INGENIERÍA INDUSTRIAL

GESTIÓN TÁCTICA DE OPERACIONES

DOCENTE: ING. PATRICIA AGUILAR TICONA

E- mail: patricia.aguilar@upn.pe
¿Cómo se pronostica un modelo
estacional?¿Cómo se pronostica un modelo
que tiene 02 o más variables
independientes? ¿Por qué se debe validar
un modelo de pronóstico de regresión
lineal, múltiple y un modelo estacional?
LOGRO DE LA SESIÓN

Al término de la sesión, el estudiante

sustenta el pronóstico elaborados sobre
modelos causales, utilizando Hojas de
Cálculo Excel, demostrando exactitud en
los cálculos de los resultados.
EL PRONÓSTICO ESTACIONAL
VARIACIONES ESTACIONALES EN LOS DATOS
Son movimientos regulares ascendentes o descendentes
en una serie temporal que están vinculados a eventos
periódicos (meteorología o las vacaciones).
La estacionalidad puede aparecer cada hora,
diariamente, semanalmente, mensualmente o con
cualquier otra periodicidad.
Ejemplos:
• Los restaurantes de comida rápida experimentan
diariamente oleadas de gente a mediodía y a partir de
las 8:00 pm.
• Las salas de cine tienen más demanda los viernes y
sábado por las tardes.
DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO

SERIE DE TIEMPO: Los datos ordenados en forma

cronológica que pueden contener uno ovarios
componentes de la demanda:
• Tendencia
• Estacional
• Cíclica
• Correlación propia y aleatoria

LA DESCOMPOSICIÓN DE UNA SERIE DE TIEMPO consiste

en identificar y separar los datos de la serie de tiempo en
estos componentes.
Es relativamente fácil identificar la tendencia y el
componente estacional.
Es bastante más difícil identificar los ciclos (éstos pueden
abarcar muchos meses o años), la correlación propia y los
componentes aleatorios. (Generalmente el especialista
considera que lo aleatorio es todo lo que resta y que no
puede identificar como otro componente).

Cuando la demanda contiene tanto efectos de la

estacionalidad como de la tendencia, la interrogante es:
¿cómo se relacionan entre sí?
A continuación analizamos 2 tipos de variación
estacional: Sumada y Multiplicada.
 VARIACIÓN ESTACIONAL SUMADA
Presupone que el monto estacional es constante,
independientemente de cuál sea la tendencia o el
monto promedio.

Pronóst. que incluye tend. y estac. = Tendencia + Estacionalidad

 VARIACIÓN ESTACIONAL MULTIPLICADA
Multiplicamos la tendencia por factores estacionales.

Pronóst. que incluye tend. y estac. = Tendencia * Factor estacional

FACTOR ESTACIONAL (O ÍNDICE):

Es la cantidad de corrección que necesita una serie de
tiempo para ajustarse a la estación del año.
EJEMPLO N°07: VARIACIONES
ESTACIONALES
Demanda de ventas Demanda media Demanda Índice de
Mes 2003 2004 2005 2003-2005 mensual media estacionalidad
Jan 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Apr 90 95 115 100 94
May 113 125 131 123 94
Jun 110 115 120 115 94
Jul 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
 EJEMPLO N°07: ÍNDICE DE
ESTACIONALIDAD
Demanda de ventas Demanda media Demanda Índice de
Mes 2003 2004 2005 2003-2005 mensual media estacionalidad
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94
Mar 80 93 82
Demanda 85 media 2003-2005
menaual 94
Índice de 90
Apr =
95 115 Demanda100mensual media94
Estacionalidad
May 113 125 131 123 94
= 90/94 = 0 .957
Jun 110 115 120 115 94
Jul 100 102 113 105 94
Aug 88 102 110 100 94
Sept 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
 EJEMPLO N°07: ÍNDICE DE
ESTACIONALIDAD
Demanda de ventas Demanda media Demanda Índice de
Mes 2003 2004 2005 2003-2005 mensual media estacionalidad
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94 0.851
Mar 80 93 82 85 94 0.904
Apr 90 95 115 100 94 1.064
May 113 125 131 123 94 1.309
Jun 110 115 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Aug 88 102 110 100 94 1.064
Sept 85 90 95 90 94 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 80 94 0.851
Dec 82 78 80 80 94 0.851
EJEMPLO N°07: PRONÓSTICO
PARA EL 2006

