Este documento presenta tres casos de estudio sobre pronósticos. El primer caso analiza los datos de ingresos y número de servicios de un centro de imágenes durante 5 años. El segundo caso utiliza un modelo de descomposición de series de tiempo para pronosticar las ventas de una tienda de ropa para los próximos 6 meses. El tercer caso desarrolla un modelo de pronósticos para predecir las ventas mensuales de una mueblería durante varios años tomando en cuenta tendencias y estacionalidad.

1. TRABAJO DE CICLO
“PRONOSTICOS”
NOMBRE:
STEPHANIE BALBOA
CODIGO:
10479–5
CARRERA:
INGENIERIA INDUSTRIAL
MATERIA:
PLANIFICACION Y CONTROL DE LA
PRODUCCION
2019

2. 1. INTRODUCCION
Los pronósticos son utilizados para poder predecil
la demanda del consumidor de productos o servicios, aunque se pueden
predecir una amplia gama de sucesos futuros que pudieran de manera
potencial influir en el éxito.
Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede
involucrar el manejo de datos históricos para proyectarlos al futuro, mediante
algún tipo de modelo matemático. Puede ser una predicción del futuro subjetiva
o intuitiva. O bien una combinación de ambas, es decir, un modelo matemático
ajustado por el buen juicio de un administrador.Sin embargo,
pocos negocios pueden darse el lujo de evitar el proceso del pronóstico sólo en
espera de lo que pueda suceder para tomar entonces las oportunidades.
La planeación efectiva depende del pronóstico de la demanda para los
productos de la compañía.
Pronostico es un método mediante el cual se intenta conocer el
comportamiento futuro de alguna variable con algún grado de certeza. Existen
disponibles tres grupos de métodos de pronósticos: Los cualitativos, los de
proyección históricos y los causales. Se diferencian entre sí por la precisión
relativa del pronóstico del largo plazo en comparación con el corto plazo, el
nivel de herramientas matemáticas requerido y la base de conocimiento como
sustrato de sus proyecciones.
2. ANALISIS DEL CASO
2.1. CASO 4-5 PROYECCION DE UTILIDADES PARACINCO
AÑOS DE DOWNTOWN RADIOLOGY
Downtown radiology desarrollo un centro de imágenes más completo y avanzado
tecnológicamente el propósito de estudio es pronosticar las utilidades de los
próximos 5 años para el centro de imágenes propuesto.
Metodología
Servicios médicos
El MRI remplazara, durante los siguientes seis meses de su puesta en marcha,
aproximadamente 60% de las tomografías de cabeza que actualmente se hace
con escáner CT y 70% durante los siguientes 12 meses.
Análisis de los datos precedentes
 Oficina de rayos x

3.  Oficina de ultrasonido
 Servicio de medicina nuclear
 Oficinas de tomografía CT

4.  Proyecciones del número de tomografías computarizadas CT
Pregunta. –
 El contador de Downtown radiology anuncio que los ingresos serian
considerablemente más altos dado que el interés económico por la
propiedad se pondrá a disposición por medio de cierto tipo de oferta
pública, la administración de Downtown radiology debe tomar una decisión
concerniente a la puntualidad de las proyecciones elaboradas por
professionals Marketing Associates. Se le solicita que analice el informe
¿Qué recomendaciones haría usted?
2.2. CASO 5-2.- MR TUX
El volumen de ventas de MR tux para el periodo 1990 a 1996 se introduce en
minitab ya que 1989 fue el primer año del negocio, los volúmenes fueron
extremadamente bajos. Por esta razón John decide eliminar estos valores de su
análisis. Cuando es cuestión de pronosticar los primeros seis meses de 1997,
John comienza por proyectar valores de tendencia mediante la ecuación de
tendencia Tt=19092.3+2861.58 t . El índice para enero es de 31.73% de manera
regular.
Debido a que los pronósticos de los expertos nacionales y locales advierten una
lenta mejoría en los negocios durante 1997.
Preguntas.-

