Schroeder, R. (2005). Pronósticos.

En Administración de operaciones:casos y conceptos

contemporáneos (pp. 228 - 262) (601 p.) (2a ed). México D.F. : McGraw Hill . (C21603)

Pronósticos
Resumen del capítulo

11.1 Un marco de referencias para los pronósticos

11.2 Métodos cualitativos de pronóstico
11.3 Pronósticos de series de tiempo
11.4 Promedios móviles
11.5 Suavizamiento exponencial
11.6 Errores de pronóstico
11.7 Pronósticos avanzados de series de tiempo
11.8 Métodos causales de pronóstico
11.9 Selección de un método de pronóstico
11. 1O Aspectos clave
Ejercicios en Internet para el estudiante
Problemas resueltos
Preguntas de análisis
Bibliografía seleccionada
Suplemento: Métodos avanzados ·

El pronóstico es el arte y la ciencia de predecir los acontecimientos futuros. Hasta la

última década, en gran medida era un arte, pero ahora se ha convertido también en
una ciencia. Si bien se requiere todavía un criterio administrativo para llevarlo a
cabo,los gerentes de hoy cuentan con complejas herramientas y métodos matemáti-
cos. Realmente ha recorrido un largo camino desde el oscuro arte de decir la fortuna
mediante el uso de las estrellas, las hojas de té o las bolas de cristál.
A continuación se describen muchos métodos distintos de pronósticos y sus
usos. Uno de los aspectos principales de este capítulo es que el método que se utilice
debe Seleccionarse con cuidado para el uso particular que se pretende que tenga. No
existe un método universal para todos los casos.
Casi siempre, los pronósticos estarán equivocados. Es difícil que las ventas sean
exactamente iguales a la cantidad que se predice. Es común que con un extra de capa-
cidad, de inventarios o con la reprogramación de los pedidos pueda absorberse una
ligera variación respecto al pronóstico. Pero cuando ésta es muy grande puede provo-
car un caos en el negocio. Por ejemplo, suponga que se pronostica que en un año
particular se venderán 100 000 cajas de un producto y solamente se venden 80 000.
Las 20 000 cajas adicionales pueden terminar en el inventario, o quizás pueda reducir-
se el empleo para reducir los niveles de producción. También resulta igualmente dolo-
roso si el pronóstico es demasiado bajo. Cuando la capacidad se ejerce al máximo,
pueden incorporarse individuos adi~onales con mucha prisa, o es posible que se
pierdan ventas debido a falta de existencias. De estos ejemplos puede concluirse que los
 Capítulo once Pronósticos 229

pronósticos tiene un impacto importante en las operaciones y, en realidad, en todas

las funciones del negocio.
Existen tres maneras de adaptarse a los errores de pronóstico. Una de ellas es
intentar reducir el error mediante un mejor pronóstico. Otra es incorporar mayor
flexibilidad a operaciones y a la cadena de suministro. La tercera consiste en acortar
el tiempo de demora sobre los que se necesitan los pronósticos. Incluso los buenos
pronósticos tienen errores, pero la meta que permite costos razonables para éstos es
hacerlos con los mínimos posibles.
Como un reconocimiento de los errores inherentes a los pronósticos, todos los
pronósticos deben tener al menos dos cifras: una para el mejor estimado de la deman-
da (por ejemplo, media, mediana, o moda) y otra para el error en el pronóstico (des-
viación estándar, desviación absoluta, o rango). Producir pronósticos con solamente
una cifra es ignorar el error, pero esto sucede comúnmente en la práctica.
Es frecuente que los problemas de pronóstico sean complejos y difíciles. Un
ejemplo es el pronóstico de los 50 000 artículos que generalmente se venden en una
tienda .de abarrotes. El agotamiento de una marca particular o de un tamaño de
paquete puede provocar la pérdida de una venta tanto para el vendedor al menudeo
como para el productor. De esta manera, los pronósticos desempeñan un papel cen-
tral en una empresa, y a todo lo largo de la cadena de suministro, debido a su comple-
jidad y a su impacto en el negocio. En el recuadro de Líder en operaciones se describe
la manera en que Wal-Mart maneja pronósticos complejos en su cadena de suministro.

~ ; ~ .;·

El almacén dé dátos contiéneJn-tnir,n!il'·iñ;,,·c:nhrA

que sé llevan·en cada tienda durante todos lo.s dfas de l;ic.,I'Jttim;~·d;c;
nas. En la actualidad, este sistema tiene ocho terabytes (un liillón de
de información sobre inventarios, ventas, pronósticos, demograffa, precios, rebajas,
devoluciones y careros de supermercado. Los compradores, vendedores, y asociados en
logística y pronóstico, junto con 3 500 proveedores de mercancía, tienen acceso a ella.
Se puede acceder a más de 30 aplicaciones d~ computadora para que los usuarios..
puedan preguntar prácticamente cualquier pregunta que deseen.
Wai-Mart le proporciona a cada uno de sus proveedores l!O estado
das y gana e cada a~íc'-'10 9ue entregan, j historial
230 Parte cuatro Capacidad y programación

En la primera parte de este capífulo se presenta un marco de referencias descrip-

tivo para los pronósticos. Luego se analizan deterúdamente diversos métodos y sus
posibles aplicaciones. A continuación, se describen los usos de los pronósticos en las
organizaciones.

11.1 UN MARCO DE REFERENCIAS

PARA .LOS PRONÓSTICOS

Si bien existen muchos tipos de pronósticos, este capítulo se centrará en el pronóstico

de la demanda para la producción a partir de la función de operaciones. Sin embar-
go, la demanda y las ventas no siempre son la misma cosa. Siempre que la demanda
no está limitada por la capacidad o por otras políticas admirústrativas, el pronóstico
de la demanda será el mismo que el de ventas. De otra manera, las ventas se encontra-
rán un poco por debajo de la demanda real de los clientes.
También se debe aclarar desde el principio la diferencia entre pronóstico y pla-
neación. El pronóstico trata de lo que se piensa que sucederá en el futuro. La planeación
se refiere a lo que pensamos debe suceder. Así, a través de la planeación, consciente-
mente intentamos modificar los acontecimientos futuros, mientras que el pronóstico
solamente se utiliza para predecirlos. En una buena planeación se utilizan los pro-
nósticos como insumo. Si el pronóstico no es aceptable, en ocasiones puede idearse
un plan para modificar el curso de los acontecimientos.
El pronóstico constituye un insumo para todos los tipos de control y planeación
ae negocios, tanto dentro como fuera de la función de operaciones. Mercadotecnia
emplea pronósticos para planear productos, promociones y para. fijar precios. Finan-
zas los utiliza como un insumo'para la planeación financiera. Yen las decisiones de
operaciones sobre el diseño del proceso, la planeación de la capacidad y el inventa-
rio, también sirven como insumo.
Los pronósticos se necesitan en el diseño de procesos p_ara decidir sobre el tipo
de proceso y el grado de automatización~ utilizar. Poiejemplo, un pronóstico bajo de
las ventas futuras puede indicar que se necesita poca automatización y que el proce-
so debe mantenerse tan simple como sea posible. Si se pronostica un volumen mayor,
podría justificarse un aumento en la automatización y un proceso más elaborado,
que incluya al flujo en línea. Como las decisiones relativas a los procesos son a largo
plazo por naturaleza, pueden necesitar pronósticos para muchos años en el futuro.
En las decisiones sobre la capacidad, los pronósticos sirven a distintos rúveles
de agregados y de precisión. Para planear la capacidad total de las instalaciones, se
necesita un pronóstico de largo plazo que abarque varios años en el futuro. Para las
decisiones a mediano plazo, para el año siguiente o un plazo similar, se necesitará
un pronóstico más detallado por línea de producto para determinar los planes de
contratación, las subcontrataciones y las decisiones de equipamiento. Además, como
es más detallado, el pronóstico a mediano plazo debe ser más preciso, de ser posible,
que el que se hace para el largo plazo. Las decisiones sobre la capacidad a corto
plazo, que incluyen la asignación de personas y máquinas disporúbles a trabajos o
actividades en el futuro cercano, debén detallarse en téiminos de productos indivi-
duales y deben ser sumamente precisas.
Las decisiones de inventarios que resultan en acciones de compra tienden a ser
de corto plazo por naturaleza y a referirse a productos específicos. Los pronósticos
que conducen a estas decisiones deben cumplir los mismos requerimientos que los
 Capítulo once Pronósticos 231

pronósticos de programación a corto plazo: deben ser sumamente precisos y estable-

cer especificaciones para productos individuales. Para las decisiones de inventarios
y de programación, dada la gran cantidad de artículos que generalmente se incluye,
también se necesitará producir una gran cantidad de pronósticos. De esta manera, a
menudo se utilizará un sistema computarizado de pronóstico para estas decisiones.
Los pronósticos se utilizan para muchos fines en comercialización, entre los que
están la planeación de las ventas, la introducción de nuevos productos, el diseño de
programas de comercialización, las decisiones sobre la fijación de precios, la publi-
cidad y la planeación de la distribución. El pronóstico no se limita a un aspecto de
comercialización; más bien, afecta a todas las decisiones en esta función. En reali-
dad, en ocasiones la responsabilidad del pronóstico se le asigna a ella o a un equipo
interfuncional en el que participe junto con personal de operaciones y de finanzas.
En.las funciones de finanzas, contabilidad y recursos humanos también existe
un inter~ importante en el pronóstico. Incluso en la tarea rutinaria de elaborar un
presupuesto o de calcular los costos se necesita un pronóstico sobre el volumen y
planes financieros fundamentados en el pronóstico de ventas. Recursos humanos
necesita un pronóstico para anticiparse a las decisiones de contratación y a los
presv.puestos del personal.
En resumen, hay distintos tipos de decisiones en operaciones y diferentes reque-
rimientos para los pronósticos, como se muestra en la Tabla 11.1. En ésta también se
incluyen algunas de las decisiones en comercialización, finanzas/contabilidad y

Métodos y usos de pronóstico

232 Parte cuatro Capacidad y programación

recursos humanos para las cuales se necesita un pronóstico, e indica los tres tipos de
métodos que se relacionan con aquéllas: cualitativo, de series de tiempo y causales.
En términos generales, los métodos cualitativos de pronóstico se fundamen-
tan en juicios gerenciales; no utilizan modelos específicos. De esta manera, distintos
individuos pueden utilizar el método cualitativo y llegar a conclusiones muy dife-
rentes. No obstante, los métodos cualitativos son útiles cuando faltan datos o cuan-
do los anteriores no son buenos predictores del futuro. En este caso, la persona que
toma las decisiones puede utilizar los mejores datos disponibles en un enfoque cua-
litativo para obtener un pronóstico.
Existen dos tipos de métodos cuantitativos de pronósticos: las series de tiem-
po y el pronóstico causal. En general, utilizan un modelo subyacente para llegar a
una conclusión. La suposición básica en todos los casos es que los datos anteriores
y los patrones de los mismos son predictores confiables del futuro. Luego se proce-
san mediante un modelo de series de tiempo o causal para llegar a un pronóstico.
En lo que resta de este capítulo, se hará referencia a rangos de corto, mediano y
largo plazo. Cuando se hable de este último, se querrá indicar dos o más años en el
futuro, un horizonte común para la planeación de instalaciones y procesos. El "me-
diano plazo" se ha definido como entre seis meses a dos años, el marco normal de
tiempo para las decisiones de planeación agregada, elaboración de presupuestos y
otras decisiones sobre la asignación y la adquisición de recursos. Ycomo corto plazo
se entenderá el inferior a seis meses, donde las decisiones implican la procuración de
materiales y la programación de tareas y actividades particulares. Para las decisio-
nes a corto plazo bastan los pronósticos que se extienden más allá de los tiempos de
demora para producción y procuración.