Pronóstico para el 2006

Demanda esperada anual para el 2006 = 1,200

1,200
Jan x .957 = 96
12
1,200
Feb x .851 = 85
12
EJEMPLO N°07:
2006 Forecast
140 – 2005 Demand
130 – 2004 Demand
2003 Demand
120 –
Demanda

110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Mes
 EJEMPLO N°08: TENDENCIA EN
EL HOSPITAL DE SAN DIEGO

10,200 –
Días de hospitalización

10,000 –

9,800 – 9745
9702
9616 9659
9573 9723 9766
9,600 – 9530 9680
9594 9637
9,400 – 9551

9,200 –

9,000 – | | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Mes
 EJEMPLO N°07: ÍNDICE DE ESTACIONALIDAD
PARA EL HOSPITAL DE SAN DIEGO
1.06 –
Días de hospitalización

1.04 1.04
1.04 – 1.03
1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
0.92 – | | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Mes
 EJEMPLO N°07: PRONÓSTICO
COMBINANDO TENDENCIA Y
ESTACIONALIDAD
10,200 – 10068
Días de hospitalización

9949
10,000 – 9911
9764 9724
9,800 – 9691
9572
9,600 –
9520 9542
9,400 – 9411
9265 9355
9,200 –

9,000 – | | | | | | | | | | | |
Jan Feb Mar Apr May June July Aug Sept Oct Nov Dec
67 68 69 70 71 72 73 74 75 76 77 78
Mes
ANÁLISIS DE REGRESIÓN LINEAL
REGRESIÓN: Relación funcional de 2 o más
variables correlacionadas.

REGRESIÓN LINEAL: Tipo especial de regresión

donde las relaciones entre las variables forman una
línea recta.

Y = a + bx

Donde: Y= valor de la variable dependiente

a = intersección Y
b = pendiente de la recta de regresión
x = variable independiente (en este caso es el tiempo)
La REGRESIÓN LINEAL es útil para pronosticar los hechos
importantes a largo plazo y para la planeación agregada.
Ejem: Sería muy útil para pronosticar la demanda de familias
de productos. Si bien la demanda de productos individuales
dentro de una familia puede variar ampliamente dentro de un
periodo, la demanda de la familia entera de productos es
asombrosamente uniforme.
RESTRICCIÓN:
Presupone que los datos del pasado y las
proyecciones del futuro quedan
aproximadamente en línea recta.
MÉTODO DE LOS MÍNIMOS
CUADRADROS
Valores de la variable dependiente (y)

Observación actual Desviación7

(valor y)
Desviación5 Desviación6

Desviación3

Desviación4

Desviación1
(error) Desviación2 ^
y = a + bx
Línea de tendencia

Periodo de tiempo
MÉTODO DE LOS MÍNIMOS
CUADRADROS
Trata de ajustar la línea a los datos que minimizan la
suma de los cuadrados de la distancia vertical entre cada
punto de datos y su punto correspondiente en línea:

Y = a + bx
Sxy - nxy
a = y - bx b=
Sx2 - nx2
EJEMPLO N° 06:
Periodo de Demanda de
Año Tiempo (x)energía eléctrica (y) x2 xy
1999 1 74 1 74
2000 2 79 4 158
2001 3 80 9 240
2002 4 90 16 360
2003 5 105 25 525
2004 6 142 36 852
2005 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86

∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x2 - nx2 140 - (7)(42)

a = y - bx = 98.86 - 10.54(4) = 56.70

EJEMPLO N° 06:

Por lo tanto:

La tendencia lineal es:

Y = 56.70 + 10.54x
 EJEMPLO N° 06:
Línea de Tendencia,
Demanda de energía (megavatios)

160 –
150 – Y = 56.70 + 10.54x
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1999 2000 2001 2002 2003 2004 2005 2006 2007
Año
VALIDACIÓN
ERROR: Diferencia entre el valor del pronóstico y
lo ocurrido en realidad.