5.  Suponga que el banquero de hubiera solicitado dos afirmaciones, que
pudieran justificar la solicitud de John para hacer pagos extraordinarios en
algunos meses y ninguno en otros.
 Suponga que el año entrante, el negocio de John sea exactamente el doble.
Determine los índices estacionales de Seattle que serían los ideales para
balancear los ingresos mensuales.
 ¿Cuál sería el volumen que debería sacar John de la máquina de camisas
para que enero y febrero fueran meses promedio?
2.3. CASO 5-4 MURPHY BROTHERS FURNITURE
En el caso 4.4 Julie Murphy desarrollo un modelo informal que combinada los
estimados estacionales y de tendencia. Una de las razones más importantes por
las que ella opto por un modelo informal fue su simplicidad. Julie sabía que su
padre, Glen, necesitaría comprender el modelo de pronóstico usado por la
compañía.
Es octubre de 2002 y muchas cosas han cambiado. Glen Murphy se ha retirado,
Julie ha terminado varios cursos de negocios, como el de pronósticos
empresariales, en la universidad local. Murphy Brothers Furniture construyo una
planta en Dallas y comenzó a fabricar su propia línea de muebles en octubre de
1995.
Los datos de las ventas mensuales de Murphy Brothers Furniture, de 1996 a la
fecha, tal y como se indican en el patrón de estos datos, las ventas se han
incrementado en una forma espectacular desde 1996.
Desafortunadamente la también muestra que uno de los problemas con la
demanda es que es estacional. La política general de la compañía fue emplear
dos turnos durante el verano y los primeros meses del otoño y después trabajar
uno por el resto del año; por lo tanto, los inventarios crecieron de manera
sustancial al final del verano y en los meses de otoño hasta que la demanda
comenzó a elevarse en noviembre y diciembre. Debido a estos requisitos de
producción, Julie estaba muy preocupada por preparar pronósticos de corto plazo
para la compañía que pudieron basarse en la mejor información disponible
concerniente a la demanda.
Para fines de pronósticos, Julie ha decidido utilizar únicamente los datos
recopilados desde que Murphy Brothers empezó a producir su propia línea de
muebles en 1996. Julie ve que sus datos tienen tendencia y estacionalidad. Por
esa razón, decidió utilizar un método de descomposición de la serie de tiempo
para analizar su variable de ventas.
^T t=5604.8+32.45t

6. Preguntas. -
 Desarrolle un modelo para pronosticar los datos de ventas ajustados a la
estacionalidad
 Pronostique las ventas para loa primeros 9 meses de 2002 ¿este pronóstico
es preciso cuando se compara con los datos reales?
 Pronostique las ventas para octubre de 2002
3. SOLUCION DE LOS CASOS
Caso 4-5
Año Nro. De Servicios Ingreso $
1985 3.128 1.129.680
1986 2.531 1.012.400
1987 2.716 1.205.904
1988 2.482 1.223.626
1989 2.529 1.383.363
Grafica Relación Nro. De Servicios- Ingreso respecto a los cinco años