11.2 MÉTODOS CUALITATIVOS PARA EL PRONÓSTICO

Como se h~ señalado, en los métodos cualitativos de pronóstico se utilizan juicios
administrativos, experiencias, datos relevantes y un modelo matemático implícito.
Dado esto último, es común que dos gerentes distintos lleguen a pronósticos total-
mente diferentes cuando utilizan métodos cualitativos.
Para algunas personas, los pronósticos cualitativos deben utilizarse solamente
como último recurso. Esto no es totalmen~e cierto. Los pronósticos cualitativos se
· deben utilizar cuando los datos anteriores no constituyan indicadores .confiables de
las situaciones futuras. Cuando esto sucede, deben evaluarse utilizando el criterio
personal antes de elaborar un pronóstico. Los pronósticos cualitativos también se
deben utilizar en la introducción de nuevos productos, situación en la que no existe
una base de datos histórica. En este caso, es posible utilizar métodos cualitativos
para desarrollar un pronóstico por analogía, o por el uso selectivo de la información
que se obtenga de la investigación de mercados. Como se verá, es posible adoptar un
enfoque sistemático aunque no se formule un modelo matemático explícito.
í En la Tabla 11.2 se describen cuatro de los más conocidos métodos cualitativos y
algunas de las características de cada uno. Como se puede advertir, los métodos
cualitativos se utilizan típicamente para el pronóstico a mediano y largo plazo en el
que se involucre el diseño del proceso o la capacidad de las instalaciones. Para estas
decisiones, generalmente no se puede disponer de datos anteriores, o de lo contrario,
de existir éstos, exhiben un patrón inestable.
Si bien en este capítulo no se hace una descripción detallada de los métodos
cualitativos, sí se hace notar .su utilidad en situaciones determinadas. También se
 Métodos cualitativos de pronóstico

Precisión
M'lodos ldeñtlflca•
cualitativos Corto Mediano clón del Costo
Descripción :del método plazo plazo mómento relativo
d-.ctsívo
1. Delphi
Pronósticos que desarrolló un Pronósticos de ventas a largo De De regular De regular De
panel de expertos que respondie- . plazo para la capacidad o la regular a muy a bueno medio a
ron una serie de preguntas.en planeación de· las instalaciones. a muy bueno elevado
rondas sucesivas. Las respueStas Pronósticos tecnológicos para bueno
anó:nimas ~n el panel se · evaluar el momento en qoe se
retroalimentan a todos los pueden dar los cambios de
partitipantes en cada ronda. Es
.. ,.t~cnoiÓgla .
'

posible utilizar entre tres•y seis

ro~das para obtener" la .conver- '
gencia del pronóstico.
2. Encuestas
de mercado Se utilizan paneles, cuestionarios, Pronóstico de las ventas totales Muy De regular Elevado
mercados de prueba o encuestas de la empresa, de los principa- bueno . 'a bueno
para recopilar datos sobre las Íes grupos de productos, o . de
condiciones del mercado. "'prodt'l ctos. individuales.
•\ t""'
lll
3. ~nalogla · -y
-o
·~ ~ . '
;:;:
de los ciclos La predicción se basa en las fases p,ronóstic~ . de.. las-ventas
a Malo Oe De maio Medio e:
de vida de intro~ucción, crecimiento y Jarg'o glaio para la planeacíón· regular a regular o
saturación :'d e productos similares. de la capadáaci o de' las . .. a bueno o
::;,
Utiliza la ·curva de crecimiento de instalaciones. 1"1
~
las ventas en forma de S.
·4. Ju'icio
informado Pronósticos para las ventas De malo a De malo De malo Bajo ~
;::t
totales y los productos regular ~ regular a regular Sl'
individuales.
....
~·

N
...._~ftPI'Odujo con autorización del Harvard Busin.ess Review. Se adaptó la tabla de David M. Georgeoffy 'Robert Murdick, "Manager's Guide to Forecasting", Harvard Business Review, enero-febrero w
M1!ltli;pp. Uo-120. w
234 Parte cuatro Capacidad y programación

advierte que los métodos cualitativos son costosos, en especial cuando se necesitan
pronósticos múltiples. A continuación se analizará el extremo opuesto: métodos de
series de tiempo,los cuales se adaptan bien a los pronósticos múltiples de corto plazo.

11.3 PRONÓSTICOS DE SERIES DE TIEMPO

Los métodos de series de tiempo sirven para análisis detallados de los patrones de
la demanda anterior en el transcurso del tiempo y para proyectar tales patrones hacia
el futuro. Una de las suposiciones básicas de todos los métodos de series de tiempo es
que la demanda puede dividirse en componentes tales como el nivel promedio, la
tendencia, la estacionalidad, el ciclo y el error. En la Figura 11.1 se muestran estos
componentes para una serie de tiempo representativa. Cuando se suman (o en algu-
nos casos, se multiplican) los componentes, igualarán a la serie de tiempo original.
La estrategia básica en el pronóstico de series de tiempo consiste en identificar la
magnitud y la forma de cada componente con base en los datos anteriores disponi-
bles. Estos componentes, a excepción del componente aleatorio, se proyectan luego
hacia el futuro. Si solamente se deja fuera un pequeño componente aleatorio y el
patrón persiste en el futuro, se habrá obtenido un pronóstico confiable.

Descomposición de
los datos de series
de tiempo.

Serie original de tiempo

Patrón de
estacionalidad

Tendencia

Nivel

Aleatorio
 Capitulo once Pronósticos 23 S
ESTAOONAUDAD. Esquiar en
nieve es una industria que
exhibe diversos patrones de
comportamiento. Es
fundamentalmente una
industria de temporada (por
ejemplo, el invierno) y
durante mucho tiempo ha
mostrado una tendencia de
crecimiento generalmente
creciente. Factores aleatorios
pueden provocar variaciones.
o cimas y valles abruptos, en
la demanda. C> Royalty-Free/
CORBIS

Un ejemplo de la descomposición de una serie de tiempo es el siguiente:

y(t) =(a+ bt)[f(t)] +e (11.1)

en donde y(t) =demanda durante el periodo t
a= nivel
b = tendencia
f(t) = factor estacional (multiplicativo)
e = error casual

Como se puede observar, este modelo de serie de tiempo tiene un nivel, una tenden-
cia, un factor estacional, y un término de ~rror aleatorio. Cada uno de estos térmi-
nos se calcularía a partir de los datos anteriores para desarrollar una ecuación que
luego se utiliza para pronosticar la demanda futura. En el suplemento del capítulo se
encontrará un ejemplo de este método.
En el estudio del pronóstico de las series de tiempo se utilizan los siguientes
sím~olos y terminología:

Demandas observadas Pronósticos en el tiempo t

Datos Dt fttt

Periodo t+ 1
..,.
Tiempo presente

D, = demanda durante el periodo t

F, + 1 = demanda pronosticada para el periodo t + 1
e, = D, - F, =error pronosticado en el periodo t
A, =promedio calculado durante el periodo t

La imagen general es que nos encontramos al final del periodo t, que se acaba.rd.e
advertir el válor de D, y que se está elaborando un pronóstico para los periodos t + lr
t + 2, t + 3, y así sucesivamente.
236 Parte cuatro Capacidad y programación

11.4 PROMEDIOS MÓVILES

El método más sencillo para el pronóstico de series de tiempo es el método de los
promedios móviles. Para éste se supone que la serie de tiempo solamente cuenta
con un componente de nivel, además de un componente aleatorio. No se supone la
existencia de patrones estacionales, tendencias o ciclos en los datos sobre la deman-
da. Sin embargo, en versiones más avanzadas del promedio móvil se pueden incluir
diversos componentes.
Cuando se utiliza un promedio móvil, se selecciona un número de periodos (N)
para los cálculos. Entonces la demanda promedio A, para los periodos N anteriores
en el momento t se calcula de la siguiente manera:

At = Dt + Dt- 1 + .. · + Dt- N+l (11.2)

N
Como se supone que la serie de tiempo es plana (u horizontal), el mejor pronós-
tico para el periodo t + 1 es simplemente una continuación de la demanda promedio
que se observa a lo largo del periodo t. De esta manera, se tiene:

Cada vez que se calcula F, . 1, se incluye la demanda más reciente en el promedio

y se deja la observación más antigua de la demanda. Este procedimiento mantiene N
periodos de la demanda en el pronóstico y deja que el promedio se mueva a medida
que se observan nuevos datos de demanda.
En la Tabla 11.3 se utiliza un promedio móvil de tres periodos para fines de
pronóstico. Adviértase cómo el promedio móvil se compensa por un periodo para
obtener el pronóstico móvil. El error de pronóstico también se conoce en la tabla como
la diferencia entre la demanda actual y la pronosticada. Siempre utilice el pronóstico
para el periodo t(F,) en el cálculo de los errores de pronóstico, no el promedio para el
periodo t (A,).
En la gráfica de la Figura 11.2 se muestran los datos de la demanda del ejemplo,
el promedio móvil de tres periodos y un periodo móvil de seis periodos. Es una buena

Pronósticos de
promedio ·móvil.
 Capítulo once Pronósticos 237

idea graficar siempre los datos y los pronósticos antes de hacer comparaciones.
Adviértase cómo el promedio móvil de seis periodos responde más lentamente a los
cambios en la demanda que el periodo móvil de tres periodos. Como regla general,
mientras más prolongado sea el periodo que promedia, más lenta la respuesta a los
cambios en la demanda. De esta manera, un periodo más largo tiene la ventaja de
proporcionar estabilidad al pronóstico pero la desventaja de responder más lenta-
mente a las modificaciones reales en el nivel de demanda. El analista de pronósticos
debe seleccionar el trueque adecuado entre estabilidad y tiempo de respuesta optan-
do por una duración promedio N.
Una manera de hacer que el promedio móvil responda-con mayor rapidez a los
cambios en la demanda es colocar relativamente más peso en las demandas recientes
que en las anteriores. A esto se le llama promedio móvil ponderado, el cual se
calcula de la siguiente manera:

Con la condición siguiente:

En el promedio móvil ponderado, es posible especificar cualquier peso deseado

siempre y cuando sumen l. Por ejemplo, si se tienen tres demandas D1 =10, D2 =18,
y D3 = 29, el promedio móvil ordinario para los tres periodos es de 19.0. Con pesos de
.5, .3 y .2, el promedio móvil sopesado para los tres periodos es de 21.9. En este caso,
el peso de .5 se aplicó al tercer periodo, .3 al segundo periodo y .2 al primero. Adviértase
en este ejemplo cómo el promedio móvil ponderado ha respondido más rápidamente

Datos de series de tiempo.

