda histrica
p1,p2, p3, p4, pn : Factores de ponderacin
Si se expresa la ponderacin como porcentaje, la frmula se reduce a una
sumatoria del producto de la ponderacin por la demanda.
w1 = p1
p1 + p2 + p3 + + pn
86
w2 = p2
p1 + p2 + p3 + + pn
y as sucesivamente. Entonces la frmula para un promedio mvil ponderado

(Chase Jacobs Aquilano, Anlisis de operaciones. Pg. 205) es:
Ft =w1At-1 + w2At-2 + ... + wnAt-n
donde
w1 = Ponderacin dada a la ocurrencia real para el periodo t 1
w2 =Ponderacin dada a la ocurrencia real para el periodo t 2
wn = Ponderacin dada a la ocurrencia real para el periodo t n
n = Nmero total de periodos en el pronstico
8.3. PONDERACIN
Aunque quiz se ignoren muchos periodos (es decir, sus ponderaciones son de
cero) y el esquema de ponderacin puede estar en cualquier orden (por ejemplo,
los datos ms distantes pueden tener ponderaciones ms altas que los ms
recientes), la suma de todas las ponderaciones debe ser igual a uno (Chase
Jacobs Aquilano).

= 1
=1
Realmente no hay una regla general que nos diga qu ponderacin elegir. La
experiencia y el anlisis de la demanda suelen ser decisorios para determinar
la importancia en la ponderacin.
Normalmente ocurre que esta tcnica considera que los datos ms recientes
son ms reveladores del futuro que los datos ms antiguos, es decir da un mayor
peso a datos ms recientes, pues ante ausencia de datos, es el indicador ms
fiel que tenemos para el prximo periodo.
Pero esto depende del tiempo donde nos encontremos. Un ejemplo de

promedio mvil ponderado es una empresa que vende piscinas de plstico y
87
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 pronstico.
EJEMPLOS
EJEMPLO1:
Saga desea pronosticar la demanda de lavadoras que vender mes de octubre

de presente ao. A continuacin, se presenta las demandas de lavadoras de
enero a setiembre. El jefe de almacn de la tienda aplicar promedio mvil
ponderado de los ltimos 3 meses con factores 4, 3 y 2 respectivamente.
Tabla N28: Demanda de lavadoras
Demanda
Mes Pronstico
Real
1 45
2 60
3 55
4 70
5 90
6 50
7 115
8 80
9 75
10 ?
Usaremos la primera frmula.

F10 = 4x75 + 3x80 + 2x115 = 86 Lavadoras.
9
88
acumulado
Desviacin
Pronstico
pronstico
de
Demanda
Absoluta
Seal de
Rastreo
Error
MAD
Real
(SR)
Mes
Error
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 17.22 25.56 22.78 0.76
25.56
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
Seal de Rastreo
3
1
MAD
SR
0
-1
-2
-3
1 2 3 4 5 6
MES
Fig.23: Seal de rastreo
EJEMPLO 2:
Chase Jacobs Aquilano, en su libro Administracin de Operaciones plantea el

siguiente ejemplo.
89
Tal vez una tienda departamental se d cuenta de que en un periodo de cuatro

meses, el mejor pronstico se deriva utilizando 40% de las ventas reales durante
el mes ms reciente, 30% de dos meses antes, 20% de tres meses antes y 10%
de hace cuatro meses. Si las ventas reales fueron:
Tabla N30: Ventas reales en unidades fsicas (u.f.)
el pronstico para el mes 5 sera

F5 = 0.40 (95) + 0.30 (105) + 0.20 (90) + 1.10 (100)
= 38 + 31.5 + 18 + 10
= 97.5
Suponga que las ventas para el mes 5 resultaron ser de 110. Entonces, el
pronstico para el mes 6 sera
F6 = 0.40 (110) + 0.30 (95) + 0.20 (105) + 0.10 (90)
= 44 + 28.5 + 21 + 9
= 102.5
EJEMPLO 3:
Tomaremos como ejemplo a IngE que es una compaa productora de

alimentos para perro y requiere calcular el pronstico de demanda con
el mtodo de media mvil ponderada. Para la empresa, la demanda pasada
reciente es la ms importante y le asignan un peso de 50%. La demanda
intermedia tiene un peso de 30% y la ms lejana de 20%.
90
Tabla N31: Pronstico de ventas
En este ejemplo de promedio ponderado, para calcular el pronstico de

demanda del periodo 4, multiplicamos el periodo 3 (el ms reciente) por 50%, el
periodo 2 (el intermedio 2) por 30% y el periodo 1 (el ms 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%.
91
Fig.24: Pronstico de demanda de IngE
92
IX. MODELO DE LA CURVA SEMILOGARTMICA O EXPONENCIAL

Una representacin semilogartmica es una representacin grfica de
una funcin o de un conjunto de valores numricos, en la que el eje de
abscisas o el eje de ordenadas tienen logartmica mientras el otro eje tiene
una linalo proporcional.
Curva exponencial de la forma: x = abt (Jay Heizer, 2009)

La idea es convertir una curva exponencial a una recta por medio de
logaritmos, como sigue:
Empiece con la funcin exponencial:

=
Tomar el logaritmo de ambos lados:
log = log + log
log = n. log + log
log = n. log + log 2
A. Frmulas matemticas
- Calculamos las frmulas matemticas, despejando de las
sumatorias anteriores.
1. DME = x' = abt donde a y b parmetros.
Log ( )( Log )
Log =
2 ()2
()2 log ()( log )

log =
2 ()2
93
Ejemplo:
En la Empresa Automotriz HOFFMANN se ha realizado un
estudio en el ao 2015 sobre las ventas realizadas de automviles
de ltima generacin. Sabiendo que los pedidos se hacen con un
mes de anticipacin a los proveedores. Se desea conocer las
ventas de automviles para los siguientes meses.
9.2. RECOLECCIN DE DATOS
Tabla N32: Datos de demanda de automviles (ao 2015)
Mes t D
Enero 1 23
Febrero 2 26
Marzo 3 28
Abril 4 33
Mayo 5 37
Junio 6 40
Julio 7 47
Agosto 8 50
Septiembre 9 56
Octubre 10 66
Noviembre 11 75
Diciembre 12 83
9.3 GRAFICAR DATOS
94
90
80
70
60
50
40 D
30
20
10
0
0 5 10 15
Fig.25: Modelo exponencial
= +
=
= +
= + 2
95
9.5. CUADROS Y PROCESAMIENTO PARA ENCONTRAR LOS

PARMETROS
Mes t D log D Log D* t t2 D D - D (D - D)2

Enero 1 23 1.36 1.36 1 22.83 0.17 0.03
Febrero 2 26 1.41 2.83 4 25.65 0.35 0.12
Marzo 3 28 1.45 4.34 9 28.83 -0.83 0.69
Abril 4 33 1.52 6.07 16 32.40 0.60 0.37
Mayo 5 37 1.57 7.84 25 36.40 0.60 0.36
Junio 6 40 1.60 9.61 36 40.91 -0.91 0.82
Julio 7 47 1.67 11.70 49 45.97 1.03 1.06
Agosto 8 50 1.70 13.59 64 51.66 -1.66 2.75
Septiembre 9 56 1.75 15.73 81 58.05 -2.05 4.20
Octubre 10 66 1.82 18.20 100 65.23 0.77 0.59
Noviembre 11 75 1.88 20.63 121 73.30 1.70 2.89
Diciembre 12 83 1.92 23.03 144 82.37 0.63 0.40
78 564 19.65 134.94 650 563.60 0.40 14.28
Donde:
n = 12
log log
log =
2 ()2
log = 0.0506
Calculamos el antilogaritmo de b para obtener el valor de b
b = 1.124
()2 log log
log =
2 ()2
Calculamos el antilogaritmo de a para obtener el valor de a
96
log = 1.30784
a = 20.316
9.6. MODELO ESTIMADO

= 20.316 1.124
Tabla N34: Datos pronosticados de la Empresa HOFFMAN (ao 2016)
t D
1 22.83
2 25.65
3 28.83
4 32.4
5 36.4
6 40.91
7 45.97
8 51.66
9 58.05
10 65.23
11 73.3
12 82.37
Modelo Exponencial para D estimado

90
80
70
60
50
40 D
30
20
10
0
0 2 4 6 8 10 12 14
Fig.26: Modelo exponencial
97
9.7. PROYECCIONES
= 20.316 1.12413
= 92.56
= 20.316 1.12414
= 104.01
= 20.316 1.12415
= 116.88
Tabla N35: Pronsticos de ventas
Mes T DATOS PRONOSTICADOS

Enero 13 92.56
Febrero 14 104.01
Marzo 15 116.88
Abril 16 131.35
Mayo 17 147.60
Junio 18 165.86
Julio 19 186.38
Agosto 20 209.44
Septiembre 21 235.35
Octubre 22 264.47
Noviembre 23 297.20
Diciembre 24 333.97
98

S = 1.19
D= 2S
Tabla N36: Nivel de confianza
L. L.
Mes PRONSTICOS
INFERIOR SUPERIOR
Enero 13 925.622 90.18 94.94
Febrero 14 1.040.147 101.63 106.39
Marzo 15 1.168.842 114.50 119.26
Abril 16 131.346 128.97 133.73
Mayo 17 1.475.971 145.22 149.98
Junio 18 1.658.589 163.48 168.24
Julio 19 1.863.802 184.00 188.76
Agosto 20 2.094.406 207.06 211.82
Septiembre 21 2.353.542 232.97 237.73
Octubre 22 264.474 262.09 266.85
Noviembre 23 2.971.967 294.82 299.58
Diciembre 24 3.339.682 331.59 336.35
9.9. INTERPRETACIN
Hallamos el crecimiento para el sector industrial, referente al ao
siguiente:
2016 2015
= 100
2015
C= 0.12 ~ 12%
Tabla N37: Pronsticos de Ventas
t PRONSTICOS
1 92.56
2 104.01
3 116.88
4 131.35
5 147.6
6 165.86
7 186.38
8 209.44
9 235.35
10 264.47
11 297.2
99
12 333.97
CURVA DE PRONSTICOS PARA EL

