PRODUCCION II

Ing. Roberto Fuentes

Módulo 1
1.- Pronósticos
• 1.1 Características de la demanda
• 1.2 Diseño de sistemas de pronósticos
• 1.3 Métodos de juicio
• 1.4 Métodos causales
• 1.5 Métodos con series de tiempo
 Pronósticos
Un pronóstico es una predicción de
eventos futuros que se utilizan con
propósitos de planificación
 Las cambiantes condiciones de los
negocios como resultado de la
competencia mundial, el rápido
cambio tecnológico y las crecientes
preocupaciones por el medio
ambiente han ejercido presiones
sobre la capacidad de una empresa
para generar
pronósticos precisos
Tales pronósticos son necesarios
como un elemento auxiliar para
determinar qué recursos se
necesitan, programar los recursos
existentes y adquirir recursos
adicionales
Es posible que los gerentes necesiten
pronósticos para prever los cambios
en precios o costos, o bien, para
prepararse para las novedades en
materia de leyes o reglamentos,
competidores, tecnologías o escasez
de recursos
 Características de la Demanda
En la raíz de la mayoría de las
decisiones de negocios se encuentra
el reto de
pronosticar la demanda del cliente
En realidad es una tarea difícil
porque la demanda de bienes y
servicios suele variar
 Por ejemplo, es previsible que la
demanda de fertilizantes para el
césped aumente en los meses de
primavera y verano, sin embargo, los
fines de semana es cuando la
demanda es más intensa, esta
depende de factores incontrolables
como el clima
Otros patrones son más previsibles,
así pues, la demanda semanal de
cortes de cabello puede ser bastante
estable de una a otra semana aun
cuando la demanda diaria sea más
intensa los sábados por la mañana y
más floja los lunes y martes
Para pronosticar la demanda en este
tipo de situaciones es necesario
descubrir los patrones básicos, a
partir de la información disponible
Patrones de Demanda
Las observaciones repetidas de la
demanda de un producto o servicio,
tomando como base el orden en que
se realizan, forman un patrón que se
conoce como
serie de tiempo
Los cinco patrones básicos de la
mayoría de las series de tiempo
aplicable a la demanda son:
1.- Horizontal, o sea, la fluctuación
de los datos en torno de una media
constante