40 r-----~------~------T-----~~----~------~------~----~

o
Periodo
238 Parte cuatro Capacidad y programación

que el promedio móvil ordinario al aumento en la demanda a 29 en el tercer periodo.

Adviértase también que el promedio móvil simple es solamente un caso especial del
promedio móvil ponderado donde todos los pesos son iguales, W; = 1/N.
Una de las desventajas de un promedio móvil ponderado es que toda la historia
de la demanda para N periodos debe acarrearse con el cálculo. Además, la respuesta
a un promedio móvil ponderado no se puede cambiar fácilmente sin modificar cada
uno de los pesos. Para superar estas dificultades se ha desarrollado el método de
suavizamiento exponencial.

11.5 SUAVIZAMIENTO EXPON ENCIAL

El suavizamiento exponencial se fundamenta en la sencilla idea de que es posible
calcular un nuevo promedio a partir de otro antiguo y la demanda observada más
reciente. Supóngase, por ejemplo, que se tiene un antiguo promedio de 20 y que
solamente se ha observado una demanda de 24. Parece lógico que el nuevo promedio
estará entre 20 y 24, según qué tanto peso se desee poner sobre la demanda que se
acaba de observar contra el peso en el antiguo promedio.
Para formalizar la lógica anterior, se puede escribir

(11.4)

En este caso, A1•1 es el antiguo promedio (20), D,la demanda que se acaba de observar
(24) y a la proporción del peso que se pone sobre la nueva demanda frente al prome-
dio antiguo (O =::; a=::; 1).
Como ejemplo, supóngase que se utilizan los valores, a= .1, D, = 24, y A1 _ 1 =20.
Luego, a partir de la Ecuación (11.4), se tiene que A,= 20.4. Si a~ ..5, se tiene que A,=
22, y si a= .9, se tiene A,= 23.6. Así, A, puede variar entre el antiguo promedio de 20
y la demanda de 24, según el valor de a que se utilice.
Si se desea que A, tenga una respuesta muy sensible a la demanda reciente; se
debe escoger un valor grande de a. Si, por el contrario, se desea que A, responda más
lentamente, entonces a debe ser más pequeño. En la mayor parte del trabajo de pro-
nósticos, se le da a a un valor entre .1 y .3 para mantener una estabilidad razonable.
En el suavizamiento exponencial simple, como en el caso de los promedios mó-
viles, se supone que la serie de tiempo es plana, que no tiene ciclos ni componentes de
tendencia o de estacionalidad. Luego el pronóstico de suavizamiento exponencial
para el periodo siguiente simplemente es el promedio que se obtiene a través del
periodo actual. Esto es,

En este caso, el pronóstico también se desfasa un periodo a partir del promedio

suavizado.
Se puede sustituir la relación precedente en la Ecuación (11.4) para obtener la
siguiente:

(11.5)
 Capítulo once Pronósticos 239

En ocasiones esta forma alternativa de un suavizamiento exponencial simple1 o de

primer orden, es más conveniente que la Ecuación (11.4) porque utiliza pronósticos
en lugar de promedios.
Otra manera de considerar el suavizamiento exponencial es con el reacomodo
de los términos en el extremo derecho de la ~uación {11.5) lo que da 1

F, + 1 =F, + a (D1 - F,)

Esta forma indica que el nuevo pronóstico es el antiguo pronóstico más una propor-
ción del error entre la demanda observada y el antiguo pronóstico. La proporción del·
error que se utiliza puede controlarse con la elección de a.
Por ejemplo, supóngase que se había pronosticado F5 =100 para el periodo 5 y
que se acaba de observar que la demanda para éste es D5 =120. En este caso, se tiene
un error de D5 - F5 = 20. Si a= .1, entonces se añade únicamente 10 por ciento de este
error al pronóstico antiguo para hacer el ajuste para el hecho de que la demanda ha
superado el pronóstico. Por lo tanto, en este·caso el pronóstico para el periodo 6 es F6
=100 + .1(20) =102. Adviértase/ cuando se utiliza una constante de suavizamiento
de .1 que no se está reaccionando con demasía al hecho de que se acaba de observar
una demanda que superó el pronóstico que se hizo. Sin embargo, si se quiere reaccio-
nar más rápidamente a incrementos como éste en la demanda, se debe elevar el valor
de a. Por ejemplo, ¿cuál sería el pronóstico para el periodo 6 si a= .5o a= .7?
(Respuesta: F6 = 110 para a= .5 y F6 = 114 para a = .7.)
Los estudiantes a menudo se preguntan por qué se ha dado el nombre de "sua-
vizamiento exponencial" a este método. Se puede demostrar matemáticamente que

~uavaauuento

exponencial.•

• Supóngase que F, =15, como un punto arbitrario de inicio. También supóngase que MAD0 =7. Véase el texto paiaM
definiciones de MAD y de señal de rastreo.
240 Parte cuatro Capacidad y programación

los pesos en cada uno de los datos anteriores de demanda se reducen exponencial-
mente, por un factor de (1 - a), hasta que se alcance la demanda del primer periodo
y el pronóstico inicial F1• Dado que los pesos sobre las demandas anteriores se
reducen exponencialmente con el paso del tiempo y todos los pesos suman 1, el
suavizamiento exponencial es solamente una forma especial del promedio móvil
ponderado.
En la Tabla 11.4 se calculan dos pronósticos emparejados exponencialmente
para a= .1 y a= .3 utilizando los mismos datos de demanda de la Tabla 11.3. Como
se puede observar, el pronóstico de a= .3 responde más rápidamente a los cambios
en la demanda, pero es menos estable que a= .l. ¿Entonces cuál de estos pronósticos
es el mejor?
Antes de responder a esta pregunta obsérvense algunos renglones de la Tabla
11.4. En el renglón 1, se da el pronóstico inicial para el periodo 1, F1 =15, como valor
inicial. La demanda para el periodo 1 es de solamente 10 unidades, por lo que se
reducirá el pronóstico para el periodo 2. Para a= .1, el nuevo pronóstico F2 será de
14.5 y para a= .3, será de 13.5. (Verifique usted mismo estas cifras.) Es por esto que se
afirma que el pronóstico reacciona más rápidamente a los cambios en la demanda
para los valores más elevados de a, pero es menos estable, puesto que no sabemos si
el promedio subyacente de largo plazo se ha modificado o si solamente se observa
una fluctuación aleatoria en el primer periodo.
Para responder la pregunta de cuál es el mejor promedio, se necesita observar la
información y los errores de pronóstico a lo largo de un periodo bastante prolonga-
do. En la Tabla 11.4 se calculan dos medidas de error de pronóstico para 15 periodos.
Una de ellas es simplemente la suma aritmética de todos los errores,lo cual refleja el
sesgo en el método de pronóstico. Lo ideal es que esta s.uma sea O. En la Tabla 11.4,
ambos métodos tienen un sesgo positivo, donde a= .1 produce más sesgo que a= .3.
La segunda medida de error de pronóstico es la desviaáón absoluta. En este
caso, se añade el valor absoluto de los errores, de tal manera que los errores nega-
tivos no can<;:elen los errores positivos. El resultado es una medida de la varianza
en el método de pronóstico. La desviación absoluta total para a= .1 es menor que
para a= .3.
De esta manera, se tiene el interesante resultado de que el pronóstico de a = .1
tiene un sesgo mayor, pero menos desviación absoluta que el pronóstico de a= .3.
En este caso no está claro cuál debe ser la elección entre ambos métodos; solamente
depende de la preferencia personal entre el sesgo y la desviación. Sin embargo, si el
pronóstico tiene tanto una desviación como un sesgo menores, entohces se le preferi-
rá sin duda.
El procedimiento para elegir un valor de a está claro ahora. Se debe hacer un pro-
nóstico para los distintos valores de a. Si uno de los valores de a produce un pronóstico
con menos sesgo y menos desviación que los otros, entonces se prefiere este valor. Si no
existe una opción clara, se debe considerar la posibilidad de hacer trueques entre el
sesgo y la desviación cuando se elija el valor adecuado de a.
Desafortunadamente, el suavizamiento exponencial simple no siempre se pue-
de utilizar en la práctica debido a tendencias o a efectos estacionales en los datos.
Cuando éstos existen, es posible acudir al suavizamiento de segundo orden, de ter-
cer orden, de corrección de tendencia, o estacionalidad. Algunos de estos métodos
más avanzados se presentan en el suplemento del capítulo.
 Capítulo once Pronósticos 241

11.6 ERRORES DE PRONÓSTICO

Cuando se utiliza el suavizamiento exponencial, sea sencillo o más avanzado, se
debe hacer un cálculo del error de pronóstico junto con el promedio suavizado. Este
cálculo de error puede utilizarse para distintos fines:

l. Para supervisar las observaciones erráticas en la demanda, o las no representa-

tivas por fuera de límites, las cuales deben evaluarseruidadosamente, e incluso
rechazarse de los datos.
2. Para determinar cuándo el método de pronóstico ya no está rastreando la de-
manda real y necesita volverse a programar.
3. Para determinar los valores de parámetros (por ejemplo, N y a) que permiten el
pronóstico con el mínimo de error.
4. Para fijar inventarios o capacidades de seguridad y con ello garantizar un nivel
deseado de protección en contTa del agotamiento de las existencias.