AO SIGUIENTE
400
300
200
PRONOSTICOS
100
0
0 5 10 15
Fig.27: Curva de pronsticos para el ao siguiente
Segn los resultados obtenidos, los pronsticos para el siguiente ao son

favorables, ya que tienen un incremento positivo para cada mes, adems
cumplen con el modelo semi-logartmico ya que se ajustan los valores a
la curva esperada. Por lo tanto, el pronstico est bien adecuado al
modelo desarrollado, donde se puede concluir que si aumenta la demanda
(Di), entonces la demanda espera para el prximo ao aumentara.
FUNCIN LOGSTICA
1
=
1 + .
Donde:
o L: poblacin lmite

o = 1

EJEMPLO
- En una isla dejamos escapar 100 conejos, especie desconocida hasta

entonces en esos parajes. Supongamos que las condiciones para que
100
se reproduzcan son ptimas, por lo que se incrementan en un 10%

mensual. (Hasta aqu sera un modelo exponencial tpico).
- Supongamos ahora que la isla tuviera un tamao y unas condiciones
tales que, a lo sumo pudieran vivir 1000 conejos. Este es el nmero que
consideraramos como nuestra poblacin lmite. En este caso la funcin
que describe el crecimiento es la funcin logstica asociada. Observa
en la siguiente escena sus caractersticas. L = 1000 y K = 9.
- En la siguiente tabla se observa el nmero de conejos que habra en la
isla segn cada modelo.
Tabla N38: Datos del ejemplo
MES LOGISTICA EXPONENCIAL DIFERENCIA

0 10 10 0
1 10,89 11 0,1
2 11,85 12,1 0,24
3 12,88 13,31 0,42
4 13,99 14,64 0,64
5 15,17 16,10 0,92
6 16,44 17,71 1,26
7 17,79 19,48 1,68
8 19,23 21,43 2,19
9 20,76 23,57 2,81
10 22,37 25,93 3,56
11 24,07 28,53 4,46
12 25,85 31,38 5,52
13 27,72 34,52 6,79
14 29,67 37,97 8,3
15 31,70 41,77 10,07
16 33,79 45,94 12,15
17 35,96 50,54 14,58
18 38,18 55,59 17,41
19 40,46 61,13 20,69
20 42,77 67,27 24,49
101
21 45,12 74 28,87
22 47,49 81,40 33,91
23 49,87 89,54 39,67
24 52,25 98,49 46,24
- Hay que poner mucha atencin como durante los primeros meses los
nmeros son casi idnticos: an estaba lejos el nivel de saturacin. Sin
embargo, al tiempo la diferencia es enorme y despus los resultados
obtenidos para cada modelo no tienen nada que ver
- Se supone que la poblacin no crece indefinidamente y mientras mayor
sea su densidad ms lento ser el crecimiento, se detendr cuando la
poblacin alcance un lmite denominado capacidad de carga.
- Experimenta retroalimentacin negativa, la poblacin crece solo hasta
un lmite, la capacidad de carga, y cuando se supera disminuir su
tamao.
- De una manera ms explcita, podemos decir que las poblaciones van
creciendo inicialmente rpido en una fuente de presin constante, es
decir, se vuelven tan numerosas que pierden su capacidad de crecer
debido a interacciones entre los miembros de la poblacin, resultando
entonces, como habra de esperarse, un estado de equilibrio. Este tipo
de crecimiento se llama crecimiento logstico.
- Podemos decir que el crecimiento logstico es el balance entre
produccin en proporcin a la poblacin, y a las prdidas en proporcin
a la oportunidad de interacciones individuales.
Ejemplo Simple:
Como ejemplo de representacin semilogartmica, vamos a realizar una
grfica con los trminos de la serie (2 )n=18 en un papel
semilogartmico, que aparecen en la tabla inferior.
102
Fig.28: Representacin de la serie 2 en papel semilogartmico
Este tipo de representacin permite tambin evaluar las tasas de

crecimiento de una variable que evoluciona con el tiempo. Cualquiera que
sea el nivel de la variable, si la tasa de crecimiento no cambia, se
representar con segmentos de igual pendiente. Se pueden tambin
comparar las tasas de crecimiento haciendo abstraccin de los efectos de
escala.
103
X. MODELO DE LA CURVA GEOMTRICA O DOBLE LOGARTMICA

10.1. DEFINICIN
Corresponde a una especificacin (lineal) en que tanto la variable
dependiente como las variables independientes estn expresadas como
logaritmos naturales. Este modelo es til cuando la relacin no es lineal
en los parmetros, ya que la transformacin logartmica genera la
linealidad deseada en los parmetros. (Sergio Zuiga, 2004, p.46.).
En principio, cualquier transformacin logartmica (o natural no) se puede

utilizar para transformar un modelo que es no lineal en los parmetros en
uno lineal. Todas las transformaciones de registro generan resultados
similares, pero la convencin en el trabajo economtrico aplicado es
utilizar el logaritmo natural. La ventaja prctica del logaritmo natural es
que la interpretacin de los coeficientes de regresin es sencilla.
(maniqui.ru,2015).
10.2. MARCO TERICO

El modelo de la curva geomtrica o doble logartmica, se obtiene a
partir de la siguiente frmula:

= 0 . . (1)
Este modelo es conocido como el modelo de regresin exponencial,

el cual presenta la dificultad de no ser lineal en los parmetros (i, es
de por s un exponente), por lo tanto, no le es posible aplicar el mtodo
de los mnimos cuadrados ordinarios. Para poder hacerlo, tenemos
que transformar la ecuacin en una lineal, lo cual haremos aplicando
logaritmos. (Narciso Guaramato, 2009, p.47)
Luego, al aplicar logaritmo a ambos miembros, logramos obtener:

= ln(0 )

= ln 0 + + )
= ln 0 + 1 +
104
= ln 0 + 1 + ) (2)
La ecuacin (2) es de mucha utilidad por que el coeficiente i es

directamente la elasticidad del modelo, por lo cual tambin es
conocido como modelo de regresin de elasticidad constante.
(Narciso Guaramato, 2009, p.48).
Analizamos la elasticidad a partir de la ecuacin (1):
Si = 0 1
1 1 1 1
0 1 1
= 0 1 = 0 1 =

0 1 1 0 1 1
E= = = 1
0 1
Si = 0 + 1 +

= 1 = = =

Para determinar la variacin marginal:

= = , despejando = 1

Por lo tanto, para el modelo logartmico:
Elasticidad 1
Variacin marginal
1 1

Para la grfica, lo ms adecuado es representar directamente Y frente

a X, pero usando escalas logartmicas tanto para las ordenadas como
para las abscisas. Esto es lo que se denomina una representacin
105
log-log. En el Grfico1 de dispersin podemos apreciar el

comportamiento potencial dado que la escala logartmica es de ambas
variables. (Laplace.us.pe,2013).
Y frente a X (Escala log-log)

150
100
Y
50
0
0 0.1 0.2 0.3 0.4 0.5 0.6
X
Fig.29: Representacin de la escala log-log
10.3. APLICACIONES EN LA ECONOMA

Muchos nos hemos visto en la necesidad de modelizar que variaciones en
la variable X, producen variaciones constantes en Y (Denominada
tambin Elasticidad Constante). El modelo mencionado, se aplica sobre
los estudios de demanda, costes, produccin, etc. (Csar Alonso,2012,
p.19.).

= 0 . . (1)
De la ecuacin 1, los coeficientes se pueden interpretar como

elasticidades. As, podemos obtener el valor del coeficiente 1:

1 =
1
Entonces, la elasticidad precio de la demanda puede escribirse como:

= =

Donde:
Q es la funcin de demanda Q (P), y P el precio.
106
(ln |)
=

Podemos observar que cuando P varia en 1%, Y varia en promedio un 1

%
De esta manera, podemos calcular las diferentes elasticidades:

elasticidad de ingreso, elasticidades precio, elasticidades cruzadas, etc;
dependiendo de las variables que usemos en el modelo. (Csar
Alonso,2012, p.19.).
10.4. EJEMPLO APLICATIVO:

Proyeccin de demanda (2 Variables) Regresin potencial.
Situacin: se desea proyectar la demanda total ao a ao, de un producto

para el periodo: 2000 2012. Conocida la siguiente informacin:
a) La tasa de crecimiento anual del ingreso por persona para el periodo

ser del: 5%
b) La tasa de crecimiento anual de la poblacin consumidora en ese
periodo ser de: 2%
c) La poblacin consumidora para el ao de 1999 era de: 1000000 de
habitantes
d) El ingreso y la demanda estn relacionados as (Tabla N39):
Tabla N39: Ingreso y demanda por persona (2007-2016)
CANTIDAD
INGRESOS POR
DEMANDADA POR
AOS PERSONA Precios
PERSONA
ctes. (X)
Unidades(Y)
2007 110 220

2008 118 240
2009 121 250
2010 127 255
2011 134 262
2012 140 265
107
2013 147 280

2014 154 285
2015 162 290
2016 169 300
Utilizando la frmula potencial:

= log 0 + 1 + )
Aplicaremos mnimos cuadrados para calcular los valores de a y b y
transformar la ecuacin a lineal.
a = 1 (Pendiente) y = log 0(Intercepto)
Formaremos la tabla N 2 con los clculos a ser utilizados en la
frmula de mnimos cuadrados.
Tabla N40: Clculos para aplicar mnimos cuadrados
INGRESOS CANTIDAD
POR DEMANDADA
AOS PERSONA POR
Precios PERSONA
Log x Log y (log x).(log y) log x2 log y2
ctes. (X) Unidades(Y)
2007 110 220 2,041 2,342 4,782 4,167 5,487
2008 118 240 2,072 2,380 4,932 4,293 5,665
2009 121 250 2,083 2,398 4,994 4,338 5,750
2010 127 255 2,104 2,407 5,063 4,426 5,791
2011 134 262 2,127 2,418 5,144 4,525 5,848
2012 140 265 2,146 2,423 5,201 4,606 5,872
2013 147 280 2,167 2,447 5,304 4,697 5,989
2014 154 285 2,188 2,455 5,370 4,785 6,026
2015 162 290 2,210 2,462 5,441 4,882 6,063
2016 169 300 2,228 2,477 5,519 4,963 6,136
Sumatoria: 21,365 24,210 51,748 45,682 58,629
Sumatoria/n
2,137 2,421 5,175 4,568 5,863
(n=10)
108
Hallamos la pendiente(a):
[(log )][(log )]
[(log )(log )]
=
[(log )]2
[(log )2 ]

51,74842299 51,72587129
=
456,14775992
45,68235161 10
0,02255
=
0,03459
1 = = 0,65193972
Hallamos el intercepto(b):
(log ) [(log )]
0 =

24,21018342 0,65193972 21,36533639

0 =
10
0 = = 1,028127201
Al reemplazar los valores de a y b en la ecuacin tenemos:
= 0,65193972 + 1,028127201
Luego para calcular la demanda en los aos solicitados recordemos

que:
= 0 (1 + 0,05)2
= 0 (1 + 0,02)2
Donde:
I0 y P0 = Ingreso por persona y poblacin, respectivamente, en el ao

