UNIVERSIDAD TCNICA FEDERICO SANTA MARA

DEPARTAMENTO DE INDUSTRIAS

Administracin de la Produccin

Tarea 1: Proyecciones de Demanda

Integrantes Ricardo Hernndez Vidal, 201121035-2

Jos Luis Rojas Bastidas, 201204001-9
Profesor Edgardo Seballos
Asignatura ICN345
Fecha 11/09/16
 Administracin de la Produccin, Segundo Semestre 2016

INTRODUCCIN
En la presente tarea se presenta un caso de estudio de pronstico y proyeccin de demanda.
El caso trata sobre la proyeccin de asistencia a partidos de ftbol de un equipo universitario,
particularmente de la Southwestern University (SWU). A pesar de poseer 20.000 estudiantes, los
partidos tenan una asistencia de 25.000 a 29.000, principalmente por el entusiasmo de la ciudad
de Stephenville, Texas. Ms an, con la contratacin de un nuevo entrenador en el 2009, Bo
Pitterno, las asistencias aumentaron en ms de 10.000 asistentes.
El problema inmediato que enfrentaba la Universidad, tiene relacin con el aforo del estadio
de 54.000 personas. La Tabla 1 muestra las asistencias histricas a los partidos de ftbol.

Tabla 1. Antecedentes histricos de asistencia al estadio

2010 2011 2012
Partido Asistencia Rival Asistencia Rival Asistencia Rival
1 34.200 Baylor 36.100 Oklahoma 35.900 TCU
2 39.800 Texas 40.200 Nebraska 46.500 Texas Tech
3 38.200 LSU 39.100 UCLA 43.100 Alaska
4 26.900 Arkansas 25.300 Nevada 27.900 Arizona
5 35.100 USC 36.200 Ohio State 39.200 Rice
2013 2014 2015
Partido Asistencia Rival Asistencia Rival Asistencia Rival
1 41.400 Arkansas 42.500 Indiana 46.900 LSU
2 46.100 Missouri 48.200 North Texas 50.100 Texas
3 43.900 Florida 44.200 Texas A y M 45.900 Praire View
4 30.100 Miami 33.900 Southern 36.300 Montana
5 40.500 Duke 47.800 Oklahoma 49.900 Arizona

Con los antecedentes entregados, se pretende realizar una proyeccin de la asistencia del
2016 y 2016, con el objetivo de pronosticar cundo sera insuficiente la capacidad mxima del
estadio. Adems, suponiendo un ingreso de $20 por entrada en el 2016 y un aumento del 5%
anual, se pronosticarn los ingresos por concepto de entradas.
En la primera seccin se analizarn los distintos mtodos de pronsticos existentes. y se
elegir el ms adecuado a esta situacin. Existen diversos mtodos para pronosticar demandas,
tales como medias (simples, mviles, ponderadas), suavizacin exponencial (simple, con
tendencia), variaciones estacionales, regresiones lineales o descomposicin de la serie temporal.
En esta seccin se elegir justificadamente un mtodo de pronstico.
En la segunda seccin se desarrolla el mtodo elegido paso a paso, y se calcularn ciertos
parmetros para conocer la confiabilidad del modelo propuesto, tales como el SAEP, DAM y SR.
En la tercera seccin se presentan los pronsticos para los aos 2016, 2017 y 2018, tanto
en niveles de asistencia como en niveles de ingresos.
Finalmente se entregarn resultados cuantitativos que ayudarn a tomar una decisin.

1
 Administracin de la Produccin, Segundo Semestre 2016

1 ANLISIS DE LOS POSIBLES MODELOS

Con el fin de observar el comportamiento de la asistencia histrica del equipo universitario
de SWU, se grafican temporalmente los datos de la Tabla 1, en la Figura 1. Para esto se enumeran
los partidos de los aos 2010 al 2015 de manera temporal, siendo los partidos del 1 al 5 del 2010
los nmeros 1-5, los siguientes 5 partidos del 2011 los nmeros del 6 al 10 y as sucesivamente.
Esta enumeracin se seguir utilizando a lo largo del presente trabajo.