2.- De tendencia, es decir, el

incremento o decremento
sistemático de la media de la serie a
través del tiempo
3.- Estacional, o sea, un patrón
repetible de incrementos o
decrementos de la demanda,
dependiendo de la hora del día, la
semana, el mes o la temporada
4.- Cíclico, o sea, una pauta de
incrementos o decrementos
graduales y menos previsibles de la
demanda, los cuales se presentan en
el curso de periodos de tiempo más
largos pueden ser años o decenios
5.- Aleatorio, es decir, una serie de
variaciones imprevisibles de la
demanda
La figura siguiente muestra los cuatro
primeros patrones de una serie de
tiempo de la demanda, todos los
cuales contienen variación aleatoria
Una serie de tiempo puede contener
cualquier combinación de estos
patrones
 Factores que afectan la Demanda
Qué factores ocasionan los cambios
de la demanda de un producto o
servicio en particular a lo largo del
tiempo?
En general esos factores pueden
dividirse en dos categorías
principales: externos e internos
Los factores externos están fuera del
control de la gerencia
Una economía floreciente logra
influir positivamente en la demanda
aun cuando sus efectos pueden no
ser iguales para todos los productos
y servicios
 Además ciertas actividades
económicas como los cambios en las
reglamentaciones de un gobierno
afectan algunos productos y servicios
pero no a otros
 Otros factores que afectan la
demanda son los gustos del
consumidor, estos suelen cambiar en
forma acelerada como sucede con la
ropa de moda
La imagen que tenga un artículo en la
mente del consumidor puede ser
otro factor importante en los
cambios de la demanda
 Además también influyen en las
ventas las actividades de los
competidores en lo referente a
precios, promociones publicitarias y
nuevos productos
 Las decisiones internas sobre el
diseño de productos, precios y
promociones publicitarias, el diseño
de envases, cuotas o incentivos para
ventas y la expansión o contracción
de áreas geográficas seleccionadas
como objetivos de mercado,
contribuyen en conjunto a provocar
cambios en la demanda
Otra táctica consiste en fabricar dos
productos que tengan distintos
periodos de demanda estacional
intensa
 Supongamos que un fabricante de
motores para cortadoras de césped,
deseara fabricar también motores de
trineos motorizados con el propósito
de distribuir de modo más uniforme
los requisitos de recursos y
producción a lo largo del año
 De esta manera podrá reducir al
mínimo los costosos cambios en el
nivel de la fuerza de trabajo y del
inventario
Factores que aumentan la demanda
Factores que disminuyen la demanda
 Diseño del Sistema de Pronósticos
Antes de usar técnicas de pronóstico
para el análisis de problemas de
administración de operaciones, el
gerente tiene que tomar tres
decisiones:
1.- Que va a pronosticar
2.- Qué tipo de técnica de pronóstico
va a aplicar
3.- Que tipo de hardware o software
de computadora o ambos utilizará
 1.- Que va a pronosticar
A pesar que en realidad se necesita
algún tipo de estimación de la
demanda para productos
individuales, puede ser más sencillo
pronosticar la demanda total para
grupos o conjuntos y derivar después
los pronósticos correspondientes a
productos o servicios individuales
Además, la selección de la unidad de
medición apropiada para efectuar los
pronósticos, por ejemplo, unidades
de producto o servicio o bien horas
máquina, es tan importante como la
habilidad para escoger el mejor
método
 Las empresas utilizan un sistema de
pronóstico de dos niveles: realizan
primero, pronósticos para familias de
productos cuyos requisitos de
demandas, procesamiento, trabajo y
materiales son similares, y de esas
cifras generales derivan después
pronósticos para elementos
individuales
 Unidades de medición: los
pronósticos más útiles para la
resolución de problemas de
planificación y el análisis de
operaciones no son los que se basan
en unidades monetarias, sino en
unidades de productos o servicios
 Los pronósticos de ingresos sobre
ventas no son muy útiles porque los
precios fluctúan con frecuencia
Así pues, aun cuando el valor
monetario total de las ventas es
exactamente el mismo de un mes a
otro, el número real de las unidades
de demanda puede variar en forma
apreciable
A menudo el mejor método consiste
en pronosticar el número de
unidades de demanda y multiplicarlo
después por el precio para obtener
las estimaciones de ingresos por
ventas
2.- Selección del tipo de técnica de
pronóstico
El objetivo del pronosticador es
elaborar un pronóstico útil a partir
de la información disponible
aplicando la técnica que resulte
apropiada para las diferentes
características de la demanda
 Esta selección implica a veces un
trueque entre la precisión del
pronóstico y los costos, que pueden
consistir en compras de software, el
tiempo requerido para desarrollar un
pronóstico y la capacitación del
personal
 Para los pronósticos de la demanda
se usan dos tipos generales de
técnicas:
1) Métodos cualitativos
2) Métodos cuantitativos
 Entre los métodos cualitativos
figuran los métodos de juicio, donde
las opiniones de gerentes y de
expertos, los resultados de encuestas
de consumidores y las estimaciones
de la fuerza de ventas se traducen en
estimaciones cuantitativas
Entre los métodos cuantitativos
podemos mencionar los
métodos causales
y el
análisis de series de tiempo
Para pronosticar la demanda, los
métodos causales utilizan
datos históricos de variables
independientes,
como campañas de promoción,
condiciones económicas y
actividades de los competidores
El análisis de series de tiempo es un
método estadístico que depende en
alto grado de datos históricos de la
demanda con los que proyecta la
magnitud futura de la misma y
reconoce las tendencias y patrones
estacionales
 Un factor clave en la selección del
enfoque de pronóstico más
adecuado es el horizonte de tiempo
correspondiente a la decisión que
requiera pronosticarse
Los pronósticos pueden ser a corto,
mediano y largo plazo
 A corto plazo: abarca entre cero y
tres meses futuros, los gerentes
suelen interesarse en obtener
pronósticos de demanda para
determinados productos o servicios
individuales
 En el caso de pronósticos de
demanda, se dispone de poco
tiempo para reaccionar frente a
posibles errores, por lo cual es
necesario que dichos pronósticos
alcancen la mayor precisión posible
para fines de planificación
El análisis de series de tiempo es el
método que se emplea más
frecuentemente para elaborar
pronósticos a corto plazo
Es una forma relativamente
económica y precisa de generar el
gran número de pronósticos
requeridos
 A pesar que los modelos causales
suelen usarse para pronósticos a
corto plazo, no se utilizan en forma
general para ese propósito, porque
resultan mucho más costosos y su
elaboración es más retardada que el
análisis de series de tiempo
 En el corto plazo, los gerentes de
operaciones rara vez pueden esperar
hasta que se complete el desarrollo
de modelos causales, a pesar que
éstos son más precisos que los
modelos de series de tiempo
 Por último, los gerentes usan los
métodos de juicio para elaborar
pronósticos a corto plazo, cuando no
disponen de datos históricos sobre
un elemento específico, como el caso
de nuevos productos
 Sin embargo estas técnicas de
pronóstico también son más costosas
que los pronósticos generados a
partir de un análisis de serie de
tiempo
 CORTO PLAZO

SI Datos históricos NO

Series de tiempo Método de juicio

 A mediano plazo: abarca entre tres
meses y dos años futuros
La necesidad de contar con
pronósticos a mediano plazo está
relacionada con la planificación de la
capacidad
 El nivel de detalle requerido en el
pronóstico no es tan grande como en
el caso del corto plazo
 Típicamente los gerentes pronostican la
demanda total de ventas, expresada en
dinero o en el número de unidades de un
grupo o familia de productos o servicios
similares

Por lo común los modelos causales se

utilizan en los pronósticos a mediano
plazo
 Estos modelos suelen ser eficaces
para estimar el momento en que se
presentarán puntos de flexión como
aquellos en que un crecimiento lento
de las ventas se convertirá en un
descenso rápido, lo cual es útil para
los gerentes de operaciones tanto en
el mediano como en el largo plazo
 Algunos métodos de pronóstico
basados en el juicio también son
útiles para la identificación de
puntos de flexión
Sin embargo, se usan más a menudo
cuando no existen datos históricos
 En general el análisis de serie de
tiempo no produce resultados
precisos a mediano o largo plazo
principalmente porque en él se
supone que los patrones existentes
van a continuar en el futuro
Aun cuando esta suposición puede
ser válida en el corto plazo, resulta
menos precisa en horizontes de
tiempos más largos
 MEDIANO PLAZO

SI Datos históricos NO

Causales Método de juicio

A largo plazo: cuando los horizontes
de tiempo abarcan más de dos años,
los pronósticos se elaboran en torno
a la demanda total de ventas ya sea
en términos de dinero o de alguna
otra unidad de medición común, por
ejemplo, barriles, kg o kilowatts
 Los pronósticos precisos de la
demanda a largo plazo para
productos o servicios individuales no
sólo son muy difíciles de realizar sino
también excesivamente detallados
para los propósitos de la
planificación de largo alcance
Tres tipos de decisiones, sobre
localización de instalaciones,
planificación de capacidad y
selección de procesos,
requieren estimaciones de la
demanda de mercado para un
periodo futuro prolongado
Los modelos causales y los métodos
de juicio son las principales técnicas
que se emplean para elaborar
pronósticos a largo plazo
 A pesar de todo hasta los pronósticos
basados en modelos causales, obtenidos
por métodos matemáticos, tienen que
ser matizados por la experiencia y el
buen criterio administrativo, tomando
en cuenta el horizonte de tiempo en
cada caso y las posibles consecuencias
de las decisiones basadas en ellos
 LARGO PLAZO