Los tres prinleros usos se cubrirán a continuación; el cuarto se toca más adelante, en
el Capítulo 15.
En el trabajo de pronóstico existen cuatro formas distintas de medir el error
acumulativo del pronóstico a largo plazo durante varios periodos. (Recuérdese que
e1 = D 1 - F1es el error de pronóstico para el periodo t, "Como se define arriba.)
n
Suma acumulada de errores
de pronóstico
CFE = Let
t=l
n
:Ler
Error cuadrático medio MSE = l=L_
n
n
:L ~~~
Desviación media absoluta MAD= l=l_
en errores de pronóstico n

MAPE =
:¿;
n

t=l t
100
Errores porcentuales (se expresa como
n porcentaje)
de la media absoluta

A~viértase que n es el número de periodos pasados que se utiliza para calcular las
mediciones de error acumulado.
Ya nos hemos referido al valor de CFE como al sesgo en el pronóstico. Lo ideal es
que el sesgo sea igual a cero, si los errores positivos se compensan con los negativos.
Sin embargo, si el pronóstico siempre es bajo,·por ejemplo, el error será positivo en
cada periodo y el CFE será un número positivo grande, lo cual indica un pronóstico
con sesgo.
La segunda y la tercera fórmulas miden la varianza en el pronóstico. La raíz
cuadrada de MSE es la bien conocida desviación estándar (a). MSE utiliza el cuadra-
do de cada término de error para que los errores positivo y negativo no se cancelen el
uno al otro. Otra medida de la varianza, MAD, se calcula a partir de los valores
absolutos del error en cada periodo y no de los errores al cuadrado. MAD es solamén·
242 Parte cuatro Capacidad y programación

te el error promedio a lo largo den periodos sin tomar en cuenta el signo del error en
cada periodo. En la práctica, MAD se ha utilizado ampliamente en el trabajo de
pronóstico porque es fácil de comprender y de utilizar.
La última medida del error acumulado de pronóstico (MAPE) normaliza los
cálculos de error mediante el cálculo de un error porcentual. Esto permitirá comparar
los errores de pronóstico para distintos datos de series de tiempo. Por ejemplo, si una
serie de tiempo tiene valores bajos de demanda y otra otros mucho más elevados, el
MAPE será una forma precisa de comparar los errores para estas dos series de tiempo.
Cuando se utiliza el suavizamiento exponencial, es común calcular la desvia-
ción media absoluta suavizada, la cual se define de la siguiente manera:

MAD1 = a 1D,- F, 1 + (1- a)MAD, _1

En este caso, la nueva MAD, o MADt' es sencillamente una fracción a de la desviación

absoluta actual más (1- a) veces la MAD antiguo. Esto es análogo a la Ecuación (11.4),
puesto que la MAD se suaviza de la misma manera que el promedio. MAD1es solamen-
teun promedio ponderado exponencialmente de los términos absolutos de error.
Se debe calcular la MAD1 actual para cada periodo junto con el promedio del
pronóstico. Entonces se puede utilizar la MAD1 para detectar un dato fuera de lími-
tes, la demanda mediante la comparación entre la desviación observada y la MAD,.
Si la desviación observada es mayor que 3.75 MAD, se tiene razón de sospechar que
la demanda puede ser un valor extremo. Esto es comparable a determinar si un valor
observado de demanda cae fuera de tres desviaciones estándar (o) para la distribu-
ción normal. Esto es cierto porque a= 1.25 MAD, para la distribución normal. En la
Tabla 11.4, se calculó MAD1 para a= .3. Co.mo se puede observar, ninguno de los
errores de la demanda se ubican fuera de 3.75 MAD, por lo que no se sospechan
datos fuera de límites.
El segundo uso de la MAD1 es determinar si el pronóstico está rastreando los
valores reales de la serie de tiempo. Para determinar esto, se calcula una señal de
rastreo, de esta manera:

CFE
Señal de rastreo= TS = - -

Así, la señal de rastreo es un cálculo del sesgo (error acumulado del pronóstico) en el
numerador dividido entre el estimado más reciente de MAD,. Si se supone que las
variaciones en la demanda serán aleatorias, entonces los límites de control de ± 6 en
la señal de rastreo deben asegurar solamente una probabilidad del 3 por ciento de
que la casualidad superará los límites.1 De esta manera, cuando la señal de rastreo es
superior a ±6, se debe poner un alto al método de pronóstico y reprogramarlo para
que se acerque más a la demanda observada. En la Tabla 11.4, la señal de rastreo no
es superior a ±6 en ningún periodo. Por lo tanto, se considera que el pronóstico está
siguiendo a la demanda actual con suficiente cercanía.
En los sistemas de pronóstico por computadora, resulta sumamente importante
incorporar los controles de error del tipo que se menciona arriba. Esto garantizará

1
Estos límites numéricos y probabilidades se fundamentan en la distribución normal de probabilidades y
un valor de a = .1 [véase Thomopoulos (1980), p. 306}.
 Capítulo once Pronósticos 243

que el sistema no se salga de control. En vez de eso, se notifica al usuario cuando se

detectan los puntos fuera de límites en demanda o cuando la señal de rastreo es
demasiado grande.
Como un ejemplo de estos(:ákulos, hágase referencia a los primeros renglones
de la Tabla 11.4. En las últimas dos (:Olumnas de la tabla se ha cakulado la MAD
suavizada y la señal de rastreo. Si se comienza con la suposición arbitraria de que
MAD0 = 7 se puede calcular MAD1 a partir de la fórmula dada anteriormente como
sigue, donde a = .3

MAD1 = .3 po - 1s 1 + .7 (7) = 6.4

En forma similar, la señal de rastreo para el periodo 1 es el error acumulativodividi-

doentreMAD1:

TS = 5/6.4 = -.8

Como ejercicio, calcule MAD2 y la señal de rastreo para el periodo 2 y compare sus
resultados con los de la Tabla 11.4.

11.7 PRONÓSTICOS AVANZADOS DE SERIES DE TIEMPO

El suavizamiento exponencial adaptativo constituye una variante del suaviza-
miento exponencial a la cual se le ha prestado mucha atención. En una de las formas
de este enfoque se utiliza el suavizairuento de primer orden, pero se cambia el coefi-
ciente de suavizamiento en cada pronóstico en :± .05 para determinar cuál de los tres
pronósticos tiene el menor error de pronóstico. El valor resultante de a se utiliza para
el pronóstico del siguiente periodo. Se deja que el coeficiente de emparejamiento se
incremente a un máximo de .95 y se reduzca a un mfuimo de .05.
Otro tipo de suavizamiento adaptativo consiste en ajustar a continuamente-con
base en el error actual de pronóstico. Por ejemplo, se puede ajustar a para el error de
pronóstico suavizado. Si existe un gran error de pronóstico, a será más grande hasta
que el pronóstico vuelva a su carril. Cuando el error es más pequeño, también a será
pequeño y se conseguirá un pronóstico estable. Parece que este método funciona
bastante bien en situaciones de pronóstico de inventarios.
En la Tabla 11.5 se hace un resumen de cuatro métodos de pronósticos de series
de tiempo. Ya se han analizado dos de ellos, que son el promedio móvil y el suaviza-
miento exponencial, hasta cierto punto. Los otros dos se analizan brevemente a con-
tinuación.
Cualquie~ modelo matemático deseado puede ajustarse a una serie de tiempo
como la que se muestra en la Ecuación (11.1), con los componentes de nivel, tenden-
cia y estacionalidad. Por ejemplo, un modelo puede ajustarse mediante los métodos
de regresión lineal o el uso de métodos no lineales. En algunos -casos, el modelo
resultante puede proporcionar un pronóstko más preciso que el suavizamiento expo-
nencial. Sin embargo, un modelo ajustado a la medida es más caro, por lo que deben
hacerse algunas concesiones entre la precisión y el costo del modelo.
Para ayudar a los analistas en el pronóstico del trabajo, se ha desarrollado ,el
complejo método Box-Jenkins para el pronóstico de series de tiempo. Esta t~~
tiene w:ta fase especial para la identificación del modelo, y permite un anális~ más
preciso de los modelos propuestos que lo que es posible con los otros Ii\étodos. Nece-
 N
t
;:
";:l
~
n
e
TABLA 11.5 Métodos de pronóstico de series de tiempo
o!!t
Q
~
n

ldentlf.ca- ~
~
Métodos de dón del
costo ~
series ~
de tiempo Descripción del método Usos relativo ~
~
1. Promedios El pronóstico se basa én el prome- Planeación de cort~ a mediano De malo Malo Muy ~.
C::>-
móviles dio aritmético o en el promedio plazo para inventarios, n iveles a bueno malo ::s
ponderado de un número dado de de producción y programación.
puntos de datos anteriores. Bueno para muchos productos.
.
2. Suavizami- Similar al del promedio móvil, con Igual que el promedio móvil. De regular De malo Muy
ento expo- exponencialmente más peso en los a muy a bueno malo
nencial datos recientes. Se adapta bien a su bueno
uso en computadora y a una gran
cantidad de artlculos a pronosticar.

3. Modelos Método lineal o no lineal que se Igual que el promedío móvil, Muy De regular Muy
matemáticos adapta a datos de series de tiempo, pero limitado debido a los bueno a bueno malo
generalmente mediante mét,odos . gastos a pocos produrtQs,
de regresión. Comprende las lineas
de tendencia, los polinomiales, los
logaritmico lineales, las series de
Fourier, etcétera.

4. Box-Jenkins Los métodos de autocorrelación se limitado, debido a los gastos a De muy De regular
utilizan para identificar las series de productos que necesitan bueno a a -bueno
tiempo subyacentes y para ajustarse pronósticos muy precisos de excelente
al " mejor" modelo. Se requiere corto plazo.
aproximadamente 60 puntos de
datos anteriores.