Asistencia histrica
55.000
50.000
45.000
40.000
35.000
30.000
25.000
20.000
0 5 10 15 20 25 30

Figura 1. Asistencia histrica desde 2010 a 2015

Es posible observar que los datos histricos presentan una tendencia ascendente sumada a
una estacionalidad cuyas estaciones corresponden a los partidos anuales. Por ejemplo, el cuarto
partido de cada ao presenta una cada importante, siendo el partido con la peor asistencia
histrica. De igual manera, el segundo partido es el que presenta la mayor asistencia. Los otros
dos partidos tambin tienen un comportamiento similar ao a ao, quedando de manifiesto la
estacionalidad de esta serie temporal.
Considerando lo anterior, el mtodo de promedio simple se descarta debido a que este
mtodo es utilizado cuando se quiere pronosticar patrones de demanda aleatorios o nivelados
sin elementos estacionales o de tendencia, pues producen alto error. El promedio mvil, al igual
que el simple, busca pronosticar demanda aleatoria o nivelada y se pretende eliminar el impacto
de los elementos irregulares histricos mediante un enfoque peridico. Sin embargo tambin
produce errores importantes cuando existe tendencia y estacionalidad. De la misma forma, el
promedio mvil ponderado tiene los mismos objetivos que el promedio mvil siendo a su vez un
enfoque superior, pues permite al usuario ponderar intuitivamente aquellos datos que considera
importantes o no. Razn por la cual tambin se descarta.
El mtodo de suavizacin exponencial puede considerarse una evolucin del promedio mvil
ponderado. Tiene por objetivo corregir los errores del pasado mediante un mecanismo de
autocorreccin que busca ajustar los pronsticos en direccin opuesta a las desviaciones del
pasado, mediante un coeficiente de suavizacin. ste mtodo es ptimo para patrones de

2
 Administracin de la Produccin, Segundo Semestre 2016

demanda aleatorios o nivelados, y pretende eliminar el impacto de elementos irregulares en la

serie. Posee la ventaja comparativa con el promedio mvil ponderado ya que no requiere gran
cantidad de datos y ponderaciones para lograr ptimos resultados. Sin embargo se descarta por
adecuarse a los requerimientos de la serie que se estudia en este trabajo.
En cuanto al mtodo de suavizacin exponencial con tendencia, ste busca incorporar la
tendencia al mtodo de suavizacin exponencial simple. Sin embargo no corrige los errores por
estacionalidad, que en este caso son necesarios.
Finalmente se escoge el mtodo de descomposicin, que como el nombre sugiere, se
descompone una serie temporal en tendencia y estacionalidad en este caso. Para
desestacionalizar la demanda se utilizarn ndices estacionales, mientras que para encontrar la
tendencia se utilizar una regresin lineal (mtodo de los mnimos cuadrados). Obteniendo las
proyecciones segn la siguiente ecuacin:

= ( + )

Siendo el pronstico, el perodo, el ndice de estacionalidad y , el intercepto y la

pendiente dados por la regresin lineal de la demanda desestacionalizada. Este mtodo se
explicar en la siguiente seccin.

2 DESARROLLO DEL MODELO DE PRONSTICO

En primer lugar se debe desestacionalizar la demanda, con el fin de eliminar la componenten
estacional de la serie temporal. Para esto, se utilizan ndices estacionales, dados en la Tabla 2.

Tabla 2. ndices estacionales

Partido ndice estacional
1 0,994
2 1,139
3 1,072
4 0,755
5 1,041

Estos ndices se calculan a partir de la Tabla A que se puede encontrar en el Anexo al final
de este documento. En ella se calculan ndices para cada par de datos, dividiendo la asistencia
real por el promedio anual de asistencia. A partir de estos ndices, se calcula un ndice
estacional que corresponde al promedio del ndice de cada partido a lo largo de los aos. Es
por esto que existe un ndice para cada partido independiente del ao.
Para desestacionalizar la demanda, se divide la demanda real por el ndice
correspondiente en la Tabla 2. La demanda desestacionalizada se encuentra en la Tabla A
dada en el Anexo.