7. Caso 5-2
TABLA 5.7 RESUMEN DE LOS INDICES
ESTACIONALES MENSUALES DE MR. TUX
PARA EL CASO 5-2
Descomposición de la serie de tiempos
Ecuación de la línea de tendencia
(Ŷt=19092,3+2861,58 t)
PERIODO INDICE
1 0,3173 #N/D #N/D
2 0,4817 0,4817 #N/D
3 0,9013 0,56562 #N/D
4 1,8194 0,816376 #N/D
5 1,9409 1,0412808 1,00209492
6 1,1913 1,07128464 0,97622133
7 1,0229 1,06160771 0,65559161
8 1,2616 1,10160617 0,14701899
9 0,9016 1,06160494 0,16567081
10 0,7806 1,00540395 0,23019061
11 0,6035 0,92502316 0,3057739
12 0,778 0,89561853 0,29558212
TABLA 5.9 PRONOSTICOS DE MR.
TUX (CASO 5 - 2)
Pronóstico de venta
Enero 90727
Febrero 140515
Marzo 308393
Abril 556972
Mayo 605757
Junio 378988
Caso 5-4
TABLA 5.8 CALCULOS DE CORTO PLAZO PARA LOS COMPONENTES
DE MR. TUX (CASO 5 - 2)
N AÑO MES VENTAS
1 1990 Enero 16850 #N/D
2 Febrero 12753 #N/D
3 Marzo 26901 33716
4 Abril 61494 78752,3333
5 Mayo 147862 89115,3333
6 Junio 57990 85723,3333
7 Julio 51318 54302,3333
8 Agosto 53599 42651,6667
9 Septiembre 23038 39344,3333
10 Octubre 41396 27921,3333
11 Noviembre 19330 27811
12 Diciembre 22707 19144
13 1991 Enero 15395 22976
14 Febrero 30826 23936,6667
15 Marzo 25589 53199,6667
16 Abril 103184 108793,667
17 Mayo 197608 123130,667
18 Junio 68600 102039
19 Julio 39909 66625,6667
20 Agosto 91368 63352,6667
21 Septiembre 58781 69942,6667
22 Octubre 59679 50634,3333
23 Noviembre 33443 48947
24 Diciembre 53719 38311,6667
25 1992 Enero 27773 39381,6667
26 Febrero 36653 38527,6667
27 Marzo 51157 101773
28 Abril 217509 158298,333
29 Mayo 206229 177939,667
30 Junio 110081 139734,333
31 Julio 102893 113943,667
32 Agosto 128857 112175,333
33 Septiembre 104776 114889,667
34 Octubre 111036 93171
35 Noviembre 63701 85798
36 Diciembre 82657 59258
37 1993 Enero 31416 54138
38 Febrero 48341 55136
39 Marzo 85651 125555
40 Abril 242673 205959,333
41 Mayo 289554 232200
42 Junio 164373 204845
43 Julio 160608 167025,667
44 Agosto 176096 159689
45 Septiembre 142363 144455,333
46 Octubre 114907 123607,333
47 Noviembre 113552 118500,333
48 Diciembre 127042 97399,3333
49 1994 Enero 51604 86337,3333
50 Febrero 80366 113636
51 Marzo 208938 184378
52 Abril 263830 241661,333
53 Mayo 252216 245204
54 Junio 219566 206954,667
55 Julio 149082 194178,667

8. Estadísticas de la regresión
Coeficiente de correlación múltiple 0,90990535
Coeficiente de determinación R^2 0,82792774
R^2 ajustado 0,81573262
Error típico 20,5430185
Observaciones 83
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresió
n 1 166503,72 166503,72 394,543986 7,1328E-33
Residuos 82 34605,2799 422,015608
Total 83 201109
Coeficiente
s
Error
típico
Estadístic
o t
Probabilida
d
Inferior
95%
Superior
95%
Inferior
95,0%
Superior
95,0%
Intercepció
n 0 #N/D #N/D #N/D #N/D #N/D #N/D #N/D
16850
0,0002586
9
1,3024E-
05
19,863131
3 4,4442E-33
0,0002327
8
0,000284
6
0,0002327
8
0,000284
6
Análisis de los residuales
Resultados de datos de
probabilidad
Observación Pronóstico 1 Residuos Residuos estándares Percentil 1
1 3,29911172 -1,29911172 -0,06362303 0,60240964 2
2 6,95910017 -3,95910017 -0,19389399 1,80722892 3
3 15,9080668 -11,9080668 -0,58318874 3,01204819 4
4 38,2508631 -33,2508631 -1,62843634 4,21686747 5
5 15,0016066 -9,00160659 -0,440847 5,42168675 6
6 13,2756069 -6,27560695 -0,30734319 6,62650602 7
7 13,8656857 -5,86568566 -0,2872676 7,8313253 8
8 5,95976914 3,04023086 0,14889305 9,03614458 9
9 10,7088551 -0,70885508 -0,03471565 10,2409639 10
10 5,00053553 5,99946447 0,29381932 11,4457831 11
11 5,87414176 6,12585824 0,30000936 12,6506024 12
12 3,98257861 9,01742139 0,44162152 13,8554217 13
13 7,97447016 6,02552984 0,29509585 15,060241 14
14 6,61969496 8,38030504 0,41041922 16,2650602 15
15 26,6929777 -10,6929777 -0,52368064 17,4698795 16
16 51,1198047 -34,1198047 -1,67099211 18,6746988 17
17 17,7463392 0,25366077 0,01242285 19,8795181 18
18 10,3241786 8,67582139 0,42489191 21,0843373 19
19 23,6362613 -3,63626126 -0,1780832 22,2891566 20