0: 1999
In y Pn = Ingreso por persona y poblacin, respectiva en el ao n
109
Crecimiento anual del ingreso por persona en el periodo 2000 2012

= 0,05
Crecimiento anual de la poblacin en el periodo 2000 2012 = 0,02
Formaremos la tabla N 41 con los clculos a ser utilizados para la

proyeccin de la demanda
Tabla N41: Datos de proyeccin de la demanda
Cantidad
Ingreso Demand
demandad Poblaci
por a total
aos Log x Log y a por n en
persona (en
persona miles
(x) millones)
(y)
2016 169 1000
2,24907600
2017 177 2,49438918 312 1020 318
4
2,27026530 2,50820332
2018 186 322 1040 335
3 5
2,29145460 2,52201747
2019 196 333 1061 353
2 1
2,31264390 2,53583161
2020 205 343 1082 372
1 7
2,54964576
2021 216 2,3338332 355 1104 391
2
2,35502249 2,56345990
2022 226 366 1126 412
9 8
2,37621179 2,57727405
2023 238 378 1149 434
8 4
2,39740109 2,59108819
2024 250 390 1172 457
7 9
2,41859039 2,60490234
2025 262 403 1195 481
6 5
2,43977969 2,61871649
2026 275 416 1219 507
5 1
110
600
500
400
Demanda
300
200
100
0
0 2 4 6 8 10 12
Periodos
Fig.30: Relacin entre la demanda y el periodo
Interpretacin:
- Podemos observar que cuando el periodo varia en 1, la demanda
varia en promedio un 0,65 .
- Se puede apreciar un comportamiento lineal, lo cual refleja que se
trata de una variacin constante.
XI. SUAVIZADO EXPONENCIAL

11.1. Definicin:
El mtodo de suavizacin o suavizamiento exponencial simple puede

considerarse como una evolucin del mtodo de promedio mvil
ponderado, en ste caso se calcula el promedio de una serie de tiempo
con un mecanismo de autocorreccin que busca ajustar los pronsticos
en direccin opuesta a las desviaciones del pasado mediante una
correccin que se ve afectada por un coeficiente de suavizacin.
Fuente(www.ingenieriaindustrialonline.com)
As entonces, este modelo de pronstico precisa tan slo de tres tipos

de datos: el pronstico del ltimo perodo, la demanda del ltimo perodo
y el coeficiente de suavizacin.
Este mtodo toma el pronstico del perodo anterior y le incorpora un

ajuste para obtener el pronstico del siguiente perodo. Este ajuste es
proporcional al error anterior y se calcula multiplicando el error de
pronstico del perodo anterior por una constante entre 0 y 1 denominada
111
constante de suavizacin (). Es una tcnica para pronosticar basada en

los errores de los pronsticos. Fuente (SUREZ Mario, 2011,pg.124)
+1 = + ( ) +1 = + (1 )
Donde:
Fn: Pronstico actual.
F(n+1): Pronstico futuro.
Dn: Demanda real actual.
n: Perodo actual.
n+1: Periodo futuro.
: Constante de suavizacin, valor entre 0 y 1.
Notas:
Una ventaja de esta tcnica es que los datos que se requieren son
slo del ltimo pronstico, la ltima demanda y el valor de .
Esta tcnica es realmente un promedio mvil ponderado.
Mientras alfa est cerca de 1 se le est dando mayor peso a los
ltimos datos de la demanda real.
En el caso extremo cuando alfa es 1, tenemos:
+1 =
Si
+1 = + (1 ) (1)
Entonces para un perodo n.
= 1 + (1 )1 (2)
Pero
112
1 = 2 + (1 )2 (3)
Combinando 1,2 y3, tenemos
+1 = + (1 )1 + (1 )2 2 + (1 )3 3
+ (1 )4 4 + (1 )5 5
Es decir +1 es un valor suavizado exponencialmente. La rapidez con

la cual las observaciones pasadas pierden su efecto depende del valor
de .
El valor asignado a es la clave del anlisis. Si se desea que las

predicciones sean estables y las variaciones aleatorias se suavicen, se
requiere un valor pequeo de . Si se desea una respuesta rpida a un
cambio real en el patrn de observaciones, un valor ms grande de es
el apropiado. Un mtodo para estimar es un procedimiento iterativo
que minimiza el error cuadrtico medio (MSE). Fuente (Tapia, 2010,
pg.194).
Ponderaciones decrecientes para perodos ms antiguos
Tabla N42: Ponderaciones decrecientes para periodos
Ponderacin 3 4 5
por
(1- ) (1- )2 (1- )3 (1- )4
pero
do
= 0.9 0. 0.09 0.009 0.0009 0.00009

9
= 0.6 0. 0.24 0.096 0.0384 0.01536

6
= 0.1 0. 0.09 0.081 0.0729 0.06561

1
113
Otro enfoque de inicializacin del procedimiento de suavizacin es

promediar las primeras k observaciones. Entonces, la suavizacin inicia
con:
A menudo se selecciona un nmero relativamente pequeo para k. El

valor asignado a es la clave del anlisis. Si se desea que las
predicciones sean estables y las variaciones aleatorias se suavicen, se
requiere un valor pequeo de . Si se desea una respuesta rpida a un
cambio real en el patrn de observaciones, un valor ms grande de es
el apropiado. Un mtodo para estimar es un procedimiento iterativo
que minimiza el error cuadrtico medio (MSE) y los errores porcentuales
absolutos medios (MAPE).
11.2. Cundo utilizar un pronstico de suavizacin exponencial simple?
El pronstico de suavizacin exponencial simple es ptimo para

patrones de demanda aleatorios o nivelados donde se pretende eliminar
el impacto de los elementos irregulares histricos mediante un enfoque
en perodos de demanda reciente, este posee una ventaja sobre el
modelo de promedio mvil ponderado ya que no requiere de una gran
cantidad de perodos y de ponderaciones para lograr ptimos resultados.
Fuente (Fausto, 2006, pg.174).
Fig.31: Demanda vs Periodos
114
11.3. EJEMPLOS
Ejemplo1.
En enero un vendedor de vehculos estim unas ventas de 142

automviles para el mes siguiente. En febrero las ventas reales fueron
de 153 automviles. Utilizando una constante de suavizacin
exponencial de 0.20 presupueste las ventas del mes de marzo.
Solucin
Aplicando la frmula:
+1 = + ( )
Reemplazando:
+1 = 142 + 0.2(153 142)
+ =
Podemos as determinar que el pronstico de ventas para el perodo 3

correspondiente a marzo es equivalente a 144 automviles.
Ejemplo2.
El pronstico de ventas de pasajes areos a Lima fue de 145 el mes

pasado y la venta real de pasajes fue de 156. Utilizando una constante
de suavizacin de 0.2, cul ser el pronstico de pasajes el presente
mes que est iniciando.
Solucin:
+1 = + ( )
Reemplazando:
F = 145 + 0.2 (156 - 145)
F= 147 pasajes
115
Ejemplo 3.
Calcule el pronstico de suavizacin exponencial para la semana 4,

considerando los datos de la siguiente tabla que representan la llegada
de pacientes a una clnica en las ltimas tres semanas. Tenga en
cuenta que = 0.10.
Tabla N43: Llegada de pacientes a una clnica en las ltimas tres semanas
LLEGADA
SEMANA DE
PACIENTES
1 400
2 380
3 411
Solucin:
El mtodo de suavizacin exponencial requiere un pronstico inicial.
Suponga que tomamos los datos de demanda de las dos ltimas

semanas y los promediamos para obtener (400+380) /2 = 390 como
pronstico inicial. A fin de calcular el pronstico para la semana 4,
utilizando una suavizacin con = 0.10, calculamos el promedio al final
de la semana 3 en la siguiente forma:
+1 = + (1 )
Reemplazando:
F4 = 0.10(411) + 0.90(390) = 392.1
As, el pronstico para la semana 4 sera de 392 pacientes. Si la

demanda real para la semana 4 resultara ser de 415, entonces el nuevo
pronstico para la semana 5 sera.
F5 = 0.10(415) + 0.90(392.1) = 394.4
116
o sea, 394 pacientes. Observe que hemos utilizado F4, y no el

pronstico en valor entero para la semana 4, en el clculo de F5. En
general, redondeamos solamente el resultado final, a fin de mantener
la mayor precisin posible en los clculos.
Ejemplo 4.
Con los siguientes datos acerca de las ventas en miles de dlares de

la Empresa D & M durante los ltimos 12 meses:
Se pide:
1) Suavizar los datos empleando el mtodo de suavizacin exponencial

con = 0,5. Pronosticar las ventas para el mes de septiembre. Calcular
el cuadrado medio del error. Elaborar un grfico en el que consten las
ventas y los pronsticos.
Solucin:
Realizando los clculos de suavizamiento se obtienen los resultados

respectivos de pronstico, los cuales se presentan en la siguiente tabla:
Tabla N44: Pronstico de ventas para cada mes
117
Observando la tabla anterior se tiene que el pronstico de ventas para el

mes de septiembre es de 6,798, o para cualquier perodo futuro, ya que
los datos no presentan una tendencia, sino que se supone que varan o
fluctan a largo plazo alrededor de este valor promedio.
Calculando el cuadrado medio del error se obtienen los siguientes

resultados, los cuales se presentan en la siguiente tabla:
Tabla N45: Cuadrado medio de error del pronstico de ventas para cada mes
Aplicando la frmula se obtiene el cuadrado medio del error:
Los clculos realizados en Excel se muestran en la siguiente figura:
118
La grfica de las ventas y los pronsticos con el mtodo de suavizacin

exponencial elaborada en Excel se muestra en la siguiente figura:
Fig.32: Ventas y los pronsticos con el mtodo de suavizacin exponencial
Ejemplo 5.
La tcnica de suavizacin exponencial se presenta en la tabla 4 con

datos de Acme Tool Company para los aos 2000 a 2006, usando
constantes de suavizacin de .1 y .6. Cul de las constantes funciona
mejor.
Solucin
119
Tabla N46: Valores de Acme Tool Company suavizados exponencialmente
Tiempo Valor Valor Error de Valor Error de