3
 Administracin de la Produccin, Segundo Semestre 2016

Luego, se utiliza el mtodo de los mnimos cuadrados para encontrar una recta que
minimice los errores cuadrticos de los datos reales (sin estacionalidad) con respecto a la recta
buscada. Las ecuaciones que logran esto, se muestran a continuacin:

=+

Siendo , las variables a las que se quiere encontrar una relacin lineal, el intercepto
y la pendiente, que se calculan como sigue:

=1
= 2
=1 2

Con e los datos de perodo y demanda desestacionalizada respectivamente, el

nmero de datos y e el promedio de los datos. En la Tabla B del Anexo se presentan los
clculos necesarios para obtener , . As, la recta que minimiza el error cuadrtico medio
entre sta y los datos, corresponde a:

= + = 32625 + 457,85

En la Figura 2 se presenta la demanda desestacionalizada (azul) y la regresin lineal

(naranja). Se puede apreciar que el comportamiento de estos datos est fuertemente
representado con la recta, teniendo un coeficiente de correlacin = 0.9151 lo que indica
que la regresin es buena.

Asistencia desestacionalizada y tendencia

50000,00

45000,00

40000,00

35000,00

30000,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Tendencia Y desestacionalizada

Figura 2. Asistencia desestacionalizada (azul) y regresin lineal (naranja)

4
 Administracin de la Produccin, Segundo Semestre 2016

Una vez encontrada la regresin, es posible encontrar un modelo que permita pronosticar la
demanda para cada partido, usando la ecuacin:

= ( + )

Es decir, las proyecciones se calculan utilizando la regresin encontrada, multiplicada por los
ndices de estacionalidad encontrados en la Tabla 2. Los pronsticos de los datos histricos se
muestran en la Tabla C del Anexo.
A continuacin, en la Figura 3 se encuentra una grfica de la demanda real (puntos en naranjo)
junto con las proyecciones (interpolacin azul).

Demanda real y Proyeccin

65000,00
60000,00
55000,00
50000,00
45000,00
40000,00
35000,00
30000,00
25000,00
20000,00
0 5 10 15 20 25 30 35 40 45

Proyecciones Asistencia

Figura 3. Demanda real (naranja) y Proyeccin (azul)

A partir del grfico anterior, es posible apreciar que el modelo predice de buena forma el
comportamiento histrico de la asistencia. sta es una percepcin cualitativa, por lo que se
procede a calcular la seal de rastreo. Para esto, se utiliza la Tabla C del anexo. En ella se
calculan los siguientes parmetros SAEP (suma absoluta de errores de proyeccin), DAM
(desviacin absoluta media), SR (seal de rastreo):

=
=1

1
= | |

=1

5
 Administracin de la Produccin, Segundo Semestre 2016

En la Tabla C se muestran el SAEP, el DAM y la SR. Con la ayuda de ella se grafica la seal
de rastreo en funcin de los perodos, en la Figura 4.

Seal de rastreo
5,00
4,00
3,00
2,00
1,00
0,00
-1,00 0 5 10 15 20 25 30
-2,00
-3,00
-4,00

Figura 4. Seal de rastreo

En los primeros dos aos la seal de rastreo se escapa de los valores lmites [-4,4], esto porque
en un principio se tienen pocos datos, y el modelo subestima la demanda. Luego, desde el
tercer ao en adelante la seal se mantiene oscilando entre [2,-3] centrada cerca de cero, y
parece disminuir con el paso de las proyecciones. Es por esta razn y por la Figura 3, que se
concluye que el modelo de pronstico es bueno y aceptado.