9. 20 15,2062327 5,79376726 0,28374545 23,4939759 21
21 15,4385391 6,56146095 0,32134268 24,6987952 22
22 8,65146972 14,3485303 0,70270862 25,9036145 23
23 13,8967288 10,1032712 0,49480021 27,1084337 24
24 7,18468046 17,8153195 0,87249205 28,313253 25
25 9,48187422 16,5181258 0,80896295 29,5180723 26
26 13,2339574 13,7660426 0,67418172 30,7228916 27
27 56,2680539 -28,2680539 -1,38440696 31,9277108 28
28 53,349997 -24,349997 -1,19252303 33,1325301 29
29 28,4771832 1,52281678 0,07457882 34,3373494 30
30 26,617698 4,38230201 0,21461999 35,5421687 31
31 33,3344028 -1,33440283 -0,06535139 36,746988 32
32 27,1048169 5,8951831 0,28871222 37,9518072 33
33 28,724235 5,27576497 0,25837667 39,1566265 34
34 16,4790023 18,5209977 0,90705212 40,3614458 35
35 21,3827866 14,6172134 0,71586718 41,5662651 36
36 8,12709903 28,872901 1,4140289 42,7710843 37
37 12,5054779 25,4945221 1,2485753 43,9759036 38
38 22,1573134 16,8426866 0,82485807 45,1807229 39
39 62,7778044 -22,7778044 -1,11552606 46,3855422 40
40 74,9055905 -33,9055905 -1,66050113 47,5903614 41
41 42,5221431 -0,52214312 -0,02557157 48,7951807 42
42 41,548164 1,45183599 0,07110259 50 43
43 45,5548011 -1,55480106 -0,07614523 51,2048193 44
44 36,8283104 8,17168962 0,40020243 52,4096386 45
45 29,7256356 16,2743644 0,79702492 53,6144578 46
46 29,3751066 17,6248934 0,86316607 54,8192771 47
47 32,8648751 15,1351249 0,74123151 56,0240964 48
48 13,3495931 35,6504069 1,74595222 57,2289157 49
49 20,790121 29,209879 1,43053215 58,4337349 50
50 54,0507963 -3,0507963 -0,14941048 59,6385542 51
51 68,250972 -16,250972 -0,79587929 60,8433735 52
52 65,2465116 -12,2465116 -0,59976382 62,0481928 53
53 56,8001854 -2,80018541 -0,137137 63,253012 54
54 38,5664686 16,4335314 0,80482 64,4578313 55
55 55,3313266 0,66867339 0,03274778 65,6626506 56
56 46,2923348 10,7076652 0,52439996 66,8674699 57
57 34,5743183 23,4256817 1,14725537 68,0722892 58
58 30,2531106 28,7468894 1,40785757 69,2771084 59
59 42,4654894 17,5345106 0,85873964 70,4819277 60
60 15,2222717 45,7777283 2,24193027 71,686747 61
61 21,3126808 40,6873192 1,99263126 72,8915663 62
62 58,1549606 4,84503939 0,23728221 74,0963855 63