SI Datos históricos NO

Causales Método de juicio

 3.- Pronósticos por medio de
computadoras
En muchas aplicaciones de los
pronósticos a corto plazo, las
computadoras son indispensables
Con frecuencia las empresas tienen
que preparar pronósticos para
cientos o incluso miles de productos
o servicios en forma reiterada
 Por ejemplo una amplia red de
instalaciones de servicio médico
necesita calcular pronósticos de la
demanda de cada uno de sus
servicios en cada departamento
Esta operación implica grandes
volúmenes de datos que deben ser
manipulados con frecuencia
Los analistas tienen que examinar las
series de tiempo que corresponden a
cada producto o servicio a fin de
elaborar un pronóstico
 Existen muchos paquetes de
software para pronóstico que
pueden usarse en computadoras de
cualquier tamaño y ofrecen una
amplia variedad de capacidades de
pronósticos y de formatos para
mostrar los resultados
 Métodos de Juicio
Cuando se carece de datos históricos
adecuados, como en los casos en que
se presenta un nuevo producto o se
espera un cambio en la tecnología,
las empresas confían en la
experiencia y el buen juicio
administrativo para generar
pronósticos
Los métodos basados en el juicio
suelen usarse también para
modificar pronósticos generados
mediante métodos cuantitativos
 Los cuatro métodos que se utilizan
actualmente con más éxito son:
1.- Las estimaciones de la fuerza de
ventas
2.- La opinión ejecutiva
3.- Las investigaciones de mercado
4.- El método Delphi
1.- Estimaciones de la fuerza de
ventas
A veces, la mejor información sobre
la demanda futura proviene de las
personas que están más cerca de los
clientes
 Las estimaciones de la fuerza de
ventas son pronósticos compilados a
partir de conjeturas acerca de la
demanda futura, elaborada
periódicamente por miembros de la
fuerza de ventas de la compañía
 Este enfoque tiene varias ventajas:
• La fuerza de ventas es el grupo que
tiene mayores probabilidades de
saber que productos o servicios
comprarán los clientes del futuro,
cercano y en qué cantidades
• Los territorios de ventas están
divididos a menudo por distritos o
regiones. La información
pormenorizada de este modo
puede ser útil para propósitos de
administración de inventarios,
distribución y formación de la
fuerza de ventas
• Los pronósticos de individuos
miembros de la fuerza de ventas
pueden combinarse fácilmente para
obtener las cifras correspondientes
a ventas regionales o nacionales
 Pero dicho enfoque también tiene
varias desventajas:
• Los prejuicios individuales de los
vendedores pueden introducir
sesgos en el pronóstico, además,
algunas personas son optimistas
por naturaleza y otras son más
cautelosas
• Es posible que el personal de
ventas no siempre perciba la
diferencia entre lo que el cliente
apetece (la lista de deseos) y lo que
realmente necesita (una compra
necesaria)
• Si la empresa utiliza las ventas
individuales como medida del
rendimiento, el personal de ventas
puede subestimar su pronósticos
para que su propio rendimiento
parezca bueno cuando se superen
esas proyecciones, o para tener que
forzarse solamente hasta alcanzar
las ventas mínimas requeridas
2.- Opinión ejecutiva
Cuando se piensa lanzar un nuevo
producto o servicio, la fuerza de
ventas no siempre es capaz de hacer
estimaciones precisas de la demanda
La opinión ejecutiva es un método de
pronóstico del cual se hace un
resumen de las opiniones, la
experiencia y los conocimientos
técnicos de uno o varios gerentes,
para llegar a un solo pronóstico
La opinión ejecutiva puede usarse
para modificar un pronóstico de
venta vigente, a fin de tomar en
cuenta circunstancias inusitadas,
como una nueva promoción de
ventas o eventos internacionales
inesperados
La opinión ejecutiva también suele
usarse para elaborar pronósticos
tecnológicos
El ritmo acelerado del cambio
tecnológico dificulta la tarea de
mantenerse al tanto de los últimos
adelantos
 Este método de pronóstico tiene
varias desventajas:
• La opinión ejecutiva puede ser
costosa porque absorbe el valioso
tiempo de los ejecutivos
• Aun cuando su utilización es
justificable en algunas
circunstancias, a veces queda fuera
de control
• Si se permite que los ejecutivos
modifiquen un pronóstico sin tener
que aprobar colectivamente el
cambio, el pronóstico resultante no
será útil
 Supongamos por ejemplo que el
gerente de marketing examina las
estimaciones de la fuerza de ventas y
sintiéndose un poco más optimista
que los vendedores incrementa las
cifras del pronóstico para asegurarse
que podrá disponer de un volumen
suficiente del producto
 Después de recibir los pronósticos
del mercado el gerente de
manufactura incrementa aún más las
cifras para que no lo culpen de no
atender la demanda de los clientes
Cuando las ventas reales resultan ser
más bajas que los pronósticos, todos
culpan a los demás por el excesivo
inventario generado
 Por consiguiente, la clave para la
utilización eficaz de la opinión
ejecutiva consiste en asegurarse que
el pronóstico no refleje una serie de
modificaciones independientes, sino
un consenso de los ejecutivos acerca
de un pronóstico unificado
3.- Investigación de mercado
La investigación de mercado consiste
en un enfoque sistemático para
determinar el grado de interés del
consumidor por un producto o
servicio, mediante la creación y puesta
a prueba de diversas hipótesis por
medio de encuestas encaminadas a la
recopilación de datos
La investigación de mercado puede
usarse para pronosticar la demanda
al corto, mediano y largo plazo
La precisión obtenida es excelente
para el corto plazo, buena para el
mediano plazo y apenas regular para
el largo plazo
 A pesar que la investigación de
mercado produce información
importante, una de sus desventajas
son las numerosas salvedades y
limitaciones que suelen estar
incluidas en sus hallazgos
 4.- Método Delphi
El método Delphi es un proceso para
obtener el consenso dentro de un
grupo de expertos al tiempo que se
respeta el anonimato de sus
integrantes
 Esta forma de pronóstico es útil
cuando no existen datos históricos
sobre los cuales puedan
desarrollarse modelos estadísticos y
cuando lo gerentes de la empresa no
tienen experiencia en la cual
fundamentar proyecciones bien
informadas
 Un coordinador envía preguntas a
cada uno de los miembros del grupo
de expertos externos, quienes tal vez
ignoran quien más está participando
El anonimato es importante cuando
algunos miembros del grupo tienden
a dominar la discusión o gozan de un
alto grado de respetabilidad en sus
respectivas especialidades
 En un grupo anónimo los miembros
tienden a responder y documentar
sus preguntas con mayor libertad
El coordinador preparará un resumen
estadístico de las respuestas, además
de un sumario de los argumentos
pertinentes para algunas de ellas
Este informe se envía al mismo grupo
para otra ronda de opiniones y los
participantes pueden modificar sus
respuestas anteriores si así lo desean
Las rondas continúan hasta llegar a
un consenso
 El método Delphi se usa para
elaborar pronósticos a largo plazo de
la demanda de productos y
proyecciones de venta para nuevos
productos
También se emplea en pronósticos
sobre tecnología
 El método Delphi puede usarse para
obtener un consenso en un panel de
expertos, ya sea que estos dediquen
su atención al desenvolvimiento de
avances científicos, cambios de la
sociedad, reglamentos del gobierno y
el ambiente competitivo
Los resultados sirven de guía para el
personal de investigación y
desarrollo de la empresa

