You are on page 1of 14

Promedios móviles y Pronósticos

MES VENTAS REALES PROMEDIO MÓVIL DE TRES MESES

Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 +13)/3 = 11 2/3
Mayo 19 (12 + 13 +16)/3 = 13 2/3
Junio 23 (13 + 16 +19)/3 = 16
Julio 26 (16 + 19 +23)/3 = 19 1/3
Agosto 30 (19 + 23 +26)/3 = 22 2/3
Setiembre 28 (23 + 26 +30)/3 = 26 1/3
Octubre 18 (26 + 30 +28)/3 = 28
Noviembre 16 (30 + 28 +18)/3 = 25 1/3
Diciembre 14 (28 + 18 +16)/3 = 20 2/3

El pronóstico para Diciembre es de 20 2/3 . Para proyectar la demanda para enero próximo, se suman las
ventas de Octubre, Noviembre y Diciembre y se dividen entre 3: Pronóstico de enero (18 + 16 + 14)/3 = 16
=
Ejemplo: La tienda de productos para jardín de Donna quiere pronosticar las ventas de
cobertizos ponderando los 3 últimos meses, dando más peso a los datos recientes para hacerlos más
significativos.

MES VENTAS REALES PROMEDIO MÓVIL DE TRES MESES

Enero 10
Febrero 12
Marzo 13
Abril 16 [(3 x 13)+(2x12)+(10)]/6 = 12 1/6
Mayo 19 [(3 x 16)+(2x13)+(12)]/6 = 14 1/3
Junio 23 [(3 x 19)+(2x16)+(13)]/6 = 17
Julio 26 [(3 x 23)+(2x19)+(16)]/6 = 20 ½
Agosto 30 [(3 x 26)+(2x23)+(19)]/6 = 23 5/6
Setiembre 28 [(3 x 30)+(2x26)+(23)]/6 = 27 ½
Octubre 18 [(3 x 28)+(2x30)+(26)]/6 = 28 1/3
Noviembre 16 [(3 x 18)+(2x28)+(30)]/6 = 23 1/3
Diciembre 14 [(3 x 16)+(2x18)+(28)]/6 = 18 2/3
Ejemplo:
En enero , un vendedor de automóviles predijo que la demanda para
febrero sería de 142 Ford Mustand. La demanda real en febrero fue de 153
automóviles . Usando una constante de suavización que eligió la
administración de α = 0.20, el vendedor quiere pronosticar la demanda
para marzo usando el modelo de suavización exponencial.

Solución:
Al sustituir en la fórmula los datos de la muestra, se obtiene:
Nuevo pronóstico (Marzo)= 142 + 0.2(153 – 142)
= 142 + 2.2
= 144.2
2. Modelos asociativos:
Los modelos asociativos, como la regresión lineal, incorporan las
variables o los factores que pueden influir en la cantidad que se va
pronosticar. Por ejemplo, un modelo asociativo sobre las ventas de
cortadoras de césped incluye factores como la construcción de nuevas
viviendas, el presupuesto de publicidad y los precios de competidores.
PROYECCIONES DE TENDENCIA
Esta técnica ajusta una técnica de tendencia a una serie de datos puntuales
históricos, y después proyecta dicha recta al futuro para obtener los pronósticos
de mediano y largo plazo.
Si decidimos desarrollar una recta de tendencia lineal mediante un método
estadístico preciso, podemos aplicar el método de mínimos cuadrados.
Una recta de mínimos cuadrados se describe en términos de su intersección con
el eje y (la cual cruza al eje y) y su cambio esperado (pendiente). Si se calcula la
intersección con el eje y y la pendiente, se puede expresar la recta con la
siguiente ecuación:

y = a + bx
^Y = valor calculado de la variable que debe predecirse
^
( llamada variable dependiente)
a = intersección con el eje yi
b = pendiente de la recta de regresión ( o tasa de cambio en y
para los cambios dados en x)
x = variable independiente ( que en este caso es el tiempo)
EJERCICIO:
En la tabla siguiente se muestra la demanda de energía eléctrica en N.Y. Edison
durante los últimos 7 años en megawatts. La empresa quiere pronosticar para el año
siguiente ajustando una recta de tendencia a estos datos.

DEMANDA DE ENERGÍA
AÑO ELÉCTRICA
1 74
2 79
3 80
4 90
5 105
6 142
7 122
8 ?
4
SOLUCIÓN:
AÑO (x) DEMANDA DE ENERGÍA ELÉCTRICA (y) x^2 xy 98.8571429
1 74 1 74
2 79 4 158
3 80 9 240
4 90 16 360 10.54
5 105 25 525
6 142 36 852
7 122 49 854 56.7
∑ 28 692 140 3063

Demanada del año 8 = a + b(8) = 141.02


141 megawatts

You might also like