Fuente: Se reimprimió con autorización del Haroard Business Review. La tabla se adaptó de David M. Georgoff y Robert Murdic.k, "Manager'S Guide to Forecasting", Harwrd Business Review, enenrfebrero
de 1986, pp. 110-120.
 Capítulo once Pronósticos · 245

sita cerca de 60 periodos de datos anteriores y es demasiado caro para utilizarse en

el pronóstico de rutina de muchos artículos. Sin embargo, para un pronóstico espe-
cial de ventas que implique una decisión costosa, debe ser obligatorio.
En resumen, los métodos de series de tiempo son útiles para los pronósticos a
corto y mediano plazo cuando se espera que el patrón de la demanda permanez.ca
estable. Los pronósticos de series de tiempo a menudo constituyen insumos para las
decisiones que se refieren a la planeación de la producción agregada, la elaboración
de presupuestos, la asignación de recursos, los inventarios y la programación. Los
pronósticos de series de tiempo no son por lo regular útiles para las decisiones sobre
la planeación de las instalaciones o la selección de procesos porque implican perio-
dos muy prolongados.

11.8 MÉTODOS CAUSALES DE PRONÓSTICO

En general, los métodos causales de pronóstico desarrollan un modelo de causa y
efecto entre la demanda y otras variables. Por ejemplo, la demanda de helado puede
relacionarse con la población, la temperatura promedio durante el verano, y el tiem-
po. Es posible recopilar información sobre estas variables y conducir un análisis
para determinar la validez del modelo que se propone. Uno de los métodos causales
mejor conocidos es el de regresión, que generalmente se enseña en los cursos de
estadística.
Para los métodos de regresión tiene que especificarse un modelo antes de que se
recopile la información y se lleve a cabo el análisis. El caso más sencillo es el siguien-
te en el modelo lineal de una sola variable:
A
y =a+bx

donde y= demanda estimada . A

X= variable independiente {que hipotéticamente provoca y

a= intersección con y
b= pendiente
Se recopila información para este modelo y se calculan los parámetros a y b. Luego
pueden hacerse estimados de la demanda a partir de la ecuación superior. Por su-
puesto que también se pueden desarrollar modelos más complejos de regresión múl-
tiple.
Se ilustrará el pronóstico de regresión lineal con un sencillo ejemplo. Supóngase
que interesa calcular la demanda de periódicos con base en la población local. La
demanda de periódicos durante los últimos ocho años (y) y la población correspon-
diente en una pequeña población (x¡) se muestran en la Tabla 11.6. Con los datos ·
disponibles, el primer paso es calcular los valores de a y de b para la línea. Esto se
hace con alguno de los muchos paquetes de estadística, como Excel, Minitab, SPSS, o
SAS. El resultado en este caso es a - 1.34 y b =2.01. La mejor ecuación (con mínimos
cuadrados) para predecir la demanda de periódicos es por lo tanto y= -1.34 + 2.01
x. Para esta ecuación se observa que la tasa de crecimiento de periódicos es 2.01
(miles de copias) para cada incremento de 10 000 personas en la población. Esta tasa,
o tendencia, de aumento permitiría proyectar la demanda de periódicos en los afios
futuros a partir de los estimados para la población, con lo que se supone que una
ecuación lineal sigue pudiéndose adaptar a la población como variable de predicción.
246 Parte cuatro Capacidad y programación

En la Tabla 11.7 se describen otras for-

mas de pronósticos causales (modelos
econométricos, modelos de entrada-salí-
Ejemplo de regresión."' da (inputs-outputs], y modelos de simu-
lación). En general, estos modelos son más
complejos y más costosos de desarrollar
que los modelos de regr~sión. Sin embar-
go, en las situaCiones en las que es necesa-
rio modelar un segmento de la economía
con gran detalle, los modelos economé-
•t..ademandadeperiódiro.y¡seexpresaenmilesdecopias. tricos o los de input-output pueden resul-
La población x;se expresa en diez mil personas. tar inadecuados.
Los modelos de simulación resultan
especiahnente útiles cuando se modela una cadena de suministro o un sistema de
logística para fines de pronóstico. Por ejemplo, supóngase que se desea ~alcular la
demanda de tubos catódicos para televisor. En este caso, es posible construir un mode-
lo de simulación mediante la representación de los conductos de distribución desde el
fabricante de ~bos de cristal hasta el fabricante de tubos catódicos para televisor hasta
el fabricante del aparato y finalmente llegar hasta las cadenas de distribución de mayoreo
y de menudeo; todas las importaciones, inventarios y exportaciones de la cadena de
suministro deben incluirse. A través de este modelo se obtiene un pronóstico razonable
para los tubos catódicos de televisor en varios años futuros.
Una de las características más importantes de los modelos causales es que se les
utiliza para predecir momentos decisivos en la función de la demanda. En compara-
ción, los modelos de series de tiempo solamente se pueden utilizar para predecir el
patrón de la demanda futura con base en el pasado; no pueden predecir las ~ubidas
y bajadas en la demanda. ·
Debido a esta capacidad para predecir momentos decisivos, en general los mo-
delos causales son más precisos que los modelos de series de tiempo para pronósti-
cos a mediano y largo plazo. Por lo tanto, los modelos causales se utilizan más
ampliamente en la planeación de las instalaciones y de los procesos de operaciones.
No obstante, el pronóstico sigue siendo una ciencia inexacta. Como demostra-
ción, en el recuadro de la página 149 se incluyen algunas famosas citas al respecto.
Éstas advierten sobre algunos de los peligros de los pronósticos, como la inestabili-
dad de las series de tiempo, la incertidumbre del futuro, las dificultades para prede-
cir los momentos decisivos y la falta de visibilidad total hacia el futuro.

11.9 SELECCIÓN DE UN MÉTODO DE PRONÓSTICO

En esta sección se presenta un marco de referencias para seleccionar entre los méto-
dos cualitativo, de series de tiempo y causal. En esta tarea, los factores más importan-
tes son los siguientes:

l . Complejidades del usuario y del sistema. ¿Qué tan refinados son los geren-
tes, dentro y fuera de operaciones, que deben utilizar los resultados de los pronósti-
cos? Se ha descubierto que el método de pronóstico debe empatarse a los conocimien-
tos y al grado de complejidad técnica que maneje el usuario. En general, los gerentes
no están dispuestos a utilizar los resultados que se obtienen de técnicas que no
entienden.
 Métodos de pronóstico causal.

Precisión

Identifica-
ción del
Métodos Corto Mediano Largo momento Costo
causales Descripción del método Usos plazo plazo ptaio decisivo relativo
"
1. Regresión Este método relaciona la demanda En planeación de corto a De bueno De bueno ~aJo Muy bueno Medio
con otras variables externas e mediano plazo para la a muy a muy
internas que tienden a provocar producci~n agregada o para bueno bueno
modificaciones en la demanda. El inventarios que involucran
método de regresión utiliza unos cuantos productos. Es útil
mínimos cuadrados para obtener donde existen fuertes relacio-
un mejor ajuste entre las variables. nes causales.

2. Modelo Un sistema de ecuaciones El pronóstico de las ventas por De muy Muy Bueno Excelente Elevado
econométrico lnterdependientes de regresión que . clases de producto para bueno a bueno
describe algún sector de las ventas planeación de corto a media- excelente
económicas o de la actividad de las no plazo.
utilidades.

3. Modelo Un método de pronóstico que Pronósticos de ventas de la No 'oe

bueno. De bueno Regular Muy Q
de input-
output (entra-
describe los flujos de un sector de la compai'Ha o.de un pals por
economfa a otro. Predice los sectores industriales. ·
disponible a muy
bueno
a muy
bueno
elevad o "'e:
~-

~as-salldas) insumos que se necesitan para

o
o
;::,
producir los productos necesarios
@
en otro sector.

Simulación del sistema de distribu- Pronósticos de ventas de una Muy De bueno Bueno Bueno Elevado 4'
o
4. Modelo ci~n que describe los cambios· en las empresa por principales bueno a muy :S

de simulación ventas, y' los flujos del producto en grupos de productos. ~-

bueno
el transcurso del tiempo. Refl~ja los ~·
efectos de lé!i tober'fa de distribu-

~~...~
<ión ....
N
Fu~Se,reimprimió con autorización del Harvard Business Review. La tabla se adaptó de David M. Georgoff y Robert Murdick, "Managers Cuide to Forecasting", Harvard Business Review, enero- ~
febft:nnle""'l9186, pp.ll0-120. ......
248 Parte cuatro Capacidad y programación

evito hacer profecías antes de tiempo porque es mucho mejor hacerlas des--
que el evento suc~dió." .

Otro factor relacionado es la situación de los sistemas de pronóstico que se utili..

zan actualmente. Los sistemas de pronóstico tienden a evolucionar hacia métodos·
matemáticamente más complejos; no cambian en un solo gran paso. Por tanto, el..
método que se escoja no debe ser demasiado avanzado ni complicado para sus usua-
rios ni encontrarse en un grado muy superior de avance respecto del actual sistema
de pronóstico. Aún más, en ocasiones, los modelos más sencillos pueden tener uno
mejor desempeño, por lo que la complicación no es la meta última.
2. Tiempo y recursos disponibles. La selección de un método de pronóstico de--
pende del tiempo del que se dispone para recopilar información y preparar el pronós-..
tico. Esto puede implicar el tiempo de los usuarios, de los encargados del pronóstico y•
de los recopiladores de datos. La preparación de un pronóstico muy complejo para e~
cual debe recopilarse la mayor parte de la información puede requerir varios meses y
costar miles de dólares. Los pronósticos de rutina que elaboran los sistemas
computarizados probablemente tengan un costo y una duración modestos.
3. Uso o características de decisión. Como se señaló al iniciar el capítulo, el
método de pronóstico debe relacionarse con el uso a que se destina o con las decisio...
nes que se necesita tomar. A su vez lo primero depende de características tales como
la precisión, el horizonte de tiempo del pronóstico y la cantidad de artículos a incluir
en éste. Por ejemplo, para las decisiones de inventario, programación y fijación de
precios se necesitan pronósticos muy precisos a corto plazo para una gran cantidad
de artículos. Los métodos de series de tiempo son ideales para satisfacer estos reque-
rimientos. Por otro lado, las decisiones que implican procesos, planeación de insta-
laciones y programas de comercialización son a largo plazo y exigen menor preci-
sión para un solo estimado de la demanda total. Los métodos cualitativos o causales
tienden a ser más adecuados para tales decisiones. En el rango del mediano plazo se
encuentran la planeación agregada, la elaboración de presupuestos de capital y las
decisiones relativas a la introducción de nuevos productos, para lo cual a menudo se
utilizan métodos causales o de series de tiempo.
 Capítulo once Pronósticos 249

4. Disponibilidad de la información. A menudo, la selección del método de

pronóstico se limita por la información disponible. En un modelo econométrico qui-
zás se necesite información de la que sencillamente no se puede disponer en el corto
plazo; por lo tanto, debe escogerse un método alternativo. Para el método Box-Jenkins
de series de tiempo se necesitan aproximadamente 60 puntos de información (cinco
años de datos mensuales). La calidad de los datos disponibles también importa.
Cuando son deficientes, los pronósticos también lo serán. Se les debe verificar para
desechar factores extraños o puntos inusuales.
5. Patrón de la información. Éste afectará la elección del tipo de método de
pronóstico. Si la serie de tiempo es plana, como se ha supuesto en la mayor parte del
capítulo, se puede utilizar un método de primer orden. Sin embargo, si en los datos se
observan tendencias o patrones estacionales, se requerirán métodos más avanzados.
El patrón en la información también detemúnará si basta{:On un método de series de
tiempo, o si se necesita uno causal. Si aquél es inestable con el transcurso del tiempo,
quizás se seleccione uno cualitativo. De esta manera, el patrón de la información
constituye uno de los factores más importantes que afectan la selección de un método
de pronóstico. Una manera de detectar el patrón es al ubicar los datos en una gráfica.
Esto siempre debe ser el primer paso cuando se hace un pronóstico.