10. 63 91,6551856 -27,6551856 -1,35439219 75,3012048 64
64 84,9193375 -19,9193375 -0,97553477 76,5060241 65
65 81,1382808 -15,1382808 -0,74138607 77,7108434 66
66 55,505427 11,494573 0,56293818 78,9156627 67
67 87,2292073 -19,2292073 -0,94173615 80,1204819 68
68 47,4655075 21,5344925 1,05463579 81,3253012 69
69 37,4116631 32,5883369 1,59598961 82,5301205 70
70 36,1523456 34,8476544 1,70663801 83,7349398 71
71 47,7407568 24,2592432 1,18807843 84,939759 72
72 18,3783262 54,6216738 2,67505593 86,1445783 73
73 39,5619192 34,4380808 1,68657945 87,3493976 74
74 64,8178573 10,1821427 0,49866288 88,5542169 75
75 105,952113 -29,9521125 -1,46688248 89,7590361 76
76 102,118282 -25,1182824 -1,23014924 90,9638554 77
77 70,5905914 7,40940859 0,36287029 92,1686747 78
78 59,5777721 19,4222279 0,9511892 93,373494 79
79 97,1138665 -17,1138665 -0,83813891 94,5783133 80
80 50,5509388 30,4490612 1,49122017 95,7831325 81
81 44,8878905 37,1121095 1,81753802 96,9879518 82
82 47,005034 35,994966 1,76282675 98,1927711 83
83 66,92724 17,07276 0,83612575 99,3975904 84
0 50000 100000 150000 200000 250000 300000 350000 400000 450000
-40
-20
0
20
40
60
16850 Gráfico de los residuales
16850
Residuos

11. 0 20 40 60 80 100 120
0
20
40
60
80
100
Gráfico de probabilidad normal
Muestra percentil
1
4. RESPUESTAS
Caso 4-5
Como primer paso recomendaría obtener los datos cuantitativos de la
empresa,para después aplicar uno de los métodos aprendidos en clase y
realizando el estudio de mercado correspondiente, se sustente la infomacion y
asi generar confianza respecto a las proyecciones realizadas.
En la ultima grafica se observa que al pasar los años se reducen la cantidad de
servicios, sin embargo las ganancias se incrementan, lo cual quiere decir que
este pronostico se acerca al de la compañía Professional Marketing Associates
Inc.
5. DISCUSIÓN DE LOS RESULTADOS
Los pronosticos son una herramienta que proporciona un estimado cuantitativo de
la probabilidad de eventos futuros la relevancia de incorporar pronosticos en la
demanda que se presenta.
6. CONCLUSIONES
Los datos relevantes aportaron, las posibles causas que conllevan a un buen o un
mal pronóstico de ventas, y como este, juega un papel importante para el buen
funcionamiento de una empresa. El papel que juega el pronóstico de ventas, no
solo encuentra su justificación en la magnitud que representan las ventas dentro
de la empresa sino también, el cúmulo de conocimientos específicos y experiencia
que se requiere para la obtención de las estimaciones.
Desde luego el pronosticador debe mantener un contacto permanente con sus
directores, contadores, personal del área de mercadotecnia, de distribución y
programación de operaciones, puesto que solo a través de la intercomunicación

12. con estas personas, le será posible lograr pronósticos que vayan más allá de un
modelo matemático y se acerquen más a la realidad del entorno.
Al realizar este estudio, fue evidente que la importancia de tener identificadas las
metodologías que le permiten prever volúmenes de ventas para periodos futuros,
en donde pudimos concluir de acuerdo a los resultados, que los gerentes de
pronósticos no siempre cuentan con los conocimientos técnicos para utilizar
modelos econométricos para la estimación de sus pronósticos, por lo que
consecuentemente podemos decir que no se toma como base, algunas
metodologías sobre modelos alternativos para la elaboración de los pronósticos de
ventas.
7. BIBLIOGRAFIA.
https://www.milenio.com/opinion/varios-
autores/emprendiendo-con-sentido-humano/pronosticos-
en-los-negocios