El error estándar de la estimación, o qué tan bien se ajusta

la línea a los datos es:

𝑛
− 𝑌𝑖 )2
𝑖=1(𝑦𝑖
𝑆𝑦𝑥 =
𝑛−2
PRONÓSTICOS ASOCIATIVOS O
CAUSALES:
Por ejemplo, podemos esperar que un periodo
extendido de lluvia aumente las ventas de paraguas e
impermeables. La lluvia provoca ventas de equipo para
lluvias. Ésta es una RELACIÓN CAUSAL, en la cual un
hecho provoca que ocurra otro. Si el elemento causal es
conocido con bastante anticipación, podemos usarlo
como base para el pronóstico.
El primer paso del pronóstico de una relación
causal es encontrar los hechos que en realidad
son las causas.

A diferencia del pronóstico de series temporales,

los modelos de pronósticos causal o asociativo
suelen tener en cuenta distintas variables que
están relacionadas entre sí, se construye un
modelo estadístico que se utilizará para hacer el
pronóstico de la variable que nos interesa.
En el análisis causal hay que tener en cuenta
muchos factores.
Ejemplo: las ventas de PC de DELL podrían
relacionarse con el presupuesto de publicidad de
DELL, los precios de la empresa los precios de los
competidores y sus estrategias de promoción, o
incluso con la economía nacional y la tasa de
desempleo. En este caso las ventas de PC serían
la variable dependiente y las otras variables se
denominarían variables independientes.
El trabajo consiste en desarrollar la mejor
relación estadística entre las ventas de PC y las
variables independientes.
El modelo cuantitativo causal más común es:
ANÁLISIS DE REGRESIÓN LINEAL

Es un modelo matemático que utiliza una línea

recta para describir las relaciones funcionales
entre las variables dependientes e
independientes.
^
y = a + bx
donde y^ = valor de la variable dependiente
a = corte con el eje y
b = pendiente de la recta de regresión
x = variable independiente (NO TIEMPO)
EJEMPLO N°08: CÁLCULO DE LA
ECUACIÓN DE REGRESIÓN LINEAL

Ventas Nómina Local

($000,000), y ($ 000,000,000), x
2.0 1
3.0 3

Ventas (cientos de miles de dólares)

2.5 4 4.0 –
2.0 2
2.0 1 3.0 –
3.5 7
2.0 –

1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Nómina Local (cientos de millones de dólares)
EJEMPLO N°08: CÁLCULO DE LA
ECUACIÓN DE REGRESIÓN LINEAL
Ventas, y Salarios, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18 ∑x2 = 80 ∑xy = 51.5

∑xy - nxy 51.5 - (6)(3)(2.5)

x = ∑x/6 = 18/6 = 3 b= = = 0.25
∑x2 - nx2 80 - (6)(32)
y = ∑y/6 = 15/6 = 2.5 a = y - bx = 2.5 - (.25)(3) = 1.75
 EJEMPLO N°08: CÁLCULO DE LA
ECUACIÓN DE REGRESIÓN LINEAL
^
y = 1.75 + 0.25x Ventas = 1.75 + 0.25(salarios)

Si los salarios para el

próximo año se estiman que 4.0 –
serán $600 millones de
dólares, luego: 3.25
3.0 –
Sales

Ventas = 1.75 + 0.25(6) 2.0 –

Ventas = $325,000
1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
EL ERROR ESTÁNDAR DE LA
ESTIMACIÓN
 Es una medida de la variabilidad alrededor de la línea
de regresión (su desviación estándar).
 Para medir la exactitud de las estimaciones de la
regresión, es necesario calcular el error estándar de
estimación
(desviación estándar 4.0 –
De la regresión). 3.25
3.0 –
Ventas