real suavizado pronstico suavizado pronstico
Ao Trimestres
(Yt) Yt ( =.1) et Yt(=.6) et
2010 1 500 500 0 500 0
2 350 500 -150 500 -150
3 250 485 (1) -253 (2) 410 -160
4 400 461.5 (3) -61.5 314 86
2011 5 450 455.4 -5.4 365.6 84.4
6 350 454.8 -104.8 416.2 -66.2
7 200 444.3 -244.3 376.5 -176.5
8 300 419.9 -119.9 270.6 29.4
2012 9 350 407.9 -57.9 288.2 61.8
10 200 402.1 -202.1 325.3 -125.3
11 150 381.9 -231.9 250.1 -100.1
12 400 358.7 41.3 190 210
2013 13 550 362.8 187.2 316 234
14 350 381.6 -31.5 456.4 -106.4
15 250 378.4 -128.4 392.6 -142.6
16 550 365.6 184.4 307 243
2014 17 550 384 166 452.8 97.2
18 400 400.6 -0.6 511.1 -111.1
Los datos del primer trimestre de 2006 se usarn como datos de prueba
para ayudar a determinar el valor ms adecuado de (entre los dos
considerados). La serie suavizada exponencialmente se calcula
igualando la inicial a 500. Si existen datos anteriores, ser posible
usarlos para desarrollar una serie suavizada hasta el 2000 y luego usar
esta experiencia como el valor inicial de la serie suavizada. Los clculos
que conducen al pronstico de los periodos 3 y 4 se presentan a
continuacin:
120
i) Usando la ecuacin para el periodo de tiempo 2, el pronstico para

el periodo 3, con = .1 es:
ii) El error en este pronstico es:
iii) El pronstico para el periodo 4 es:
En la tabla 4, cuando la constante de suavizacin es .1, el pronstico

para el primer trimestre de 2006 es 469, con un error cuadrtico de
145,161. Cuando la constante de suavizacin es .6, el pronstico para el
primer trimestre de 2006 es 576, con un error cuadrtico de 75,076. Con
base en esta limitada evidencia, la suavizacin exponencial con = .6
funciona mejor que la suavizacin exponencial con = .1.
Ejemplo 6.
El clculo del valor inicial como un promedio para los datos de Acme
Tool Company presentados en el ejemplo 5 se muestra a continuacin.
Si se iguala k a 6, entonces el valor inicial es:
A continuacin, se presentan el MSE y el MAPE para cada cuando se

usa un valor inicial suavizado de 383.3:
El valor inicial trae consigo una disminucin del MSE y el

MAPE para = .1, pero no tiene mucho efecto cuando = .6.
121
XII. PRONSTICO DE ATENUACIN EXPONENCIAL DOBLE
Cundo usar un pronstico de suavizacin exponencial doble?
Este tipo de pronstico es ptimo para patrones de demanda que presentan

una tendencia y un patrn estacional constante, en el que se pretende
eliminar el impacto de los elementos irregulares histricos mediante un
enfoque en periodos de demanda reciente.
Los mtodos de pronstico de demanda de series de tiempo

como Suavizamiento Exponencial (Alisamiento Exponencial) y Media Mvil
Simple, tienen un mejor desempeo cuando el patrn histrico de la
demanda no evidencia tendencia ni estacionalidad marcada como se
observa en el grfico a continuacin. En particular en el caso del
Suavizamiento Exponencial, si la serie de tiempo tiene una tendencia
creciente se tender a subestimar la demanda real y de forma anloga
cuando la demanda presenta una tendencia decreciente el alisamiento
exponencial tender a sobrestimar el valor de la demanda real.
Tabla N47: Cantidad vs. Demanda
Para mejorar la calidad del pronstico al observar una tendencia en la serie

de tiempo se puede considerar el mtodo de Suavizamiento Exponencial
Doble, conocido tambin como Suavizamiento Exponencial Ajustado a la
Tendencia o Mtodo de Holt y el mtodo de Brown. Cabe recordar que una
tendencia es un incremento o decremento sistemtico en el promedio de la
122
serie a travs del tiempo. Luego, el mtodo de Suavizamiento Exponencial

Doble busca incorporar la tendencia en un pronstico suavizado
exponencialmente.
Para su clculo se requieren dos constantes de Suavizamiento: y ,

realizndose las siguientes estimaciones:
Donde es el promedio suavizado exponencialmente de la serie en el

perodo t, el promedio suavizado exponencialmente de la tendencia en el
perodo t, el parmetro de Suavizamiento para el promedio, con un valor
entre 0 y 1, el parmetro de Suavizamiento para la tendencia, con un valor
entre 0 y 1 y el pronstico para el perodo t+1.
Existen dos mtodos los cuales son los siguientes:
Mtodo de Holt:
Cuando la serie presenta tendencia lineal, creciente o decreciente, y puede

ser modelada como xt = a + bt + ut (donde ut es un trmino de perturbacin
aleatorio) un mtodo de prediccin adecuado es el propuesto por Holt. Este
mtodo se basa en dos ecuaciones de alisado:
La primera de las ecuaciones proporciona una estimacin del nivel de la serie

en el perodo T y la segunda permite obtener una estimacin de la pendiente
de la recta de tendencia para el perodo T.
123
Las constantes de alisado y toman valores comprendidos entre 0 y 1.

Cuanto menores sean estas constantes ms alisada ser la serie de
predicciones.
La prediccin para los perodos futuros T+1, ....T+k obtenida en el perodo T

es:
La secuencia para aplicar el mtodo de Holt es:
Analizar
Series Temporales
Suavizado exponencial
En el cuadro de dilogo se selecciona la variable y se activa la opcin Holt.

Con el botn Parmetros se accede al cuadro de dilogo que permite
modificar las constantes de alisado y personalizar los valores iniciales tal y
como se ha visto en el epgrafe anterior.
Para obtener predicciones para perodos futuros se activa el botn Guardar y

se procede de la misma forma que en el caso del AES.
Mtodo de Brown:
El mtodo de Brown se basa en realizar dos suavizaciones exponenciales,

de las cuales se obtendr un valor estimado o el pronstico que buscamos
para un perodo especfico, mediante un clculo utilizando una sustitucin en
una funcin sencilla.
La primera funcin se aplica a los valores observados en la serie de tiempo,

es decir, se sustituye con los primeros valores, y la segunda a la serie
obtenida mediante la primera es decir se sustituyen los otros valores en el
resultado de la funcin de la primera ecuacin.
As, para predecir se tienen las siguientes ecuaciones:
124
Por convencin se toman los valores:
Ejemplo 1:
Un laboratorio clnico realiza exmenes de sangre cada semana. En

promedio el laboratorio realiz 28 anlisis de sangre cada semana durante
las ltimas cuatro semanas. Adicionalmente la tendencia en ese perodo fue
de tres muestras adicionales por semana. La demanda en esta semana fue
de 27 anlisis de sangre. Si =0,2 y =0,2 se requiere calcular el pronstico
correspondiente a la semana prxima.
En el caso que el nmero real de exmenes en la semana 2 resultar ser 44,

entonces el pronstico actualizado para la semana 3 sera el siguiente:
125
A continuacin, se presenta un grfico con el comportamiento de la demanda

real y el pronstico con Suavizamiento Exponencial Doble para los datos del
ejemplo anterior.
Fig.33: Comportamiento de demanda y pronstico

Ejemplo 2:
La firma de control ambiental "Mauricio Galindez" usa suavizacin
exponencial doble para pronosticar la demanda de un equipo para el control
de contaminacin, demanda que aparentemente presenta una tendencia
creciente.
Mes Demanda
1 12
2 17
3 ?
Segn la experiencia de sus ingenieros de planeacin se sugiere unos

coeficientes de alfa = 0,2 y beta 0,4. Suponer que el pronstico para el mes
126
1 fue de 11 unidades y la tendencia durante el mismo perodo fue de 2

unidades. Con base en lo anterior, determinar el pronstico del mes 3.
Solucin:
El primer paso consiste en hallar el Suavizamiento exponencial del perodo

2, dicho clculo se efecta as:
El segundo paso consiste en hallar el estimado de la tendencia, dicho clculo

se efecta as:
El tercer paso consiste en hallar el pronstico del perodo 2, dicho clculo se

efecta as:
Ahora procedemos a efectuar los mismos clculos para el perodo siguiente,

de esta manera:
Podemos as determinar que el pronstico de ventas para el perodo 3 es

equivalente a 17,28, al tratarse de unidades enteras se hace necesario
redondear, y es decisin del encargado de planeacin determinar si lo hace
por exceso o por defecto.
127
XIII. MTODO DE SUAVIZADO EXPONENCIAL CON TENDENCIA O DE HOLT
13.1. DEFINICION
El mtodo de Holt trata de encontrar la ecuacin de lnea que se ajusta a
los datos con ms peso en las observaciones recientes y menos en las
observaciones del pasado distante. (Paul Keat; Philip Young. Economa
de empresa)
13.2. UTILIDAD
Permite reducir el efecto de la aleatoriedad (usando la diferencia entre

los promedios calculados en 2 periodos sucesivos).
Se actualiza la estimacin de la demanda o tendencia a pronosticar
Se evita un pronstico con una reaccin retrasada al crecimiento
13.3. DATA
Se presentan la demanda para la empresa D&M durante los aos 1995-
1999.
Tabla N48: Demanda anual
Periodo Aos Demanda (UF)
1 2011 85
2 2012 105
3 2013 112
4 2014 132
5 2015 145
128
13.4. FIGURA
Graficamos la demanda inicial mediante un diagrama de dispersin.
Demanda
160 y = 14.7x - 29475
140
120
100
80
Demanda
60
40
20
0
2010 2011 2012 2013 2014 2015 2016
Fig.34: Ecuacin de la demanda

Serie exponencial atenuada
= + (1 )(1 + 1 )
Estimacion de la tendencia
= ( 1 ) + (1 )1
Pronostico de p periodos en el futuro

Ft+P = At + pTt p>0
Donde:
At = Demanda promedio del ao t.
At-1 = Demanda promedio del ao t 1.
= Constante de suavizacin promedio (0 1)
Dt = Demanda real actual del ao t.
Tt = Estimacin de tendencia del ao t.
Tt-1 = Estimacin de tendencia del ao t 1.
= Constante de suavizacin de la tendencia (0 1)
Ft+p = Pronstico de p perodos en el futuro.
P = Perodos a pronosticar en el futuro.
129
13.6. CUADRO Y PROCESAMIENTO

Datos iniciales:
0 = 70
0 = 15
= 0.1
= 0.1
Para comenzar se requieren dos valores estimados iniciales:

El valor inicial Suavizado (A0): se estima promediando unas
cuantas
Observaciones anteriores de la serie:
=1

El valor inicial de la Tendencia (T0): se estima mediante el uso de

la pendiente de la ecuacin de la tendencia obtenida de los datos
histricos.
= + = 0
y = 14,7x - 29240 = 15
Clculo de algunas tendencias y promedios:

1 = 0.1 85 + (1 0.1) (70 + 15) = 85
1 = 0.1 15 + (1 0.1) 15 = 15
2 = 0.1 1055 + (1 0.1) (85 + 15) = 100.5
2 = 0.1 (100.5 85) + (1 0.1) 15 = 15.05
13.7. MODELO ESTIMADO

+ = + >0
130
13.8. PRONSTICO
+ = 85 + (1 15)
2 = 100 = 1 = 1
+ = 100.5 + (1 15.05)
3 = 115.55 = 2 = 1
+ = 115.2 + (1 15.01)
4 = 130.21 = 3 = 1
+ = 130.4 + (1 15.03)
5 = 145.43 = 4 = 1
+ = 145.4 + (1 15.03)
6 = 160.43 = 5 = 1
+ = 145.4 + (2 15.03)
7 = 175.46 = 5 = 2
Tabla N49: Pronsticos y tendencia
Periodo t Demanda Promedio Tendencia Pronstico
1 85 85 15 85
2 105 100.5 15.05 100
3 112 115.2 15.01 115.55
4 132 130.39 15.03 130.21
5 145 145.38 15.03 145.42
131
DEMANDA REAL Y DEMANDA

PRONOSTICADA
160
140
120
DEMANDA
100
80
60
40
20
0
0 1 2 3 4 5 6
DEMANDA REAL DEMANDA PRONOSTICADA
Fig.35: Comparativa demanda real y demanda pronosticada

Clculo de la desviacin estndar:
( )2
= =1
2
40.9915
=
3
= 3.69
132
13.10. ERRORES DE MEDICIN

Tabla N50: Errores de medicin
Donde:
13.11. INTERPRETACIN
Como se puede observar el modelo usado se ajusta a los datos
observados por lo que se puede concluir que las estimaciones de los
prximos aos sern adecuadas.
El anlisis de los errores obtenidos nos permitir comparar la precisin
y confiabilidad de los datos respecto a otros mtodos que se puedan
utilizar.
133
XIV. TCNICA DE WINTERS

El objetivo de las tcnicas de prediccin no causal (TPNC) es obtener
estimaciones o pronsticos de valores futuros de una serie temporal a partir
de la informacin histrica contenida en la serie observada hasta el momento
actual (Snchez, 2006, p.20).
Estas tcnicas no requieren la especificacin de los factores que determinan

el comportamiento de la variable, sino que se basan nicamente en la
modelizacin del comportamiento sistemtico de la serie. Se consideran tres
modelos posibles del comportamiento sistemtico de una serie temporal:
modelo estacionario (sin tendencia), modelo con tendencia lineal y modelo
con estacionalidad. La tcnica de prediccin adecuada depender del modelo
de comportamiento de la serie.
Las hiptesis en que se basan las TPNC son, en primer lugar, la estabilidad
de la forma del comportamiento sistemtico de la serie y, en segundo lugar,
que el valor de la variable observado en cualquier perodo t es el resultado del
comportamiento sistemtico y de una perturbacin aleatoria.
El mtodo de Winters es bsicamente un procedimiento de suavizamiento

exponencial. Este tipo de procedimientos facilitan los clculos y reducen los
requerimientos de almacenamiento en las bases de datos, lo cual cobra
importancia cuando se estn prediciendo muchas series de tiempo. (Poveda,
2006, p.22).
14.1. DEFINICIN:
El mtodo de Winters es un procedimiento de atenuacin exponencial,
que puede usarse en situaciones en la que se encuentren presentes la
tendencia y la estacionalidad (Hanke, 2005, p.127). Esta tcnica
supone que el proceso fundamental que genera la demanda est dado
por:
DEMANDA = (NIVEL + TENDENCIA) (INDICE ESTACIONAL)
Cada uno de los factores en esta expresin se actualiza mediante la

atenuacin exponencial de la informacin nueva, a medida que se
dispone de ella. La estimacin de la estacionalidad est dada por un
134
ndice estacional que se multiplica por la constante de atenuacin
, sumndose despus a la estimacin anterior , que se multiplica

por . Las siguientes expresiones matemticas son las utilizadas para
hacer los clculos en esta tcnica de pronstico.
Atenuacin de la serie de tiempo.
Estimacin de la tendencia.
Estimacin de la estacionalidad.
Pronstico para p periodos en el futuro.
En donde:
. Es el nuevo valor atenuado suavizado.

. Es la constante de atenuacin que toma valores en el
intervalo .
. Es la nueva observacin o valor real de la serie en el momento t.
. Es la constante de atenuacin de la estimacin de la tendencia y
toma valores en el intervalo . Es la estimacin de la tendencia.
. Es la constante de atenuacin de la estimacin de la estacionalidad
y toma valores en el intervalo . Es la estimacin de la

estacionalidad.
. Es el nmero de periodos a pronosticar en el futuro.
135
. Es la longitud de la estacionalidad.
. Es el pronstico para p periodos en el futuro.
14.2. Ejercicio de aplicacin:

A. DATA:
A continuacin, se presentan la demanda (miles de u.f.) para cada
trimestre durante un ao cualquiera de una empresa distribuidora de
alimentos.
Tabla N51: Data histrica
Periodo Dt
(t) 1 66
2 106
3 78
4 135
= 0.2
=0.2
= 0.2
R0 =1.2
L=2
T0 = 10
R-1=0.8
K=1
B. FIGURA
DATA HISTRICA
160
140
120
100
Dt
80
60
40
20
0
0 1 2 3 4 5
Fig.36: Demanda vs tiempo (trimestres)
136
C. MODELO MATEMTICO

= = ( ) + (1 )(1 + 1 )

= = ( 1 ) + (1 )1

= = ( ) + (1 )

D. TABLA Y PROCESAMIENTO
Clculos:
A1= 0.2*(66/0.8)+(0.8*(70+10)) = 80.5
T1 = 0.2 (80.5-70) + (0.8 *10) = 10.1
R1= 0.2(66/80.5) + (0.8*0.8)= 0.804
Tabla N52: Procesamiento de datos.
T Demanda Promedio Tendencia Cociente

Dt At Tt Estacional Rt
1 66 80.5 10.1 0.804
2 106 90.1 10.0 1.195
3 78 99.5 9.9 0.7999
4 135 110.1 10.0 1.201
E. MODELO

= = 0.2 ( ) + (1 0.2)(1 + 1 )

= = 0.2( 1 ) + (1 0.2)1

= = 0.2 ( ) + (1 0.2)

137
F. PROYECCIONES
+ = ( + )(+ )
F2= [80.5 + 1(10.1)] *(1.2) = 108.7
Tabla N53: Pronsticos de ventas
T Demanda Promedio Tendencia Cociente Pronostic Dt-Ft

Dt At Tt Estacional o
1 66 80.5 10.1 0.804 Rt 64 Ft 2.0
2 106 90.1 10.0 1.195 108.7 -2.7
3 78 99.5 9.9 0.7999 80.5 -2.5
4 135 110.1 10.0 1.201 130.8 4.2
G. NIVEL DE SIGNIFICANCIA
2
=
( + )2
=
2
= 4.22
Tabla N54: Clculo de desviaciones estndar
Error
Demanda Pronstico
T Dt Ft (Dt-Ft+p)2 F-2S F+2S
1 66 64 4 55.55 72.45
2 106 108.72 7.4 100.3 117.17
3 78 80.52 6.4 72.1 88.97
4 135 130.77 17.9 122.3 139.21
35.7 87.55 104.45
87.55 < Ft + p < 104.45
138
LIMITES DE CONTROL PARA LA DEMANDA

160
140
DEMANDA 120
100
80 Demanda Dt
60 F-2S
40 F+2S
20
0
0 1 2 3 4 5
PERIODO
Fig.37: Lmites de control para la demanda
H. INTERPRETACIN:
Tenemos la certeza al 90% de que el intervalo de 122,33 hasta

104,45 actualmente contiene el valor de pronosticado para los 5
periodos. Si tuviramos que seleccionar muchas muestras diferentes
de tamao (periodos) 4 y construir el intervalo de confianza, 90% de
ellas realmente contienen el valor de la media poblacional
(promedio de demanda pronosticada para prximos 4 aos). Por
tanto, el modelo cumple con las expectativas de demandas
pronosticadas para los 4 periodos a futuro.
139
XV. MODELO DE CURVAS POTENCIALES DE SEGUNDO ORDEN

Estas curvas potenciales pueden adoptar formas con tendencias hacia el eje de
las abscisas (si el signo de algunos de sus parmetros es negativo y presenta
incrementos decrecientes) o hacia el eje de las ordenadas (cuando el valor de
los parmetros todos tienen signo positivo.
Para ilustracin desarrollaremos el caso de curvas parablicas (John E.
Hanke.Pronosticos en los negocios. Quinta Edicin)
1. FRMULAS MATEMTICAS
DME = x' = a + bt + ct2 donde a, b y c son parmetros y se determinaran por el
siguiente sistema de ecuaciones:
= + + 2
= + 2 + 3
2 = 2 + 3 + 4
Encontramos los parmetros a, b y c se construye el modelo es su forma:
= + + 2
DAE = x' = Suma de las demandas mensuales pronosticadas

Curvas de Segundo Orden
Ejemplo:
Un empresario fabricante de pantalones jeans desea estimar las ventas de sus
productos para el ao 2015 teniendo en consideracin las ventas del ao
pasado, las cuales fueron:
140
2. RECOLECCIN DE DATOS
Tabla N55: Recoleccin de datos
Demanda
Periodo(t)
(x)
1 2
2 4
3 12
4 16
5 28
6 36
7 49
8 35
9 25
10 10
11 6
12 4
Donde:
t : meses desde enero (t = 1) hasta diciembre (t = 12 )
x : Nmero de Pantalones Jeans vendidos
3. FIGURA DE DATOS
Figura de dispersin
60
y = -1.223x2 + 16.266x - 20.568
50
R = 0.7726
40
30 Demanda (x)
Poly. (Demanda (x))
20
10
0
0 5 10 15
-10
Fig.38: Demanda inicial mediante un diagrama de dispersin
141
4. MODELO MATEMTICO
Por simple inspeccin apreciamos que estos datos se ajustan a un modelo de
curva potencial de segundo grado, cuyo modelo matemtico es el siguiente:
Donde:
X: Nmero de pantalones jeans pronosticadas para el periodo t del ao 2015
T(1,2,,12)
Para lo cual necesitamos de las siguientes ecuaciones:
= +
= + 2
2 = 2 + 3 + 4
5. FIGURAS Y PROCESAMIENTO
Desarrollo de la siguiente tabla:
Donde t=12 periodos