3 PROYECCIONES
Con el modelo encontrado en la seccin 2, se procede a proyectar la demanda para los
siguientes 3 aos, resultado que se muestra en la Tabla 3. Adicionalmente, las proyecciones para
los siguientes tres aos se encuentran graficadas en la Figura 3.

Tabla 3. Proyeccin de la asistencia para los partidos de los siguientes 3 aos

Ao Partido Proyeccin Ao Partido Proyeccin Ao Partido Proyeccin
1 46532 1 48807 1 51082
2 53838 2 56445 2 59052
2016 3 51148 2017 3 53601 2018 3 56054
4 36395 4 38124 4 39853
5 50621 5 53003 5 55385

6
 Administracin de la Produccin, Segundo Semestre 2016

En la Tabla 3 se puede apreciar que en el segundo partido del ao 2017, la proyeccin indica
que superar el aforo de 54000 personas del estadio (coloreado rojo). De la misma forma, hay 3
partidos que en 2018 superan la limitante de personas del estadio. Adems, en amarillo, est el
segundo partido del 2016 muy cercano a los 54000. Teniendo presente que esto es slo un
pronstico, es posible que se supere el aforo mximo durante el 2016 (si se subestima la
demanda), considerando una desviacin media absoluta de 1500 personas.
Finalmente, considerando que en promedio la entrada costar $20 el 2016, con un aumento
anual del 5%, se calculan los costos por partido y anuales en la Tabla 4.

Tabla 4. Proyeccin de los ingresos para los siguientes 3 aos

Proyeccin Costo
Perodo Asistencia Estimado Ingresos
31 46532 20 930640
32 53838 20 1076760
2016 33 51148 20 1022960
34 36395 20 727900 Ingreso anual
35 50621 20 1012420 4770680
36 48807 21 1024947
37 56445 21 1185345
2017 38 53601 21 1125621
39 38124 21 800604 Ingreso anual
40 53003 21 1113063 5249580
41 51082 22,05 1126358
42 59052 22,05 1302097
2018 43 56054 22,05 1235991
44 39853 22,05 878758,7 Ingreso anual
45 55385 22,05 1221239 5764443,3

Por lo que, para los aos 2016 y 2017, se proyectan ingresos de $4.770.680 y $5.249.580 .