El método Delphi tiene ciertas

limitaciones alguna de las cuales son
importantes:
• El proceso puede prolongarse
durante mucho tiempo (a veces un
año o más). En ese lapso el panel
de personas consideradas como
expertas puede cambiar, lo cual
provoca confusión en los resultados
o por lo menos alarga todavía más
ese proceso
• Es probable que las respuestas sean
menos significativas que si los
expertos tuvieran que asumir la
responsabilidad que ellas implican
• Hay pocas evidencias que los
pronósticos Delphi tengan un alto
grado de precisión. Sin embargo se
reconoce que su calidad es entre
regular y buena para la
identificación de puntos de flexión
en la demanda de nuevos
productos
• Los cuestionarios mal planeados
conducen a conclusiones ambiguas
o erróneas
 Lineamientos para usar pronósticos
de juicio
La necesidad de usar pronósticos de
juicio es muy clara cuando no existen
datos cuantitativos que permitan
aplicar enfoques de pronósticos
también cuantitativos
Sin embargo los métodos de juicio
pueden utilizarse en combinación
con enfoques cuantitativos a fin de
mejorar la calidad del pronóstico

Entre los lineamientos aplicables al

uso del juicio para ajustar los
resultados de pronósticos
cuantitativos figuran los siguientes:
• Ajuste de los pronósticos
cuantitativos cuando éstos tengan
un expediente de antecedentes
insatisfactorio y la persona que
toma las decisiones posea un
conocimiento contextual,
experiencia de la actividad
• Haga ajustes a los pronósticos
cuantitativos para compensar
eventos específicos
Métodos Causales - Regresión Lineal
Los métodos causales se emplean
cuando se dispone de datos
históricos y la relación entre el factor
que se intenta pronosticar y otros
factores externos o internos, por
ejemplo, las actividades del gobierno
o promociones publicitarias, pueden
identificarse
 Las relaciones de ese tipo se
expresan en términos matemáticos y
suelen ser muy complejas
 Los métodos causales proveen
instrumentos de pronóstico más
refinados y son excelentes para
prever los puntos de flexión de la
demanda y para la elaboración de
pronósticos a largo plazo
Existen muchos métodos causales,
pero solo nos ocuparemos de la
regresión lineal uno de los más
conocidos y utilizados entre todos
esos métodos
 En la regresión lineal una variable
conocida como variable dependiente
está relacionada con una o más
variables independientes por medio
de una ecuación lineal
Las variables dependientes, como la
demanda de picaportes para puertas,
es la que el gerente desea
pronosticar
 Se supone que las variables
independientes, como gastos de
publicidad o el inicio de la
construcción de viviendas, influyen
en la variable dependiente y por
ende son la causa de los resultados
observados en el pasado
La [Link] muestra la relación
entre una regresión lineal y los datos
 En términos técnicos la línea de
regresión minimiza las desviaciones
al cuadrado de los datos reales
En los modelos de regresión lineal
más sencillos la variable dependiente
es función de una sola variable
independiente y por lo tanto la
relación teórica es una línea recta:
 Y = a + bX
Donde:
Y= variable dependiente
X= Variable independiente
a=intersección de la recta con el eje Y
b= pendiente de la recta
 El objetivo del análisis de regresión
lineal consiste en encontrar los
valores de a y b que minimicen la
suma de las desviaciones al cuadrado
de los puntos de la línea
representada en la gráfica que
corresponden a los datos reales
Con esta finalidad se utilizan
programas de computadora
 Para cualquier conjunto de parejas
de observaciones de Y y X, el
programa calcula los valores de a y b
y ofrece medidas para evaluar la
precisión del pronóstico
 Dos mediciones de uso común son:
1.- El coeficiente de correlación de la
muestra
2.- El coeficiente de determinación
de una muestra
 El coeficiente de correlación de la
muestra r mide la dirección y fuerza
(intensidad) de la relación entre la
variable independiente y la variable
dependiente
Los valores de r pueden fluctuar
entre -1.00 y +1.00
 Un coeficiente de correlación de
+1.00 implica que los cambios
registrados de uno a otro período, en
la dirección (incrementos o
decrementos) de la variable
independiente, siempre están
acompañados por cambios de la
variable dependiente en la misma
dirección
 Un r de -1.00 significa que los
decrementos de la variable
independiente siempre van
acompañados de incrementos en la
variable dependiente y viceversa
Cuando r tiene valor de cero,
significa que no existe relación
alguna entre las variables
Cuanto más se aproxime el valor de r
a 1 tanto más adecuado será el
ajuste de la línea de regresión con
respecto a los puntos de la gráfica
Mas fuerte será la relación entre las
variables
 El coeficiente de determinación de
una muestra mide la cantidad de
variación que presenta la variable
dependiente con respecto a su valor
medio, que se explica por medio de
la línea de regresión
 El coeficiente de determinación es
igual al cuadrado del coeficiente de
correlación, o sea, es r²