Otro aspecto relativo a la selección de métodos de pronóstico es la diferencia

entre el ajuste y la predicción. Cuando se prueban modelos distintos, a menudo se
considera que el modelo que mejor se ajusta a los datos históricos (con menos errores)
también es el mejor modelo para predecir. Esto es falso. Por ejemplo, supóngase que
se obtuvieron observaciones sobre la demanda durante los últimos ocho periodos y
que se desea ajustar el mejor modelo de series de tiempo a estos datos. Es posible
elaborar un modelo polinomial de grado siete que se adapte exactamente a cada uno
de los anteriores ocho puntos de toma de datos. 2 Pero este modelo no es necesaria-
mente el que mejor predice el futuro.
Lo será aquel que describa la serie de tiempo subyacente pero no es una fuerza
adaptada a la información. La manera correcta de adaptar los modelos con base en la
información anterior consiste en separar el ajuste y la predicción del modelo. En primer
lugar se divide al conjunto de datos en dos partes. A continuación se adaptan varia&
modelos con base en suposiciones razonables acerca de la temporalidad, las tenden-
cias y el ciclo al primer conjunto de datos. Estos modelos se utilizan para predecir
valores para el segundo conjunto de datos y el que tenga menos errores en el segundo
conjunto es el mejor modelo. En este enfoque se utiliza el ajuste en el primer conjunto de
datos y la predicción en el segundo como base para la selección del modelo.

11 .10 ASPECTOS CLAVE

Los pronósticos de la demanda resultan insumas cruciales para las decisiones de
planeación dentro de operaciones y en otras funciones del negocio. En este capítulo
se han resaltado diversos usos y métodos importantes de pronóstico. Algunos de los
aspectos principales del capítulo son los siguientes:

O Para decisiones diferentes se necesitan métodos distintos de pronóstico, lo cual

incluye las siguientes decisiones en operaciones: diseño del proceso, planeación

2
El modelo seria Y= a1 + a2t + al + ... + al. donde t = tiempo.
250 Parte cuatro Capacidad y programación

VP de AO, TENGO UNA

MARAVILLOSA HERRAMIENTA
NUEVA PARA PRONOSTICAR
LA DEMANDA.

~~
o

de la capacidad, planeación agregada, programación y administración de

inventarios. Algunas de las decisiones fuera de operaciones para las cuales se
necesitan pronósticos son los programas de comercialización a largo plazo, la
fijación de precios, la introducción de nuevos productos, el cálculo de costos y la
elaboración de presupuestos de capital. Es posible clasificar los métodos dispo-
nibles en cualitativos, de series de tiempo y causales.
O Cuatro de los métodos cualitativos más importantes son Delphi, encuestas de
mercado, analogías del ciclo de vida y juicio informado. Éstos son más útiles
cuando no se puede disponer de datos históricos, o cuando éStos no son confiables
para predecir el futuro. Los métodos cualitativos se utilizan principalmente para
los pronósticos. de largo o mediano plazo que se refieran al diseño del proceso, a
la planeación de las instalaciones y a los programas de mercadotecnia.
O El pronóstico de series de tiempo se utiliza para descomponer los datos de la
demanda en sus componentes principales, con lo que se proyecta e.l patrón his-
tórico hacia adelante en el tiempo. Los usos principales son el pronóstico de
corto a mediano plazo para decisiones de inventarios, programación, fijación de
precios y costeo. Algunas de las mejor conocidas técnicas de series de tiempo son
el promedio móvil, el suavizamiento exponencial, los modelos matemáticos y el
método Box-Jenkins.
O Entre los métodos de pronóstico causal se cuentan la regresión, los modelos
econométricos, los modelos de entrada-salida (inputs-outputs) y los modelos de
simulación. Estos métodos intentan establecer una relación de causa y efecto
entre la demanda y otras variables. Los métodos causales pueden ayudar a pre-
decir los momentos de decisión en los datos de las series de tiempo y por lo tanto
son muy útiles para el pronós.tico de largo y de mediano plazo. ·
O Dos tipos de errores en el pronóstico son el sesgo y la desviación. Ambos deben
vigilarse constantemente para controlar la precisión de los pronósticos que se
obtienen.
O La selección del método de pronóstico debe hacerse con base en cinco factores:
complejidad del usuario y del sistema, tiempo y recursos disponibles, caracterís-
ticas del uso o de la decisión, disponibilidad de los datos y patrón de los datos.
O Existe una diferencia entre pronóstico y planeación. El primero consiste en pre-
decir lo que sucederá; la segunda, en determinar qué debe suceder.
 Capítulo once Pronósticos 251

... . ' '

"
... ' ' ..
·En este sitio se proporciona una lista de iiabajos en él cañipo del pronóstico. Analice los·
listados y evalúe los tipos de grados educativos deseados, la experiencia necesaria y las
empresas que están en busca de profesionales en pronóstico.

Problemas resueltos

Problema l. Promedio móvil, promedio móvil ponderado y suavizamiento exponencial

La demanda de alas de pollo en un restaurante local durante las seis semanas
anteriores ha sido la siguiente:

Semana j 1 1 2 3 4 5 6
563 735 514 5%

a. Haga un pronóstico de la demanda para la semana 7 mediante un promedio

móvil de cinco periodos.
b. Haga un pronóstico de la demanda para la semana 7 mediante un promedio
móvil ponderado de tres periodos. Utilice los siguientes pesos para hacerlo:
W1 = .s, W2 ~ .3, W3 = .2.
c. Haga el pronóstico de la demanda para la semana 7 mediante el suaviza-
miento exponencial. Utilice un valor a de .1 y suponga que el pronóstico
para la semana 6 era de 600 unidades.
d. ¿Qué suposiciones se hacen en cada uno de los pronósticos anteriores?

Solución a. F7 = A 6 = D2 + D3 + D4 + Ds + D6
n
521 + 563 = 735 + 514 + 596
=-------------------
5

=585.8
252 Parte cuatro Capacidad y programación

b. F7 =A6 =(Wt x D6) + (W2 x Ds) + (W3 x D4)

=(.5 X 596) + (.3 X 514) + (.2 + 735)
=599.2
c. F7 =A6 =[(a) x D6] + [(1- a) x F6]
= [(.1) X 596) + [(1- .1) X 600)
=599.6

d. Se supuso lo siguiente: la demanda futura será como .la pasada en términos

. de ·cantidad demandada. No hay tendencia, estacionalidad o efectos ácli-
cos presentes. En el modelo de promedios móviles ponderados, se considera
que la demanda más reciente es más importante que la antigua en la predic-
ción de la demanda futura. En el modelo de suavizamiento exponencial, un
valor de a de .1 pone muy poco peso en la demanda actual (lO por ciento}, y
casi todo el peso en la demanda pasada (90 por ciento).

Problema 2. Suavizamiento exponencial, MAD suavizada exponencialmente y señal de

rastreo
Una tormenta inundó a la Compañía x:rz, la cual perdió una parte de su infor-
mación para pronósticos. En la tabla siguiente se marcan las posiciones [a], [b],
[e], [d], [e] y Ul se debe recalcular a partir de los datos restantes.

D, F1(cx = .3) e1 = D1 -F1 <X= .3 Señal de

Periodo (demanda) (~ronóstico) (error) (MAD1) rastreo
o 10.0
1 120 100.0 20.0 [a] 1.5
2 140 106.0 34.0 19.3 [b]
3 160 [e] [d] [e] [f]

Solución a. MAD1 =(a x 1D1 - F1 1) + [(1 - a) x MAD1 _ d

MADt =(a x ID1 - F1 1) + [(1-a) MADo]
=(.3 X !120- 100 1) + [(1- .3) X 10.0]
=13.0
CFE
b. TS, = - -
MAD,
TS _ (Dt -11) + (D2 - ~)
2
- MAD2
20.0 + 34.0
19.3
=·2.8

c. F1 +l =(a x D1) + [(1- a) x F1]

F3 =(a x D2) + [(1- a) x F2 ]
= (.3 X 140) + [(1- .3) X 106.0]
= 116.2
 Capítulo once Pronósticos 253

d. e1 =D1 - F1
e3 =D3- F3
=160 - 116.2
= 43.8
e. MAD1 = (a x ID1 -F1 1}+ [(1-a)xMAD1 _t)
MAD3 = (a x 1D3- F3i) + ((1 - a) x MAD2]
=(.3 X 1160- 116.2 1) + ((1 - .3) X 19.3)
= 26.7
TS CFE
f. 1 = MADt
TS _ (Dt -11) + (D2 - ~) + (D3 - ~)
3- MAD3
20.0 + 34.0 + 43.8
= - -- - - -
26.7
=3.7

~~'\'··~ó~ .. diferencia. entre el pronóstico d~ la qeman-

·el pronósti~ de las. ventasZ¿~posible pr,_onosticar
demandá a partir de lo8 .datos históricos de ventas? ,
--4-... _., .• ..'":# - -
:9.
. ••. , ...AL<Ll ~~ lá.difereilda·;en,tre ~nóstico y planeación?
• .,<~< ~'1: J -· .. ..... •

. ¿€ómopueden las¡organizácionesconfu~oon el~ro- 10.

~~QCQ.cuando eSta diferencia no está -clara?
·:3:· ·óefirla l~s •·.Íémúnos ~ooo
.. • .. 4
Cüali~tivo",
·)
"métooo tie 11.
.series de tiempo" y ''pronóstíco.~sal".
- •
los
4. Se ha áfinnado que métódos de pronóstioo cualitativo
, 't,.