Clculo de los trminos necesarios para reemplazar en las respectivas
ecuaciones
Tabla N56: Reemplazo de datos
Periodo Demanda
Xt t4 t3 t2 xt2
(t) (x)
1 2 2 1 1 1 2
2 4 8 16 8 4 16
3 12 36 81 27 9 108
4 16 64 256 64 16 256
5 28 140 625 125 25 700
6 36 216 1296 216 36 1296
7 49 343 2401 343 49 2401
8 35 280 4096 512 64 2240
9 25 225 6561 729 81 2025
10 10 100 10000 1000 100 1000
11 6 66 14641 1331 121 726
12 4 48 20736 1728 144 576
227 1528 60710 6084 650 11346
142
Calculamos los parmetros a, b y c mediante la resolucin de las ecuaciones

dadas o mediante regresin no lineal simple (polinmica de segundo grado).
a = -20.658
b = 16.266
c = -1.223
6. MODELO
Escribimos el modelo en su forma original sustituyendo los valores de los

parmetros, la ecuacin estimada vendra a ser el modelo estimado o
pronosticado:
= 20.658 + 16.266 t 1.223 2
D
Luego comprobamos si el modelo es correcto, reemplazando t en la ecuacin

estimada.
= 20.658 + 16.266(2) 1.223(2)2
D
=7
D
Remplazamos en la ecuacin encontrada para un periodo en particular:
t = 2 periodo
2 = 4
Por lo cual comprobamos que el modelo est bien, ya que es cercano a la
demanda
7. PROYECCIONES
Para proyectar la serie se trabaja con la frmula:
= 20.658 + 16.266 t 1.223 2
D
Se sustituye los valores de t por el nmero de periodos cuya serie empieza con
el periodo 12:
143
Tabla N57: Proyeccin de demanda
Demanda
Periodo Demanda Proyectada
(t) (x)
(x`)
1 2 0
2 4 7
3 12 17
4 16 25
5 28 30
6 36 33
7 49 33
8 35 31
9 25 27
10 10 20
11 6 10
12 4 0
8. NIVEL DE CONFIANZA
AL 99% EL INTERVALO DE CONFIANZA:

Hallaremos la variacin de la demanda estimada con respecto a su demanda
original para as estimar un intervalo de confianza para cada estimacin de la
demanda:
)
(D
= = 6.918
1
3 D
D D
+ 3
144
Tabla N58: Clculo de Intervalo de confianza
INTERVALO DE
Demanda CONFIANZA
Periodo (t) X
(x) Demanda Proyectada (x)
D-3S D+3S
1 2 0 0 21
2 4 6.942 0 28
3 12 17,223 0 38
4 16 24,928 4 46
5 28 30,187 9 51
6 36 33 12 54
7 49 33,367 13 54
8 35 31,288 11 52
9 25 26,763 6 48
10 10 19,792 0 41
11 6 10,375 0 31
12 4 0 0 21
9. INTERPRETACIN
As se puede saber entre cuanto puede estimar nuestras demandas de jeans en
todo el ao que viene para cada mes y a si no invertir ms de lo necesario o
tener demasiadas.
145
XVI. MODELO DE REGRESIN MULTIPLE

16.1. Concepto
La regresin lineal mltiple es una extensin del modelo simple al que
se incorporan dos o ms variables independientes.
(Sistemas de anlisis estadsticos con SPSS. Dr. Henry Pedroza,
ing. Msc. Luis dicovskyi. Managua, Nicaragua, mayo 2006.)
Es un mtodo para analizar el efecto de dos o ms variables

independientes sobre una dependiente; as mismo, es una extensin de
la regresin lineal solo que con un mayor nmero de variables
independientes. Es decir, sirve para predecir el valor de una variable
dependiente conociendo el valor y la influencia de las variables
independientes incluidas en el anlisis.
(Estadisticaazteca.blogspot.pe. agosto 2010 Regresin Multiple)
Utilizamos regresin mltiple cuando estudiamos la posible relacin

entre varias variables independientes (predictoras o explicativas) y otra
variable dependiente (criterio, explicada, respuesta).
La regresin mltiple se usa con mayor frecuencia en las publicaciones

de las investigaciones cuando se requiere crear un modelo donde se
seleccionan variables que pueden influir en la respuesta, descartando
aquellas que no aportan informacin, cuando se requiere detectar la
interaccin entre variables independientes que afectan a la variable y
cuando se requiere identificar variables confusoras.
16.2. Aplicaciones de la regresin mltiple

Es cierto que la regresin mltiple se utiliza para la prediccin de
respuestas a partir de variables explicativas. Pero no es sta
realmente la aplicacin que se le suele dar en investigacin. Los usos
que con mayor frecuencia encontraremos en las publicaciones son
los siguientes:
Identificacin de variables explicativas. Nos ayuda a crear un
146
modelo donde se seleccionen las variables que puedan influir

en la respuesta, descartando aquellas que no aporten
informacin.
Deteccin de interacciones entre variables independientes que
afectan a la variable respuesta. Un ejemplo de interaccin
clsico es el de estudiar la respuesta de un paciente al alcohol
y a un barbitrico, y observar que cuando se ingieren ambos, el
efecto es mucho mayor del esperado como suma de los dos.
Identificacin de variables confusoras. Es un problema difcil el
de su deteccin, pero de inters en investigacin no
experimental, ya que el investigador frecuentemente no tiene
control sobre las variables independientes.
16.3. Requisitos y limitaciones

Hay ciertos requerimientos necesarios para poder utilizar la
tcnica de regresin mltiple:
Linealidad: Se supone que la variable respuesta depende
linealmente de las variables explicativas
Normalidad y equidistribucin de los residuos: Se llaman
residuos las diferencias entre los valores calculados por el
modelo y los realmente observados en la variable dependiente.
Nmero de variables independientes: Podemos estar
tentados en incluir en el modelo cualquier cosa que tengamos en
una base de datos, con la esperanza de que cuantas ms
variables incluyamos, ms posibilidades hay de que suene la
flauta.
Colinealidad: Si dos variables independientes estn
estrechamente relacionadas (consumo de refrescos y
temperatura ambiente por ejemplo) y ambas son incluidas en un
modelo, muy posiblemente ninguna de las dos sea considerada
significativa, aunque si hubisemos incluido slo una de ellas, s.
Observaciones anmalas: Est muy relacionada con la
cuestin de los residuos, pero merece destacarlo aparte.
Debemos poner especial cuidado en identificarlas (y
147
descartarlas si procede), pues tienen gran influencia en el

resultado.
16.4. Variables numricas e indicadoras (dummy)

Un modelo de regresin lineal tiene el aspecto:
Y = b0 + b1 X1+ + bn Xn
Y es la variable dependiente
Los trminos X i representan las variables independientes o
explicativas
Los coeficientes del modelo bi son calculados por el programa
estadstico, de modo que se minimicen los residuos.
Esencialmente cuando obtengamos para los coeficientes valores

compatibles con cero (no significativos), la variable asociada se elimina
del modelo, y en otro caso se considera a la variable asociada de inters.
Esta regla no hay que aplicarla ciegamente. Si por ejemplo la variable
con coeficiente no significativo se observa que es confesora, debemos
considerarla como parte del modelo, bien explcitamente o estratificando
la muestra segn los diferentes valores de la misma.
16.5. Interpretacin de los resultados

En la seccin anterior hemos interpretado slo una parte del modelo,
pero hay muchos trminos que es necesario conocer para poder
contrastar hiptesis.
La significacin del modelo de regresin: La hiptesis nula es
que la variable respuesta no est influenciada por las variables
independientes. Dicho de otro modo, la variabilidad observada
en las respuestas son causadas por el azar, sin influencia de las
variables independientes. La hiptesis alternativa es que hay
algn tipo de influencia. La significacin del contraste se calcula
haciendo un anlisis de la varianza.
Los coeficientes: Los programas estadsticos ofrecen una
estimacin de los mismos, junto a un error tpico de la
148
estimacin, un valor de significacin, o mejor an, un intervalo

de confianza.
La bondad del ajuste: Hay un trmino denominado R cuadrado,
que se interpreta del siguiente modo. La variable respuesta
presenta cierta variabilidad (incertidumbre), pero cuando se
conoce el valor de las variables independientes, dicha
incertidumbre disminuye. El trmino R cuadrado es una
cantidad que puede interpretarse como un factor (porcentaje) de
reduccin de la incertidumbre cuando son conocidas las
variables independientes.
La matriz de correlaciones: Nos ayudan a identificar
correlaciones lineales entre pares de variables. Encontrar
correlaciones lineales entre la variable dependiente y cualquiera
de las independientes es siempre de inters.
La matriz de correlaciones est formada por todos los
coeficientes de correlacin lineal de Pearson para cada par de
variables. Los mismos son cantidades que pueden tomar
valores comprendidos entre -1 y +1.
16.6. Anlisis de Regresin Mltiple

Dispone de una ecuacin con dos variables independientes adicionales:
Se puede ampliar para cualquier nmero "m" de variables

independientes:
Para poder resolver y obtener y en una ecuacin de regresin

mltiple el clculo se presenta muy tediosa porque se tiene atender 3
ecuaciones que se generan por el mtodo de mnimo de cuadrados:
149
16.7. El error estndar de la regresin mltiple
Es una medida de dispersin la estimacin se hace ms precisa

conforme el grado de dispersin alrededor del plano de regresin se
hace ms pequeo.
Para medirla se utiliza la frmula:
Y: Valores observados en la muestra
: Valores estimados a partir a partir de la ecuacin de regresin

n: Nmero de datos
m: Nmero de variables independientes
El coeficiente de determinacin mltiple

Mide la tasa porcentual de los cambios de Y que pueden ser explicados
por , y simultneamente.
150
EJEMPLO:
1. DATA
El propietario de la cadena de cines CINE PLANET desea estimar el

ingreso semanal neto en funcin de los gastos de publicidad. Los
datos histricos de una muestra de 8 semanas son las siguientes:
Tabla N59: Datos histricos de una muestra de 8 semanas
Ingresos Brutos semanales Anuncios en TV (en miles de Anuncios en peridicos (en

(en miles de dlares) dlares) miles de dlares)
96 5,0 1,5
90 2,0 2,0
95 4,0 1,5
92 2,5 2,5
95 3,0 3,3
94 3,5 2,3
94 2,5 4,2
94 3,0 2,5
Ajuste el modelo Y= a + b1 1 + b2 2
Dnde:
1= Anuncios en TV
2 = Anuncios en Peridicos
151
2. GRFICO
Grafico de Ecuacion: y=83,2301+2,2902x1+1,3010x2