2.0 – Recta de regresión

1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Salarios Locales
EL ERROR ESTÁNDAR DE LA
ESTIMACIÓN

Sy,x = ∑(y - yc)2

n-2
donde y = valor de y para cada dato
yc = valor de la variable dependiente,
calculado a partir de la ecuación de
regresión
n = número de datos
EL ERROR ESTÁNDAR DE LA
ESTIMACIÓN
Esta ecuación puede parecer más
compleja, pero en realidad es una versión
de la ecuación anterior.

∑y2 - a∑y - b∑xy

Sy,x =
n-2
Ambas fórmulas proporcionan la misma
respuesta, y pueden utilizarse para fijar
los intervalos de predicción alrededor de
la estimación puntual.
EJEMPLO N°09: CÁLCULO DEL ERROR
ESTÁNDAR DE LA ESTIMACIÓN

Sy,x = ∑y2 - a∑ y - b∑xy = 39.5 - 1.75(15) - .25(51.5)

N -2 6-2

Sy,x = 0.306
4.0 –
3.25
El error estándar de la 3.0 –
Sales

estimación es, por tanto,

de $30,600 en ventas. 2.0 –

1.0 –

| | | | | | |
0 1 2 3 4 5 6 7
Area payroll
COEFICIENTE DE CORRELACIÓN

Es una medida de la intensidad

de la relación entre dos variables.

nSxy - SxSy
r=
[nSx2 - (Sx)2][nSy2 - (Sy)2]
COEFICIENTE DE CORRELACIÓN

y y

(a) Correlación x (b) Correlación x

positiva perfecta: positiva:
r = +1 0<r<1
COEFICIENTE DE CORRELACIÓN

y y

(c) Sin correlación: x (d) Correlación negativa x

r=0 perfecta:
r = -1
EJEMPLO N°09: CÁLCULO DEL
COEFICIENTE DE DETERMINACIÓN
 Es sencillamente el coeficiente de
correlación al cuadrado, r2, siempre será
positivo.
 Dentro del intervalo 0 ≤ r2 ≤ 1

Para la constructora Nodel:

r = 0.901
r2 = 0.81
ANÁLISIS DE REGRESIÓN
MÚLTIPLE

Es una ampliación práctica del modelo de regresión

simple. Permite construir un modelo con varias
variables independientes en lugar de una sola
variable.

y^ = a + b1x1 + b2x2 …
El desarrollo matemático necesario en la regresión
múltiple es bastante complejo (y normalmente se
realiza con computadoras).
EJEMPLO N°10: ANÁLISIS DE
REGRESIÓN MÚLTIPLE
En el ejemplo de Nodel se incluye como variable
independiente el interés anual, la nueva ecuación
(calculada utilizando un programa informático) sería:
^
y = 1.80 + .30x1 - 5.0x2
El nuevo r = 0.96, lo que significa que la inclusión de la variable
X2 (los tipos de interés) añade incluso más fuerza a la relación
lineal. Además se pueden estimar las ventas si se sustituyen los
valores de los salarios del próximo año ( 600 millones de dólares)
y el tipo de interés (12%), la previsión de ventas sería:

Ventas = 1.80 + .30(6) - 5.0(.12) = 3.00

Ventas = $300,000
¿Cómo se valida el pronóstico
estacional?
¿Cómo se valida el pronóstico
de regresión lineal y múltiple?
¿Por qué se debe validar un
modelo de pronóstico de
regresión lineal y múltiple?
Pronósticos famosos:
“Creo que hay un mercado mundial para aproximadamente
cinco computadoras”.
Thomas Watson,
Presidente de IBM, 1943

“640 000 bytes de memoria deben ser suficientes para

cualquiera”.
Bill Gates, 1981

“Internet fracasará catastróficamente en 1996”.

Robert Metcalfe,
Inventor de Internet