El valor de r² oscila entre 0.00 y 1.00

Las ecuaciones de regresión, cuyo
2
valor de r se aproxima a 1.00 son
deseables porque eso significa que
las variaciones de la variable
dependiente y del pronóstico
generado por la ecuación de
regresión se encuentran
estrechamente relacionadas
El análisis de regresión puede ser una
guía útil para tomar decisiones
importantes en materia de
operaciones, como las de
administración de inventarios,
planificación de la capacidad y
administración de procesos
 Frecuentemente, más de una
variable independiente puede influir
en la variable dependiente
Por ejemplo los gastos de publicidad,
la puesta en marcha de nuevas
corporaciones y los contratos de
construcción residencial pueden ser
importantes para estimar la
demanda de bisagras para puertas
En esos casos el análisis de regresión
múltiple ayuda a plantear una
ecuación de pronóstico para la
variable dependiente en función de
múltiples variables independientes
 El análisis de regresión múltiple es
relativamente costoso por la gran
cantidad de datos y análisis
ulteriores que implica aun cuando la
computadora facilita este proceso
 A pesar de eso los modelos de
análisis de regresión lineal son muy
útiles para prever la incidencia de
puntos de flexión y para resolver
muchos problemas de planificación
Ejemplo
La persona a cargo de programar la
producción de una compañía tiene
que elaborar pronósticos de la
demanda de un producto, a fin de
planear las cantidades de producción
más apropiadas
Durante un almuerzo de negocios, la
gerente de marketing aporta
información sobre el presupuesto de
publicidad destinado a una bisagra
de bronce para puertas
 A continuación vemos datos sobre
ventas y publicidad correspondientes
a los cinco últimos meses:
Ventas (miles de
Mes Publicidad (miles de $$)
unidades)

1 264 2.5

2 116 1.3

3 165 1.4

4 101 1.0

5 209 2.0
 La gerente de marketing afirma que
la compañía gastara el mes entrante
$1750 en publicidad para el producto

Aplique la regresión lineal para

desarrollar una ecuación y un
pronóstico para ese producto
Resolución
Supongamos que existe una relación
lineal entre las ventas y los gastos
destinados a publicidad
En otras palabras, las ventas son la
variable dependiente Y y los gastos
para publicidad son la variable
independiente X
 Utilizando los valores de las
observaciones mensuales
correspondientes a las ventas y a los
gastos de publicidad,
proporcionadas, y con la ayuda de la
computadora, encontramos los
mejores valores de a, de b, el
coeficiente de correlación y el
coeficiente de determinación
Obtenemos como resultado:
a = -8.136
b = 109.229X
r = 0.98
r2 = 0.96
 La ecuación de regresión es:
Y = -8.136 + 109.229X
Y la línea de regresión se ilustra
como sigue:
Es acertado seleccionar los gastos de
publicidad para realizar un
pronóstico de ventas?

Observe que el coeficiente de

correlación de la muestra r, es 0.98
 Puesto que el valor de r es muy
próximo a 1.00, concluimos que
existe una fuerte relación positiva
entre las ventas y los gastos de
publicidad y que la selección fue
acertada
 A continuación examinaremos el
coeficiente de determinación de la
muestra r2 o sea 0.96

2
Este valor de implica que el 96% de
r
la variación observada en las ventas
se atribuye a los gastos de publicidad
 En la práctica la mayoría de las
relaciones entre publicidad y ventas
no es tan intensa porque con
frecuencia otras variables, como la
situación económica en general y las
estrategias de los competidores,
influyen en forma combinada sobre
las ventas
Como el gasto en publicidad será de
$1750, el pronóstico para el mes 6
es:
Y = -8.136 + 109.229 (1.75) = 183.015

O sea: 183015 unidades

 La persona que está a cargo de
elaborar los programas de trabajo
puede usar este pronóstico para
determinar la cantidad de bisagras
de bronce para puerta que se
necesitará durante el mes 6
 Supongamos que esa persona tiene
62500 unidades en inventario
La cantidad que deberá proporcionar
producción es:

183015 – 62500 = 120015 unidades

suponiendo que dicha persona no

desee perder ninguna venta
 Métodos con series de tiempo
En lugar de emplear variables
independientes para el pronóstico,
cómo los modelos de regresión, los
métodos con series de tiempo usan
información histórica que sólo se
refiere a la variable dependiente
Estos métodos están basados en la
suposición que el patrón de la
variable dependiente en el pasado
habrá de continuar en el futuro
En el análisis de series de tiempo se
identifican los patrones
fundamentales de la demanda que
se combinan entre sí para generar el
patrón histórico observado en la
variable dependiente, después de lo
cual se elabora un modelo capaz de
reproducir dicho patrón
Vamos a ver los métodos con series
de tiempo aplicables a los patrones
de demanda de tipo horizontal, a los
de tendencia y a los estacionales
 Antes de discutir los métodos
estadísticos, demos una mirada al
más sencillo de los métodos de series
de tiempo para abordar todos los
patrones de demanda:
el pronóstico empírico
Pronostico Empírico
Un método que se usa con frecuencia
en la práctica, es el pronóstico
empírico, en el cual el pronóstico de
la demanda para el siguiente período
es igual a la demanda observada en
el período actual
 De esta manera si la demanda real
para el miércoles ha sido de 35
clientes, la demanda pronosticada
para el jueves será de 35 clientes

Si la demanda real del jueves es de

42 clientes la demanda pronosticada
para el viernes también será de 42
clientes
En el método de pronóstico empírico
se puede tomar en cuenta una
tendencia de la demanda

El incremento (o decremento)
observado en la demanda de los dos
últimos períodos se usa para ajustar
la demanda actual con miras a
elaborar un pronóstico
Supongamos que la demanda fue de
120 unidades en la última semana y
de 108 unidades la semana anterior
En estas condiciones, el incremento
de la demanda fue de 12 unidades en
una semana, por lo cual el pronóstico
para la siguiente semana será de
120 + 12 = 132 unidades
 Si la demanda real de la semana
siguiente resultara ser de 127
unidades, entonces el siguiente
pronóstico seria de
127 + 7 = 134 unidades

El método de pronóstico empírico

también se puede aplicar a patrones
estacionales
Si la demanda durante junio del año
pasado fue de 50000 unidades
entonces el pronóstico para junio del
año actual será de 50000 unidades
 Asimismo, los pronósticos de
demanda para cada uno de los meses
del año entrante será un simple
reflejo de la demanda real observada
en esos mismos meses durante el
año pasado
 Las ventajas del método de
pronóstico empírico son su
simplicidad y su bajo costo

Este método funciona mejor cuando

los patrones horizontales, de
tendencia o estacionales son estables
y la variación al azar es pequeña
 Cuando la variación al azar es
grande, el uso del valor de la
demanda en el último período para
estimar la del período siguiente suele
dar lugar a pronósticos sumamente
variables que no son útiles para
propósitos de planificación
Sin embargo si su nivel de precisión
es aceptable, el pronóstico empírico
es un enfoque atractivo para el
pronóstico con series de tiempo
Estimación del Promedio
Cada serie de tiempo de demanda
tiene por lo menos 2 de los cinco
patrones posibles de demanda: el
horizontal y el aleatorio (o al azar)
También es posible que tengan
patrones de tendencia, estacionales
o cíclicos
El patrón horizontal de una serie de
tiempo se basa en la media de las
demandas, por lo cual enfocaremos
nuestra atención en los métodos de
pronóstico en los que se estima el
promedio de una serie de datos a
través del tiempo
 En consecuencia,
para todos los métodos de
pronóstico expuestos en esta
sección,
el pronóstico de demanda para
cualquier período futuro es el
promedio de las series de tiempo
calculadas en el período actual
 Por ejemplo, si el promedio de la
demanda anterior calculada el
martes es de 65 clientes, entonces
los pronósticos para el miércoles, el
jueves y el viernes serán de 65
clientes por día
La figura siguiente muestra la llegada
de pacientes a una clínica médica en
las últimas 28 semanas
La serie de tiempo muestra un
patrón horizontal y aleatorio
Como nadie puede prever errores
aleatorios, nos contentaremos con
estimar el promedio
Las técnicas estadísticas útiles para el
pronóstico de esas series de tiempo
son:
1) Promedios móviles simples
2) Promedios móviles ponderados
3) Suavización exponencial
Promedios móviles simples
El método de promedio móvil simple
se usa para estimar el promedio de
una serie de tiempo de demanda y
por lo tanto para suprimir los efectos
de las fluctuaciones al azar
Este método resulta más útil cuando
la demanda
no tiene tendencias pronunciadas
ni influencias estacionales
 La aplicación de un modelo de
promedio móvil implica simplemente
calcular la demanda promedio para
los n períodos más recientes, con el
fin de usarla como pronóstico para el
siguiente período
 Para el período siguiente, una vez
que se conoce la demanda, la
demanda más antigua incluida en el
promedio anterior se sustituye por la
demanda más reciente y luego se
vuelve a calcular el promedio
 De esta manera se usan las n
demandas más recientes, por lo cual
el promedio se “mueve” de uno a
otro periodo
 En términos específicos, el
pronostico correspondiente al
periodo t + 1 se puede calcular como
sigue:
𝐒𝐮𝐦𝐚 𝐝𝐞 𝐥𝐚𝐬 𝐧 𝐮𝐥𝐭𝐢𝐦𝐚𝐬 𝐝𝐞𝐦𝐚𝐧𝐝𝐚𝐬
Ft+1 = =
𝐧

𝐷𝑡+𝐷 𝑡−1 +𝐷 𝑡−2 +⋯+𝐷(𝑡−𝑛+1)