6 6
A 5.5
n
5 5 A P
u n
n 4.5 e
u
c r
4 4 n
i i
3.5 c Anuncios en
o o
i peridicos (en miles
s 3 3 o d
de dlares)
i
2.5 s
e c
2 2 o Anuncios en TV (en
n e
s miles de dlares)
1.5 n
T 1 1
V
0.5
0 0
90 91 92 93 94 95 96
Ingresos Brutos Semanales(en miles de dolares)
Fig.39: Grfico de la ecuacin
3. MODELO MATEMTICO
Y= b0 + b1 1 + b2 2
= 0 + 1 1 + 2 2
1 = 0 1 + 1 12 + 2 1
2 = 0 2 + 1 21 + 2 22
152
4. CUADRO Y PROCESAMIENTO
Primero usaremos ecuaciones matriciales para ajustar el modelo,

completo:
Tabla N60: Datos de muestra
Y x1 X2 X22
96 5,0 1,5 2,3
90 2,0 2,0 4,0
95 4,0 1,5 2,3
92 2,5 2,5 6,3
95 3,0 3,3 10,9
94 3,5 2,3 5,3
94 2,5 4,2 17,6
94 3,0 2,5 6,3
Luego resolvemos las matrices para encontrar los parmetros.
= ( )1
96
90
|95|
= 92
95
|94|
94
94
X1 X2 X22
1 5,0 1,5 2,25
1 2,0 2,0 4,00
1 4,0 1,5 2,25 b0
X= 1 2,5 2,5 6,25 b= b1
1 3,0 3,3 10,89 b2
1 3,5 2,3 5,29
1 2,5 4,2 17,64
1 3,0 2,5 6,25
153
5,9989 1,0389 1,0353 750

( )1 = |1,0389 0,2239 0,1313 | = |2401|
1,0353 0,1313 0.2491 1856
83.2301 = 0
= ( )1 = | 2.2902 = 1 |
1,3010 = 2
5. MODELO AJUSTADO
Desarrollado los clculos de las matrices, se llega a obtener los datos

siguientes:
B0: 83.2301
B1: 2.2902
B2: 1.3010
Resultando la siguiente ecuacin:
y = 83.2301+2.2902X1 + 1,3010X2
6. MODELO
y = 83.2301+2.2902X1 + 1,3010X2
Para: b1: Cuando los gastos de anunciar en televisin varan una

unidad y los gastos de anunciar en peridicos se mantienen constantes,
los ingresos brutos semanales se incrementan en 2,2902 miles de
dlares.
Para b2: Cuando los gastos de anunciar en televisin se mantienen

constantes y los gastos de anunciar en peridicos varan una unidad,
los ingresos brutos semanales se incrementan en 1.3010 miles de
dlares.
7. HALLANDO EL ERROR ESTNDAR DE LA DESVIACIN
Para lo cual usaremos la formula abreviada para dos variables

independientes la cual se deriva de la forma general presentada en las
formulas a utilizar.
154
La frmula es la siguiente:
S
(Y, X1, X2) =( 2 0 1 1 2 2 / 3)
Reemplazando los valores previamente encontrados y tomado el
denominador al valor 3 por ser el nmero de parmetros que
intervienen en la ecuacin:
S = 0,64
(Y,X1,X2)
INTERPRETACION:
La distancia de los valores observados alrededor de la ecuacin de
regresin es de
0,64. Es decir l`a dispersin de los valores observados es 0,64.
8. HALLANDO EL COEFICIENTE DE DETERMINACIN

Elevamos al cuadrado el coeficiente de correlacin y encontramos el
coeficiente de determinacin:
R= 0,959
R2=0,919
INTERPRETACCION:
Aproximadamente el 91.9% de los cambios producidos en los ingresos
brutos semanales son explicados por los cambios producidos en los
gastos de publicidad (en televisin y peridicos).
155
XVII. METODO DE DESCOMPOSICIN

Aplicable cuando la serie presenta un conjunto de patrones o componentes
entremezclados. El mtodo o tcnica supone que la serie contiene 04
componentes: Tendencia (T), Estacional (E), Cclico (C), e Irregular (I).
Adems, se supone que dichos componentes afectan la serie en forma
multiplicativa:
Yt = Tt * Ct * Et * It
Donde:
- La tendencia (T) se mide con las unidades de la variable en estudio.
- Los componentes Ct, Et e It son medidos en trminos relativos, con
mayores valores que 1.00, indicando que el efecto cclico est por
encima de la tendencia, que el efecto estacional est por encima
del nivel normal o promedio, o que el efecto irregular est por encima
de la combinacin de los componentes de tendencia, cclico y
estacional. De otro modo si los valores relativos para Ct, Et e It; son
menores que 1.00, indican niveles por debajo de los promedios del
respectivo componente.
Procedimiento (Ejemplo)
En base a datos sobre ventas trimestrales de artculos electrnicos para 5

aos, se desea pronosticar cul ser la venta del 1er trimestre del sexto ao.
Usando para ello el mtodo de descomposicin.
156
Tabla N61: Ventas trimestrales de artculos electrnicos
Fig.40: Ventas de artculos electrnicos

Como la serie (Fig.40) sigue una tendencia y estacionalidad. Lo primero es
encontrar los factores de estacionalidad para luego desestacionalizar la serie.
Y finalmente suponiendo una tendencia lineal para la serie desestacionalizada,
se realizan los pronsticos considerando una regresin lineal simple; para luego
obtener el resultado.
157
1. Estimacin de los factores de estacionalidad
Para identificar las influencias estacionales de cada trimestre se

calculan promedios mviles de todos los datos. Estos promedios
mviles estaran eliminando las influencias estacionales e
irregulares (EtIt), y entonces se puede medir el efecto combinado
de la tendencia y el componente cclico (TtCt). Lo que hacen los
promedios mviles es promediar las fluctuaciones estacionales.
Un problema con estos promedios es tratar de identificar a qu
trimestre asignar estos valores. Para el ejemplo:
- El promedio mvil de los 4 primeros trimestres, igual a 3.00

corresponde al perodo que incluye la ltima mitad del
segundo trimestre y la primera mitad del tercer trimestre
del primer ao (Tabla N62).
- El promedio mvil siguiente, igual a 3.5 correspondera a la
ltima mitad del tercer trimestre y a la primera mitad del
cuarto trimestre del primer ao (Tabla N62). Y as
sucesivamente, tal como muestra el cuadro 2. Como los
mviles calculados no corresponden directamente a los
trimestres originales de la serie. Se vuelve a calcular un
promedio mvil centrado. Tenga en cuenta que estos
mviles estn midiendo la influencia combinada de la
tendencia y variacin cclica (TtCt).
158
Tabla N62: Clculo de Promedio mviles y efecto estacional irregular
- Si slo existiera la fluctuacin estacional deberan obtenerse una misma

influencia para los trimestres correspondiente de cada ao. Los clculos de
la ltima columna demuestran que no hay slo un efecto estacional, sino
se trata de un efecto combinado estacional e irregular. As por ejemplo los
valores de EtIt para el tercer trimestre varan: El primer ao es 1.23, el
segundo ao es 0.87. Luego es 1.08 y 0.95.
- Luego, dada la situacin se trata de eliminar la irregularidad en los valores
EtIt, por lo cual se calculan los promedios sin irregularidades y los factores
estacionales:
Los promedios sin irregularidades son obtenidos eliminando previamente los
valores muy altos(A) o muy bajos (B).
Los factores estacionales son iguales al producto de los promedios sin
irregularidad por un factor de ajuste (debido a que el factor de estacionalidad
promedio debe ser igual a 1).
159
2. Desestacionalizacin y formacin del Modelo de Tendencia
Se trata de dividir cada valor de la serie (Yt) entre el factor de

estacionalidad correspondiente.
Se supone una tendencia lineal, donde la variable en estudio (ventas)
est en funcin del tiempo (t), osea:
Tt = a + bt
La lnea estimada para el modelo de tendencia (Grfico 2) usando los

datos de ventas desestacionalizadas (columna 4, cuadro 4) es:
Tt = -0.3224 + 0.9381 t
Considerando nicamente el componente de tendencia las ventas

pronosticadas para el 1er. trimestre del 6to. ao correspondiente al
perodo 21, es igual a:
Tt = -0.3224 + 0.9381 (21) = 19.38
Fig.41: Ventas desestacionalizadas
160
Finalmente ajustando la prediccin anterior (obtenido en base a una serie

desestacionalizada) es necesario tomar en cuenta el efecto estacional,
para lo cual se multiplica cada resultado pronosticado a partir del modelo
de tendencia por su correspondiente factor estacional. Entonces, la
prediccin del primer trimestre para el 6to. ao es:
19.38 * 0.822 = 15.93 (Rpta. Ejemplo)
Anlogamente, la prediccin para el 2do. Trimestre del 6to. ao sera:

20.32 * 0.648 = 13.17
Tabla N63: Ventas desestacionalizadas
Los valores de la variable desestacionalizada nos permiten estimar un

modelo de tendencia, a partir de la cual se halla un primer conjunto de
valores pronosticados. Luego estos son multiplicados por los factores
estacionales para finalmente obtener las predicciones.
Si se pudiera conocer los factores cclicos estos tendran tambin que
multiplicarse para incluir en la prediccin final dicho efecto.
161
XVIII. MEDICIN DE LOS ERRORES DE PRONSTICO
Ya que las tcnicas cuantitativas de pronstico implican, por lo regular, series

de tiempo de datos, se desarroll una notacin matemtica para hacer
referencia a cada periodo especifico. Se emplear la letra para denotar
una variable de serie de tiempo, a menos que exista ms de una variable.
El periodo asociado con una observacin se muestra como subndice. As,
se refiere al valor de la serie de tiempo en el periodo t.
Tambin se desarroll una notacin matemtica para distinguir el valor real
de una serie de tiempo y el valor de pronstico. Se emplear el smbolo
(acento circunflejo) sobre un valor, para indicar que se trata de un pronstico.
El valor de pronstico para es .
La mayora de estas mediciones implican promediar alguna funcin de Ia
diferencia entre el valor real y su valor de pronstico. A menudo se
denominan residuales a estas diferencias entre valores observados y los
valores de pronstico. (Reitsch, Hanke. 1996)
Para calcular el error o residual de cada periodo de pronstico, se utiliza la

ecuacin (I):
= ...(i)
En donde:
= Error de pronstico en el periodo t
= Valor real en el periodo t
= Valor del pronstico en el periodo t
n =Nmero de pronsticos
162
18.1. METODOS PARA EVALUAR UNA TECNICA DE PRONOSTICO:
A. DESVIACIN ABSOLUTA MEDIA
Un mtodo para evaluar una tcnica de pronstico consiste en

obtener la suma de los errores absolutos. La Desviacin Absoluta
de la Media (DAM) mide la precisin de un pronstico mediante el
promedio de la magnitud de los errores de pronstico (valores
absolutos de cada error). La DAM resulta de gran utilidad cuando
el analista desea medir el error de pronstico en las mismas
unidades de la serie original. La ecuacin muestra cmo se calcula
la DAM. (Reitsch, Hanke. 1996)