7
 Administracin de la Produccin, Segundo Semestre 2016

CONCLUSIONES Y OPCIONES DE LA UNIVERSIDAD

En la presente tarea se presenta un caso de estudio que busca proyectar la asistencia a
los partidos de ftbol de la Universidad SWU. Para esto se hizo un anlisis de los posibles mtodos
de pronstico a utilizar, se hizo la eleccin de un mtodo, se desarroll el mtodo (incluyendo
parmetros de medicin de errores) y finalmente se proyecta la demanda e ingresos de la
Universidad para los prximos tres aos.
Se realiza un anlisis de los posibles mtodos a utilizar. Esta serie temporal presenta una
tendencia ascendente y una estacionalidad que depende del nmero del partido anual. As, se
escoge el mtodo de descomposicin, que busca modelar la estacionalidad y la tendencia por
separado. En la primera se calculan ndices estacionales por cada partido y en la segunda se utiliza
regresin lineal.
Al desestacionalizar la demanda para eliminar la componente estacional de la serie, se
puede observar que los datos presentan una fuerte tendencia a una recta. Al realizar la regresin
por el mtodo de los mnimos cuadrados, se puede observar que la recta representa de muy
buena manera estos datos, teniendo un ndice de correlacin de r = 0,9151. Si se hubiera realizado
al regresin lineal con los datos reales sin desestacionalizar, se hubiera obtenido un ndice de
correlacin de r = 0,5439 lo que ndica que la regresin hubiera sido aceptable pero mucho menos
precisa que la realizada.
Con la pendiente y el intercepto de la regresin, adems de los ndices estacionales por
partidos, se pronostican las asistencias para los aos 2010-2018. En la Figura 3 se aprecia que el
modelo pronostica de muy buena forma los datos reales histricos. Al calcular la seal de rastreo,
se puede observar que al principio, con pocos datos, se escapa de los lmites de control [4,4]. Esto
es apreciable con el clculo de los errores de proyeccin, al principio el modelo subestima la
demanda y el SAEP acumulado crece, hasta el momento en que el modelo subestima la demanda
y el SAEP disminuye. La DAM se mantiene en un nivel medio (entre 1300 y 1600) aceptable en
comparacin con los niveles de asistencia mximos (54000). Con el pasar de los pronsticos la
seal de rastreo se acerca cada vez ms a cero, por lo que se concluye que el modelo es bueno.
Usando el modelo, se calculan las proyecciones para los siguientes 3 aos. Estas
proyecciones indican que el segundo partido del prximo ao 2016 se alcanzarn 53.838
asistentes, y considerando una desviacin estndar media (DAM) de 1500 aproximadamente, es
posible que no alcance la capacidad del estadio, teniendo un valor mximo de aproximadamente
55.000 personas. El ao 2017, se presenta un pronstico de 56.445 personas, por lo que es casi
un hecho que en ese partido se supere el aforo en no ms de 2000 personas. Finalmente el ao
2018 el segundo partido alcanza las 59.000. As, la Universidad tiene la opcin de copar el aforo
durante el ao 2016 y 2017, pero debe considerar que el ao 2018 el aforo se desbordar, por lo
que el rector debe considerar una ampliacin del estadio a mediano-corto plazo (1 o 2 aos)
dependiendo de lo que demore la ampliacin.
Finalmente, el rector tendr ingresos cercanos a los $4.770.000 y $5.250.000 durante los
aos 2016 y 2017 que debe considerar para la ampliacin del estadio o en su defecto para la
construccin de un estadio nuevo.

8
 Administracin de la Produccin, Segundo Semestre 2016

ANEXO
Tabla A. Desestacionalizacin de la Demanda
X Y
Ao Perodo Asistencia Prom por ao Y/prom(Y) ndice por estacin Y desestacionalizada
1 34.200 0,98163031 0,993893041 34410,14
2 39.800 1,142365098 1,138818919 34948,49
2010 3 38.200 34.840 1,096440873 1,071529644 35649,97
4 26.900 0,772101033 0,755220303 35618,75
5 35.100 1,007462687 1,040538093 33732,55
6 36.100 1,02035048 0,993893041 36321,82
7 40.200 1,136235161 1,138818919 35299,73
2011 8 39.100 35.380 1,105144149 1,071529644 36489,89
9 25.300 0,715093273 0,755220303 33500,16
10 36.200 1,023176936 1,040538093 34789,69
11 35.900 0,931983385 0,993893041 36120,59
12 46.500 1,207165109 1,138818919 40831,78
2012 13 43.100 38.520 1,118899273 1,071529644 40222,87
14 27.900 0,724299065 0,755220303 36942,86
15 39.200 1,017653167 1,040538093 37672,82
16 41.400 1,024752475 0,993893041 41654,38
17 46.100 1,141089109 1,138818919 40480,54
2013 18 43.900 40.400 1,086633663 1,071529644 40969,47
19 30.100 0,745049505 0,755220303 39855,92
20 40.500 1,002475248 1,040538093 38922,17
21 42.500 0,981071099 0,993893041 42761,14
22 48.200 1,112650046 1,138818919 42324,55
2014 23 44.200 43.320 1,020313943 1,071529644 41249,44
24 33.900 0,782548476 0,755220303 44887,56
25 47.800 1,103416436 1,040538093 45937,77
26 46.900 1,023570493 0,993893041 47188,18
27 50.100 1,093408992 1,138818919 43992,95
2015 28 45.900 45.820 1,001745962 1,071529644 42835,96
29 36.300 0,792230467 0,755220303 48065,45
30 49.900 1,089044086 1,040538093 47955,96