Ft+1 =
𝑛
Donde:
Dt = demanda real en el periodo t
n = numero total de periodos
incluidos en el promedio
Ft+1 = pronostico para el periodo t+1
Con el método de promedio móvil, el
pronostico de la demanda en el
periodo siguiente será igual al
promedio calculado al final de este
periodo
 En el método de promedio móvil
pueden incluirse todos los pedidos
pretéritos de demanda que se desee
Generalmente, la estabilidad de la
serie correspondiente a la demanda,
determina cuántos periodos será
necesario incluir
(es decir, el valor de n)
 Las series de demanda estables son
aquellas para las cuales el promedio
(que habrá de calcularse mediante el
método de pronóstico) cambia
solamente en forma infrecuente
 Deberán utilizar
grandes valores de n para las series
de demanda que sean estables,
y
valores pequeños de n para las que
sean susceptibles de cambios en el
promedio fundamental
 La figura siguiente muestra una
comparación entre las llegadas reales
de pacientes y un pronóstico basado
en un promedio móvil para tres
semanas y uno para seis semanas,
correspondientes a los datos de la
clínica médica
Se ve que el pronóstico del promedio
móvil de tres semanas varía más y
reacciona con mayor rapidez ante las
grandes fluctuaciones de la demanda
En cambio, el pronóstico con
promedio móvil de seis semanas es
más estable porque las grandes
fluctuaciones de la demanda tienden
a cancelarse entre sí
a
Si se incluyen más datos históricos en
el promedio, incrementando el
número de períodos, el resultado es
un pronóstico menos susceptible a
las variaciones al azar
 Sin embargo si el promedio
fundamental de la serie está
cambiando, los pronósticos tenderán
a retrasarse por un intervalo de
tiempo más largo con respecto a los
cambios, a causa del tiempo
adicional necesario para retirar del
pronóstico los datos de períodos
anteriores
Ejemplo
a.- Elabore un pronóstico de
promedio móvil de tres semanas
para estimar la llegada de pacientes
a la clínica médica
durante la semana 4
 Los números correspondientes a las
llegadas de pacientes durante las tres
últimas semanas fueron los
siguientes:
Semana Llegadas de pacientes

1 400

2 380

3 411
 b.- Si el numero real de llegadas de
pacientes durante la semana 4 fue de
415, ¿cuál será el pronóstico para la
semana 5?
Resolución
a.- El pronóstico promedio móvil al
final de la semana 3 es:
𝟒𝟏𝟏+𝟑𝟖𝟎+𝟒𝟎𝟎
F4= = 397,0
𝟑

Así, el pronóstico correspondiente a

la semana 4 es de 397 pacientes
b.- Para elaborar el pronóstico
correspondiente a la semana 5, es
necesario conocer las llegadas reales
durante las semanas 2 a 4, es decir,
los datos de las tres semanas mas
recientes
𝟒𝟏𝟓+𝟒𝟏𝟏+𝟑𝟖𝟎
F5= = 402,0
𝟑
El pronostico para la semana 5 es de
402 pacientes
Además, como ahora estamos en la
semana 4, el pronóstico para la
semana 6 y las siguientes será
también de 402 pacientes
Promedios móviles ponderados
En el método de promedio móvil
simple, todas las demandas tienen la
misma ponderación en el promedio,
es decir, 1/n
 En el método de promedio móvil
ponderando cada una de las
demandas históricas que intervienen
en el promedio pueden tener su
propia ponderación

El resultado de la suma de las

ponderaciones es 1.0
 Por ejemplo, en un modelo con
promedio móvil ponderado de tres
períodos, al período más reciente se
le puede asignar una ponderación de
0.50, al segundo más reciente se le
asigna una ponderación de 0.30 y el
tercero más reciente una de 0.20
 El promedio se obtiene
multiplicando la ponderación de
cada periodo por el valor
correspondiente a dicho período y
sumando finalmente los productos:

Ft+1 = 0.50Dt + 0.30Dt-1 + 0.20Dt-2

 La ventaja del método de promedio
móvil ponderado es que nos permite
hacer énfasis en la demanda reciente
por encima de la demanda anterior
 Este pronóstico suele responder
mejor que el pronóstico de promedio
móvil simple, frente a los cambios
registrados en promedio
fundamental de la serie de
demandas
 A pesar de eso, el pronóstico de
promedio móvil ponderado seguirá
retrasándose con respecto a la
demanda porque sólo calcula
promedios de la demanda en el
pasado
 Este retraso es especialmente
notable cuando existe una tendencia,
porque el promedio de la serie de
tiempo va incrementando o
disminuyendo en forma sistemática
 El método de promedio móvil
ponderado presenta las mismas
limitaciones que un método de
promedio móvil simple: es necesario
recolectar los datos de n periodos de
demanda para poder calcular el
promedio correspondiente a cada
período
Recopilar esta cantidad de datos no
es un gran problema en situaciones
sencillas, como vimos en el ejemplo
anterior entre tres y seis semanas
Sin embargo si una compañía tiene
que pronosticar el valor de muchas
demandas, los costos de obtención y
actualización de datos pueden ser
altos
Los gerentes deben sopesar el costo
de mantener registros tan detallados
frente a la utilidad de los promedios
resultantes
Ejemplo
El analista que está a cargo de la
clínica médica ha asignado
ponderaciones de 0,70 a la demanda
más reciente, 0,20 a la demanda de
hace una semana y 0,10 a la
demanda de hace dos semanas
Los datos correspondientes a las tres
primeras semanas, necesarios para
calcular el pronóstico de promedio
móvil ponderados para la semana 4,
son los siguientes:
Semana Llegadas de pacientes