, <Jeben utilizarse únicamente romo último recurso. Co-

·%< ~te.al~peoto. .
5. ·~ba los uSos de los pronósticos cualitativo~ de series
l de tiempo y causál. . ' .
~ ~ Se ha·afumado gue los pronósticos cualitativo y cau.sal
~ -s () , ~no 'son muy útije5 como insPI.DOS para las dC9isiones de 12.
~ .,,.. _· inv~ntario y de pCQ~Ó)l. ¿Por qué~ derta ~ta
. ~pn? . •
1. · · -¿Que tipb d~ COD;lponen'tes de series dé tiempo se espera-
. ¡rían~ 1os siguien~~--~culos? ·
'
. .
a Ventas·mensuales<ie_una'florería
, '1. . . '
· , ·J,, Venta$ mensüales de lecfie,en un supermercado
~l c. ' pemanda diaria de llamadas telefónicas . . ..
-- ~· ~mandamensual 'de~ódicos ·
 Capitulo once Pronósticos 255

a Elabore el pronóstico del promedio móvil de tres Excel 8.En la florería ABC; los dos propietarios, Bob y
periodos para estos datos. ¿Cuál es el error en cada Henry, discutían res~to a la precisión de los mé-
día? todos de pronóstico. Bob afirínaba qtie el suaviza-
b. Calcule el pronóstico del promedio móvil ponderado miento de primer orden con q =.1 sería elmejor méto-
para tres periodos con los pesos w 1 = .5, w2 = .3, do. Henry sostenía que se obtendría un mejor pronóstico
w3 = .2. para la tienda con a= .3.
c. ¿Cuál de los pronósticos es mejor? a Si se utiliza F 1 = 100 y los datos del pw.blema 3,
, 3. La florería ABC vendió la siguiente cantidad de geranios ¿cuál de los dos gerentes tiene la razón?
durante las últimas dos semanas: b. Elabore una gráfica de los dos pronósticos y de los
datos originales con Excel. ¿Qué revela la gráfica?
Día Demanda Día Demanda c. Es posible que pueda mejorarse aún más la preci-
sión del pronóstico. Intente con valores adicionales
1 200 8 150
2 134 9 182 de a = .2, .4 y .5 para ver si se logra una mayor
3 157 10 19i ptecisión.
4 165 11 136 Se ha cop1pletado solamente una parte de la siguiente
5 177 12 163 tablfi panl un s~vizamiento exponencial. Complete los
6 125 13 157 datos que !al~ 'Utilizando a= .2 ·
7 146 14 169 Señal de
Periodo Dt ft et MADt rastreo
Elabore una hoja de cálculo para responder a las pregun- o 20
tas siguientes: 1 300 290
2 280
. a Haga el pronóstico de la demanda superior mediante
3 309
un promedio móvil para tres y para cinco periodos.
Grafique estos pronósticos y los datos originales
utilizando Excel. ¿Qué muestra lagráfica?
c. ¿Cuál de los pronósticos superiores es mejor? ¿Por 1O. Una tienda de dulces ha vendido los siguientes ldlogra-
qué? mos de dulces en los.últimos tres días. Si ~ supone que
.4. La tienda departamental Handy-Dandy había hecho un a= .4,A0 =18 y.MAD0 =1 complete la tabla siguiente:
pronóstico de ventas de 110 000 dólares para la semana
pasada. Las ventas reales resultaron ser de 125 000. Señal de
a. ¿Cuál es el pronóstico para esta semana, si se utiliza
Periodo Dt At ft et MADt rastreo
el suavizamiento exponencial y a= .1?
Si las ventas durante esta semana resultan ser de o 18 1
120 000 dólares, ¿cuál es el pronóstico para la se- 1 2Ó
mana siguiente? 2 26
3 1(
La compañía de helados Yummy proyecta la demanda de
helado mediante el suavizamiento exponencial de primer
· " orden. La semana pasada, el pronóstico fue de 100 000 ... '
galones de helado y en realidad se vendieron 80 000. Excel 11. Una tienda de abarrotes venfle las sjguientes
a Si a =.1, prepare un pronóstico para la semana que captidades de pavos congelados <iún\nte la semana
entra anterior al Día de Grac~as:
Calcule el pronóstico si a =.2 y a = .3 para este "
problema. ¿Qué valor de a proporciona el mejor Pavos ven.didos
pronóstico, si se supone que la demanda actUal es de Lun.es 80
95 000 galones? Martes 55
6. · Prepare pronósticos con el método de suavizamiento Miércoles 65
. exponencial y los datos del problema 2 para los casos Jueves 40
Viernes 85
'siguientes:
Sábado 105
a a
=.1 y F1 =90
b. a= .3 y F 1 = 90
7. Calcule los errores de sesgo y de desviación absoluta
para los pronósticos del problema 6. ¿Cuál de los mode- a Prepare un pronóstico de las ventas para cada día y
los de pronóstico es mejor? comience con F1 =85 y a-= .2.
 Parte·cuatro Capacidád y Programdción

b. Calcule el MAD y la séfi.al de rastreo par:i los datO$

que se proporcionan ·arriba para cada periótlo. Su-
pónga que MAD0 =O. -
. c. ~on base en los criteri~s que se dan en.el te~to,
¿MAD y la señal de rastreo se encuentran dentro de
las tolerancias?
d. Vuelva a calcular las partes a y b con a= .1, .3 y .4.
¿Qué valor de a proporciona ~1 mejor pronóstico?
12. La famosa compañía Widget utiliza el suavizamiento
exponencial simple para.pronosticar la demanda para sus
dispositivos de mayor venta. La empresa.está conside-
rando si debe utilizar a = .1, o a = .4 para fines de
pronóstico. Utilice los datos siguientes para las ventas
diarias para llegar a una recomendación: Demanda Día
1 200 8
Día Demanda Día Demmda 2 209 9
3 215 10
1 35 8 39 4 180
2 47 9 24 5 190
3 46 10 26 6 195
4 39 11 36 7 200
S 26 12 43
6 33 13 46
7 24 14 29
14. La florería ABC del problema 3 está considerando diver-
sos modelos de pronóstico para los primeros siete días de
Elabore una hoja de cálculo de Excel para responder a las la demanda y está utilizando los segundos siete días comO
preguntas siguientes: una muestra de retraso para comparar la precisión de la
a. Para los primeros siete días de datos c9mpare la · predicción de los modelos. Han decidido u~lizar a= .3,
desviación absoluta para los pronósticos con a = .1 pero no están seguros qué valor de inicio pata el pronós-
y a= .4. Comience con A0 = 33. ¿Qué método es tico F 1 utilizar.
mejor? a. Intente con valoresdeF1 =160,F2 =170y F3 =180
b. Utilice la segunda semana de siete días de informa- para determinar el mejor modelo exponencial para
ción (del día 8 al 14) para hacer-la misma compara- los primeros siete días con la mínima desviación
ción. Utilice A1 = 32 para ambos métodos. ¿Qué absoluta total como criterio. Se puede modificar la
método es mejor ahora? hoja de cálculo del problema 8 para hacer los cálcu-
c. ¿Qué muestra este ejemplo? los.
13. La tienda de llantas Easy Fit tenía la demanda de producto b. Compare el mejor modelo de la parte a con el modelo
que se indica a un costado. Divida la información en de promedios móviles para tres periodós del segundo
dos partes iguales de siete días cada una. Suponga que conjunto de datos. ¿Cuál tiene la suma más pequeña
F 1 = 198. de errores absolutos?
a. Elabore una hQja de cálculo con los primeros siete c. ¿Qué principios ilustra este problema?

Bibliografía seleccionada Bowerman, Broce y Richard O'Connell, Forecasting and Time

. Series: AnAppliedApproach, Nueva York: Wadsworth,
1993 ..
Annstrong, J. Scott, Principles of Forecasting, Nueva York: Box, G.E.P., G.M. Jenkins, G.C. Reinsel yG. Jenkins, Time
Kluwer, 200 l. Series Análisis, Forecasting and Control, 3a. ed., Upper
Basu, Shankar y Roger G. Schroeder, "Incorporating Saddle River, NJ: Prentice ~all, 1994.
Judgments in Sales Forecasts: Application of the Delphi Brockwell, Peter J. y Richard Davis, /ntroduction to Time
Method at American Hoist and Derrick", Interfaces 7, núm. SeriesandForecasting, 2a. ed., Nueva York: Springer
3 (mayo de 1977), pp. 18-27. Verlag, 2002.
Suplemento

Métodos avanzados
En este suplemento se describen tres métodos adicionales para el pronóstico de se-
ries de tiempo que tienen una tendencia y componentes de estacionalidad. Estos .
métodos constituyen extensiones de las técnicas que se describen en el capítulo.
Cuando el modelo de series de tiempo tiene un componente de tendencia, es
posible desarrollar un modelo de suavizamiento exponencial que se fundamente en
la actualización de dos variables en cada periodo: un nivel promedio y una tenden-
cia. El nivel promedio se calcula como una versión ampliada de la ecuación de
primer orden para que incluya una tendencia, de la siguiente manera:
At = o:Dt + {1 - o:)(At-1 + Tt - t)

A su vez, este promedio se utiliza para actualizar el estimado de la tendencia al

tomar la diferencia en promedios y emparejarla con la antigua tendencia. Así, la
tendencia actualizada será:
Tt =Jj(At - At - 1) +(1 - fj)Tt -1
En este caso, la constante de suavizamiento {3, que puede ser la misma o distinta de
la constante f3 que se utiliza para nivelar, se emplea para la tendencia. El modelo
necesita cálculos iniciales de A0 y T0 para comenzar. Estos estimados se pueden
fundamentar bien en el criterio o bien en datos anteriores.
Con los datos anteriores, se pueden hacer pronósticos para el futuro. El procedi-
miento ahora es ligeramente distinto del caso de primer orden porque se supone una
258 Parte cuatro Capacidad y programación

tendencia constante en la serie de tiempo. El pronóstico para el periodo t + K en el

futuro es por lo tanto
Ft+K = At + KTt K= 1, 2, 3.