=1 | |
= (ii)

B. ERROR MEDIO AL CUADRADO
Otro mtodo para evaluar una tcnica de pronstico es el Error

Medio Cuadrado (EMC). Cada error o residual se eleva al
cuadrado; luego, estos valores se suman y se divide entre el
nmero de observaciones. Este enfoque penaliza los errores
mayores de pronstico ya que eleva cada uno al cuadrado. Esto es
importante pues en ocasiones pudiera ser preferible una tcnica
que produzca errores moderados a otra que por lo regular tenga
errores pequeos, pero que ocasionalmente arroje algunos en
extremo grandes. La ecuacin muestra el clculo del EMC.
(Reitsch, Hanke. 1996)

=1 ( )
2
= (iii)

El DAM y el EMC, en s, no nos dicen mucho. Pero sirven para

comparar modelos de pronstico y elegir el que mejor predice los
valores.
Tambin sirven para monitorear el desempeo de un modelo;
163
cuando aumentan de repente, significa que el modelo ya no es tan

atinado. (Reitsch, Hanke. 1996)
C. EL PORCENTAJE DE ERROR MEDIO ABSOLUTO
En ocasiones, resulta ms til calcular los errores de pronstico en

trminos de porcentaje y no en cantidades. El Porcentaje de Error
Medio Absoluto (PEMA) se calcula encontrando el error absoluto
en cada periodo, dividiendo ste entre el valor real observado para
ese periodo y despus promediando estos errores absolutos de
porcentaje. Este enfoque es til cuando el tamao o magnitud de
la variable de pronstico es importante en la evaluacin de la
precisin del pronstico. El PEMA proporciona una indicacin de
qu tan grandes son los errores de pronstico comparados con los
valores reales de la serie. Tambin se puede utilizar el PEMA para
comparar Ia precisin de Ia misma u otra tcnica sobre dos series
completamente diferentes. La ecuacin muestra el clculo del
PEMA. (Reitsch, Hanke. 1996)
| |

=1
= (iv)

Esta medicin es til cuando las magnitudes de las variables

cambian.
D. PORCENTAJE MEDIO DE ERROR
A veces resulta necesario determinar si Un mtodo de pronstico

est sesgado (pronstico consistentemente alto o bajo). En estos
casos, se emplea el Porcentaje Medio de Error (PME), que se
calcula encontrando el error en cada periodo, dividiendo esto entre
el valor real de ese periodo y promediando despus estos
porcentajes de error. Si un enfoque de pronstico no est sesgado,
Ia ecuacin (v) producir un porcentaje cercano a cero. Si el
164
resultado es un porcentaje negativo grande, el mtodo de

pronstico est sobrestimando de manera consistente. Si el
resultado es un porcentaje positivo grande, el mtodo de pronstico
est subestimando en forma consistente. (Reitsch, Hanke. 1996).
( )

=1
= (v)

EJEMPLO:
La siguiente tabla presenta los datos del nmero de clientes diarios que
requieren trabajos de reparacin , un pronstico de estos datos , en la
Garys Chevron Station. La tcnica de pronstico utiliza el nmero de
clientes atendidos en el periodo anterior, como el pronstico del periodo
actual.
Datos Y(t) Pronstico ERROR

Periodo t Clientes (t) e(t) l e(t) l e(t)^2 [l e(t) l / Y(t)] % [e(t)/ Y(t)] %
1 58 - - - - - -
2 54 58 -4 4 16 7.41 -7.41
3 60 54 6 6 36 10.00 10.00
4 55 60 -5 5 25 9.09 -9.09
5 62 55 7 7 49 11.29 11.29
6 62 62 0 0 0 0.00 0.00
7 65 62 3 3 9 4.62 4.62
8 63 65 -2 2 4 3.17 -3.17
9 70 63 7 7 49 10.00 10.00
SUMAS 12 34 188 55.58 16.23

=1 | |
= = 34/8 = 4.3

=1 ( )
2
= = 188/8 = 23.5

| |

=1
= =55.58 / 8 = 6.95 %

( )

=1
= =16.23 / 8 = 2.03 %

165
BIBLIOGRAFA
- Jay Heizer. 2009. Principios de Administracin de Operaciones 7ma Edicin.
Mxico DF. PEARSON EDUCATION
- Chase, Jacobs y Aquilano. 2009. Administracin de Operaciones 12da
Edicin. Mxico DF. Mc Graw Hill
- Funciones lineales. 2012. CIDEAD. [en lnea]:
http://recursostic.educacion.es/descartes/web/materiales_didacticos/EDAD
_3eso_funciones_lineales/3eso_quincena10.pdf
- Mario Surez. 2008. Anlisis de tendencia para series de tiempo. [en lnea]:
http://www.monografias.com/trabajos87/analisis-tendencia-series-
tiempo/analisis-tendencia-series-tiempo.shtml
- Abdullah, Y. y G. Sevil, Forecasting world stock market

volatility, International Research Journal of Finance and Economics, 15, 159-
174 (2008).
- Atsalakis, G. S. y K. P. Valavanis, Surveying stock market forecasting
techniques - part II: soft computing methods, Expert Systems with
Applications, 36, 5932-5941 (2009).
- Bekiros, S. D. y D. A. Georgoutsos, Evaluating Direction of Change
Forecasting: Neurofuzzy Models vs. Neural Networks, Mathematical and
Computer Modelling, 46, 38-46 (2007).
- Chen, T., C. Su, C. Cheng y H. Chiang, A novel Price-pattern detection
method base don time series to forecast stock markets, African Journal of
Business Management, 5 (13), 5188-5198 (2011).
- Hadavandi, E., H. Shavandi y A. Ghanvari, Integration of genetic fuzzy
systems and artificial neural networks for stock price forecasting, Knowledge-
Based Systems, 23, 800-808 (2010).
- Hao, H. N., Short-term forecasting of stock price based on genetic-neural
network, 6th International Conference on Natural Computation, 1838-1841
(2010).
- http://modelosdepronosticos.info/medidas_de_precision_de_pronostico.htm
- Hanke John E., Reitsh Arthur G. Pronsticos en los negocios - 5ta Edicin,
Editorial Maryland Composition, 1996. ISBN: 968-880-681-1.
vi
- Ing. Pesantes Elas, Modelos de Pronsticos, Ingeniera Estadstica VII

Ciclo, 2013.
vii

Libro de Pronosticos-Gerencia Operaciones - Unt

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Libro de Pronosticos-Gerencia Operaciones - Unt

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSIDAD NACIONAL DE

Ing. Elas Gutirrez Pesantes

Tabla N01: Demanda de energa elctrica 2010 - 2016 (MW) .......................................... 1

Tabla N13: Datos iniciales de las ventas ............................................................................ 50

Tabla N61: Ventas trimestrales de artculos electrnicos .............................................. 157

Fig. 1: Demanda en energa elctrica ..................................................................................... 2

Fig.41: Ventas desestacionalizadas .................................................................................... 160

I. MODELO DE LA LINEA RECTA CON TENDENCIA

Para poder entender este modelo de pronstico ser necesario de antemano

Se formula entonces la expresin matemtica de una recta, siendo esta:

Para un mejor entendimiento se ha planteado un problema con el nico fin

Tabla N01: Demanda de energa elctrica 2010 - 2016 (MW)

DEMANDA EN ENERGIA ELCTRICA

Fig. 1: Demanda en energa elctrica

1.3. MODELO MATEMTICO

Para tratar la problemtica daremos uso de un modelo de

Procedemos a derivar la expresin con el fin de encontrar los valores

Adems, necesitaremos las siguientes formulas:

Demanda anual estimada:

de la media poblacional a partir de las medias mustrales) es la

En aplicaciones prcticas, el verdadero valor de la desviacin

Error estndar de la demanda mensual:

Error estndar de la demanda anual:

Lmite de control, nivel de confianza y nivel de

horizontales trazadas en el grfico. Si los puntos de datos

El nivel de significancia ():

El nivel de confianza (NC):

Lmite de control superior:

Lmite de control inferior:

Con = 0.05 y un NC =95 %

1.4. CUADRO DE PROCESAMIENTO

Hacemos un nuevo cuadro tomando como base la Tabla N01 y

Tabla N02: Datos de demanda y clculo

PERIODO DEMANDA EN ENERGIA

Por ende, nuestra ecuacin lineal tiene la siguiente forma:

Tabla N03: Datos de demanda y proyeccin (MW)

AO PERIODO DEMANDA EN ENERGA DEMANDA

1.7. NIVEL DE CONFIANZA

Para ello necesitaremos tener en cuenta los datos brindados por la

Tabla N04: Datos de la demanda energtica y valores EI para posterior clculo

DEMANDA EN DEMANDA EI = DI - DI EI^2

Tabla N04 el valor de S.

Ya con el valor de definido procedemos a calcular los valores de LC

Tabla N05: Tabla de demanda estimada, LCI, LCS

AO PERIODO DEMANDA LCI LCS

DEMANDA REAL DEMANDA ESPERADA

Fig. 2: Demanda real vs Demanda esperada

Se observa que el modelo se ajusta ligeramente a los datos, por lo tanto

El grupo considera que este no es el modelo adecuado para los datos

Tabla N06: Estadsticas de la regresin

INTERPRETACIN DE TABLA N6:

Tabla N07: Anlisis de varianza

INTREPRETACIN DE Tabla N07:

II. LINEA RECTA NDICE ESTACIONAL

La aplicacin de este mtodo implica un supuesto de linealidad cuando la

Fig. 3: Figura referencial de lnea recta con puntos estimados

La estacionalidad es un comportamiento o patrn que a veces observamos

La manera matemtica de representar la estacionalidad es a travs de los

Para comprender qu son, cmo se calculan y para qu sirven, para

Tabla N08: Datos de la demanda de ventas de computadoras 2015-2016 ($)

A continuacin, se muestra un grfico explicativo de las cantidades de

Fig. 4: Demanda de ventas para los aos 2015-16

Adems, para cada uno de estos aos, se considera 1 mes como