9
 Administracin de la Produccin, Segundo Semestre 2016

Tabla B. Clculo de la regresin lineal

X Y
Ao Perodo Desestacionalizada X2 Y2 XY
1 34410 1 1184048100 34410
2 34948 4 1221362704 69896
2010 3 35650 9 1270922500 106950
4 35619 16 1268713161 142476
5 33733 25 1137915289 168665
6 36322 36 1319287684 217932
7 35300 49 1246090000 247100
2011 8 36490 64 1331520100 291920
9 33500 81 1122250000 301500
10 34790 100 1210344100 347900
11 36121 121 1304726641 397331
12 40832 144 1667252224 489984
2012 13 40223 169 1617889729 522899
14 36943 196 1364785249 517202
15 37673 225 1419254929 565095
16 41654 256 1735055716 666464
17 40481 289 1638711361 688177
2013 18 40969 324 1678458961 737442
19 39856 361 1588500736 757264
20 38922 400 1514922084 778440
21 42761 441 1828503121 897981
22 42325 484 1791405625 931150
2014 23 41249 529 1701480001 948727
24 44888 576 2014932544 1077312
25 45938 625 2110299844 1148450
26 47188 676 2226707344 1226888
27 43993 729 1935384049 1187811
2015 28 42836 784 1834922896 1199408
29 48065 841 2310244225 1393885
30 47956 900 2299777936 1438680
30 15,5 39721 9455 47895668853 19499339
n prom(x) prom(y) sum(x2) sum(y2) sum(xy)

10
 Administracin de la Produccin, Segundo Semestre 2016

Tabla C. Clculo de la seal de rastreo

Seal
Ao Proyecciones error SAEP abs(error) DAM rastreo
32880,33 1.320 1.320 1319,67 1319,67 1,00
38196,22 1.604 2.923 1603,78 1461,73 2,00
2010 36429,92 1.770 4.694 1770,08 1564,51 3,00
26021,79 878 5.572 878,21 1392,93 4,00
36329,08 -1.229 4.343 1229,08 1360,16 3,19
35155,57 944 5.287 944,43 1290,87 4,10
40803,24 -603 4.684 603,24 1192,64 3,93
2011 38882,89 217 4.901 217,11 1070,70 4,58
27750,66 -2.451 2.450 2450,66 1224,03 2,00
38711,11 -2.511 -61 2511,11 1352,74 -0,04
37430,82 -1.531 -1.592 1530,82 1368,92 -1,16
43410,25 3.090 1.498 3089,75 1512,33 0,99
2012 41335,87 1.764 3.262 1764,13 1531,70 2,13
29479,53 -1.580 1.683 1579,53 1535,11 1,10
41093,13 -1.893 -210 1893,13 1558,98 -0,13
39706,07 1.694 1.484 1693,93 1567,42 0,95
46017,26 83 1.566 82,74 1480,08 1,06
2013 43788,84 111 1.677 111,16 1404,03 1,19
31208,40 -1.108 569 1108,40 1388,47 0,41
43475,16 -2.975 -2.406 2975,16 1467,81 -1,64
41981,31 519 -1.887 518,69 1422,61 -1,33
48624,28 -424 -2.312 424,28 1377,23 -1,68
2014 46241,82 -2.042 -4.354 2041,82 1406,13 -3,10
32937,27 963 -3.391 962,73 1387,65 -2,44
45857,19 1.943 -1.448 1942,81 1409,86 -1,03
44256,56 2.643 1.195 2643,44 1457,30 0,82
51231,29 -1.131 64 1131,29 1445,23 0,04
2015 48694,79 -2.795 -2.731 2794,79 1493,43 -1,83
34666,14 1.634 -1.097 1633,86 1498,27 -0,73
48239,21 1.661 564 1660,79 1503,69 0,38

11