Se añade una unidad de tendencia para cada periodo hacia el futuro. Un ejemplo en
el que se utilizan estas fórmulas se muestra en la Tabla 511.1.
Es posible hacer el pronóstico de las series de tiempo con componentes tanto de
tendencia como de estacionalidad a través de un método que desarrolló Winters
(1960). En este caso, se actualizan tres variables (promedio, tendencia y un factor de
estacionalidad) para cada periodo.
El promedio para el periodo t se calcula de la siguiente manera:

A,= a(_!!!_)+
Rt-L
(1- aXAt-1 +Tt-1)

En este caso, la demanda se ajusta con la proporción de temporada y se suaviza con

la antigua tendencia y el antiguo promedio. La tendencia para el periodo es la si-
guiente
T, = fj(A,- A, - 1) + (1 - fj)T¡ - 1

La proporción estacional para el periodo "t" es

Rt =r(~:) + (1- y)Rt-L

Emparejamiento
exponencial ajustado
a la tendencia.

"Suponga Ao = 70, To = 15, a= .1, fj = .1.

En este caso se supone que el ciclo estacional es de L periodos. Existe una razón de
estacionalidad L para cada periodo. Si la demanda es mensual y el ciclo estacional
se repite anualmente, entonces L =12. Cada mes, se actualizará una de las razones
de estacionalidad respecto a un nuevo valor, junto con la tendencia y el promedio.
El modelo requiere estimados iniciales de AO' T0 y RO' R_1, ••• R-L+ 1• Estos estima-
dos iniciales pueden fundamentarse en un criterio o en información, si están dispo-
nibles.
Si se utilizan los valores actualizados, el pronóstico para los periodos futuros en
el periodo t es de

Ft+K = (At + KI't)(Rt -L +K)

En la Tabla 511.2 se muestra un ejemplo de este método.

 capítulo once Pronósticos 259

Si no hay tendencia alguna, el método de Winters también se puede utilizar

solamente con los factores de estacionalidad. En este caso, la ecuación de tendencia
anterior y los valores de T1 simplemente se eliminan del método.
Una de las técnicas que se utiliza frecuentemente en el pronóstico de series de
tiempo es la descomposición clásica. Ésta implica descomponer una serie de tiempo
en sus componentes de nivel, tendencia, estacionalidad y, posiblemente, ciclo. La
descomposición se ilustrará mediante un ejemplo con tr.es años de datos trimestrales
de una tienda que vende juguetes para niños. Se supone que el patrón de temporada
es de naturaleza semestral y quizás existan componentes de tendencia y de nivel en
los datos también. Como solamente se puede disponer de tres años de información,
no se calculará componente cíclico alguno.
Los datos trimestrales sobre las ventas de juguetes se muestran en la Tabla 511.3.
Por mucho, las ventas más grandes de juguetes se ubkan en el cuarto trimestre, en la
época de Navidad. La inspección visual de los datos revela una tendencia ascenden-
te, pero ¿cómo puede esta tendencia separarse de la temporalidad de los datos? Esto
se hace calculando primero un promedio móvil para un cuarto trimestre. La descom-
posición requiere la misma cantidad de periodos en el periodo móvil que la estaciona-
lidad de los datos (por ejemplo, cuatro periodos para la estacionalidad trimestral,
doce periodos para la estacionalidad mensual). Esto se hace para promediar los
periodos altos y los bajos de demanda a lo largo del ciclo de temporada. En la tercera
columna de la Tabla 511.3 se muestra el promedio móvil para cuatro periodos. Estos
promedios móviles se centran entre periodos, porque un promedio para cuatro perio-
dos debe representar un punto con dos periodos de cada lado. A partir de la columna
3, la tendencia ascendente es clara, porque se ha eliminado la estacionalidad de los
datos.
Se necesita un promedio para cada periodo para calcular las razones de estaciona-
lidad. Esto se hace en la columna 4 de la Tabla 511.3 al construir un promedio móvil
para dos periodos de la columna 3. Estos nuevos promedios entonces vuelven a
centrarse en los periodos de datos y no entre periodos. La columna 4 entonces repre-·
senta el mejor promedio de los datos para calcular la tendencia. También se le utiliza
para calcular razones de estacionalidad directamente al dividir las ventas por la
columna 4 y producir las proporciones de estacionalidad de la columna S. Estas
razones se interpretan de la siguiente manera: la demanda en el tercer trimestre es
95.8 por ciento del promedio anual, en el cuarto trimestre es de 170.9 por ciento del
promedio anual, y así sucesivamente. Para obtener un mejor estimado de las razones
de estacionalidad, sencillamente se saca un promedio de las proporciones de los
trimestres correspondientes. Este cálculo se muestra en la parte inferior de la Tabla
511.3. Adviértase que las proporciones de temporada son bastante estables en este
ejemplo, pero se tiene una mínima cantidad de información con la cual trabajar. Lo
común es que se utilicen al menos cuatro años de información para establecer pro-
porciones de temporada.
En la Figura 511.1 se grafican los datos originales de ventas y el promedio móvil
no afectado por la estacionalidad, de la columna 4. En realidad, la tendencia puede
ser un poco no lineal, pero supóngase, para este ejemplo, que existe una línea para la
tendencia lineal. Entonces se podrá ajustar una línea de regresión a través de los
ocho puntos del promedio móvil que se muestran en la gráfica. El resultado es el
siguiente:
Y(t) = 47.8 + 2.63t
donde Y(t) =ventas y t =tiempo.
260 Parte cuatro Capacidad y programación

El método de
emparejamiento
exponencial por
temporada de
Winters.•
•suponga ~ =70, T0 =10, L =2, R..1 =.8, Ro= 1.2, a= .2, fj =.2, y= .2.

Método de
descomposición
clásica.

• Ventas en miles de dólares

También se debe adaptar una línea de tendencia a los datos originales de ventas,
pero en la descomposición clásica se acostumbra utilizar los promedios móviles
antes de ajustarse a la línea de tendencia. Esto parece darle un pronóstico ligeramen-
te más estable.
Para hacer un pronóstico de ventas para el año que viene, se utiliza el método
que sigue. Primero, u tilice la ecuación de la línea de tendencia para predecir el pro-
medio para los trimestres 13, 14, 15 y 16 al insertar estos valores de tiempo en la
ecuación de regresión anterior. Esto produce la columna 2 de la Tabla 511.4. A conti-
n uación multiplíquese la razón de estacionalidad para cada trimestre por el prome-
dio que se predijo. El resultado es un pronóstico para cada trimestre del año siguien-
te, como se muestra en la Tabla 511.4.
 Capítulo once Pronósticos 261

-
Ventas de juguetes
por temporada. ~
160
140

120
Ventas
- - - • Promedio móvil
Tendencia (regresión)

]
~ 100
e
·¡:
; 80
..."'e::
~ 60

40

20

Cálculos para el
pronóstico de
temporada.
 262 Parte cuatro . QzptJcüJ4d.y prosramación .

Día
.Día Demanda
"
• .

. ·~~4 .
~- ~:.
'": 6
~ ..~. 7

~l\t
iv.'"'.,... - : ,,,--------~:------:-----.,'""""
.Ji.'- ., $12'400
~·~~ 23<XXJ
~~~:. ~.~.: La com~añí.a de llantas SureGnp prod~. ce llantas de'dis-
Abr:
15 800
20 500 4
19 400
ai ~t.;~ ·tiri~s ~os y formas. ,La demanda de llan~ tiende a .. May. .... 25 100 26_ <w .
· ·· .. ~g).lirunJ>.8!I:6ntri,mestraldetemponl(laconunatenden- Junio ,, · 16 200 ,16.500 .
· ; cia. Para un tipo especial de llanta, los eStimad~ actuales Julb · · 12 000 ~ 12 400
, .' de la empresa son los siguientes: A0 := 1O000, T0 =1 000, ·· Ago. 10 300 . fo ~ ,. . ,
, '''. R0 = .a, R_1 ~ 1:2, R_i = 1.5 y R_3 =:-75.. .., . . ~· 11 $X> 12500 ,
~ ~ · " a. La emp~a acaba de observar el m:lnler ~tre de · ·. ._ Oct. ~ 14 000 ,13 800
demanda D1 =6 090 y quisiera a~~su pronós- Nov. .10 7.00 l O60() "
tico para cada uno de los siguientes cuatro trimestres Dic. 7 600 . 8 100
mediante a= 13 ='Y= A. ---:-=----~-~~~~·-.~~~-. .~ ..
.;,'!'!':"?
~~-
·f7--.'-•.• ~,~.,
b. Cuando·se observa.Ja demanda para el segundo tri- $~ '~ • ~'; .• .-:~~ · ~· • ~
. . . ~ : \# . . .~. ~ 'il" .,
mesfre,.D1 = 1.? 000~ ¿Qué' tanto error existía en el a. Calcule wiprooósuco·para el áftti ~O;~It-~f;cual
pronóstico?· . · utilieeA0 =15 ~·a= -y= ,3, y las proporéiones de
Actualice el piQnóstico de nuevo para el año entrante, .. temporada que se muestran arriba. Pantciida-periodo;
utilizando l~ datos de la defi!.aDda del seg\mdo tri- calcule el pronóstico y la raz~n actUalizada de
mestre. ·~ · · estacioruilictaP.. ·
~ ~~Excel 4: La admiitist¡ación consi~ qu~ ~~te ~un · , c,Jpúii¡'le,!o5.~tossoriginafes y el próoóstico e~ pa-
fk~ ' patrón de temporada en los datOs superiores~ ~ . ~1 cuadridllado.. . · • .
~;~;;. ~ .la tienda Donut-Hole (véase probletPa.2);aon:..,i~ .. -.~cW,e !~.Seiihle$ de ~:para eÍañóplisado.cQn
l~~lJ de los pnmeros dos dí~ de la demanda represen~ un ·~ ·: ~ =..,()'}4~ de,.~.~ las, to~r,ancias?
.:. " segundo nivel; y el quinto, sexto y séptimo día \m tercero. · d. Con el' rilétodO clásico dtf descomposición que se
De esta manera, se han sugerido tres factores de tempora- describe en el suplemento.del capítulo, cálcule l!'S ,
da: R0 = .9, R_1 = 1.3 y R~1 = .8. . . razones de estacionalí~ ~ partir de. los datos. y
· a. Haga una simulac::ión del pronóstico de la démanda detennine·ta tendencia yfo8nivele.s.~o. Utilice
para los días 1 al 7 utilizando A0 =85, T0 =Oy a = estas razones·y estimados de la tendenci.a y Divel .
13 =-y= .l. Utilice el ~étodo Winters del SU\>lemento para lía~ ~n pronQsti~o pru:a ~l:al\9;Si:wente.
de este capítulo.
Comente sobre qué tán adecuados son los pronósti-
cos que se han desarrollado. ·