1 400

2 380

3 411
Resolución:
F4=0.70(411) + 0.20(380) + 0.10(400)=
= 403.7
Como no es posible dividir a un
paciente en fracciones, tenemos que
redondear al número entero más
próximo, es decir, el pronóstico para
la semana 4 es de 404 pacientes
Supongamos ahora que la demanda
real para la semana 4 fuera de 415
pacientes, entonces, el nuevo
promedio y el pronóstico para la
semana 5 serían:
F5=0.70(415) + 0.20(411) + 0.10(380)=
= 410.7
Redondeando, el pronóstico para la
semana 5 es de 411 pacientes
Suavización exponencial
El método de suavización exponencial es
un método de promedio móvil
ponderado muy refinado que permite
calcular el promedio de una serie de
tiempo, asignando a las demandas
recientes mayor ponderación que a las
demandas anteriores
Es el método de pronóstico formal
que se usa más a menudo, por su
simplicidad y por la reducida
cantidad de datos que requiere
 A diferencia del método de promedio
móvil ponderado, que requiere n
periodos de demanda pretérita y n
ponderaciones, la suavización
exponencial requiere solamente tres
tipos de datos: el pronóstico del último
período, la demanda de este producto y
un parámetro suavizador, α, cuyo valor
fluctúa entre 0 y 1.0
 Para elaborar un pronóstico con
suavización exponencial será
suficiente que calculemos un
promedio ponderado de la demanda
más reciente y el pronóstico
calculado para el último periodo
 La ecuación de ese pronóstico es:
Ft+1 = α .(Demanda p/ese periodo) +
(1 – α).(Pronóstico calculado p/el
ultimo periodo)
Ft+1 = αDt + (1 – α)Ft
La siguiente es una ecuación
equivalente:
Ft+1 = Ft + α(Dt – Ft)
Esta forma de la ecuación muestra
que el pronóstico para el periodo
siguiente es igual al pronóstico del
periodo actual más una proporción
del error del pronóstico
correspondiente al mismo período
actual
El énfasis que se hace en los niveles
de demanda más recientes puede
ajustarse modificando el parámetro
de suavización
Los valores más grandes de α hacen
énfasis en los niveles recientes de la
demanda y dan lugar a pronósticos
que responden mejor a los cambios
en el promedio fundamental
 Con valores de α más pequeños, se
considera más uniforme la demanda
pasada y se producen pronósticos
más estables
Este enfoque es similar al ajuste del
valor de n en los métodos de
promedio móvil, salvo que en estos
últimos los valores menores de n
ponen el énfasis en la demanda
reciente y los valores más grandes
conceden mayor ponderación a la
demanda pasada
En la práctica se ensaya con diversos
valores de α y se selecciona el que
produzca los mejores pronósticos

Para poner en marcha la suavización

exponencial se requiere un
pronóstico inicial
 Hay dos formas de realizar ese
pronóstico inicial: usar la demanda
del último período o bien si se
dispone de datos históricos, calcular
el promedio de varios periodos
recientes de demanda
 El efecto de la estimación inicial del
promedio sobre las estimaciones
sucesivas del mismo disminuye a lo largo
del tiempo porque, con la suavización
exponencial, las ponderaciones
asignadas a las demandas históricas
sucesivas, que se utilizan para calcular el
promedio, disminuyen
exponencialmente
Podemos ilustrar este sector con un
ejemplo

Suponiendo que α = 0.20, el

pronóstico para el periodo t+1 es:

Ft+1 = 0.20 Dt + 0.80Ft

 Mediante la ecuación
correspondiente a Ft expandimos la
ecuación para Ft+1:

Ft+1=0.20Dt + 0.80(0.20Dt-1 + 0.80Ft-1)

= 0.20Dt + 0.16Dt-1 + 0.64Ft-1

 Y a continuamos expandiéndola,
obtenemos:
Ft+1 = 0.20Dt + 0.16Dt-1 + 0.128Dt-2 + +
0.1024Dt-3 + …
Finalmente, las ponderaciones de las
demandas que se remontan muchos
períodos en el pasado se aproximan
a cero
Igual que en el método de promedio
móvil ponderado, la suma de las
ponderaciones deberá ser igual a 1.0,
lo cual va implícito en la ecuación de
suavización exponencial
La suavización exponencial tiene las
ventajas de ser sencilla y requerir un
mínimo de datos
Su utilización es económica y por lo
tanto muy atractiva para las
empresas que realizan miles de
pronósticos para cada periodo de
tiempo
Sin embargo su sencillez se convierte
en una desventaja cuando el
promedio fundamental se modifica,
como en el caso de las series de
demanda que muestran una
tendencia
 Igual que con cualquier método
enfocado únicamente en el supuesto
de un promedio estable, los
resultados de la suavización
exponencial se retrasan con respecto
a los cambios registrados en el
promedio fundamental de la
demanda
 Los valores α más altos pueden
ayudar a reducir los errores de
pronóstico cuando se produce un
cambio en el promedio de las series
de tiempo
Sin embargo seguirá habiendo
retrasos si el promedio cambia
sistemáticamente
 De ordinario si se requieren valores
grandes de α por ejemplo mayor a 0.50,
para la aplicación de una suavización
exponencial, es muy probable que se
requiera un modelo más refinado, a
causa de la presencia de una tendencia o
una influencia estacional significativa en
las series de demanda
Ejemplo
La llegada de pacientes a la clínica es
la siguiente
Semana Llegadas de pacientes

1 400

2 380

3 411
Ahora nos encontramos al final de la
semana 3

A partir de α= 0,10, calcule el

pronóstico de suavización
exponencial para la semana 4
Resolución
El método de suavización
exponencial requiere un pronóstico
inicial
Suponga que tomamos los datos de
demanda de las dos últimas semanas
y los promediamos para obtener
𝟒𝟎𝟎+𝟑𝟖𝟎
= 390 como pronóstico inicial
𝟐
A fin de calcular el pronóstico para la
semana 4, utilizando una suavización
exponencial con α = 0.10, calculamos
el promedio al final de la semana 3
en la siguiente forma:
F4 = 0.10(411) + 0.90(390) = 392.1

Así, el pronóstico para la semana 4

sería de 392 pacientes
Si la demanda real para la semana 4
resultará ser de 415, entonces el
nuevo pronóstico para la semana 5
sería:
F5 = 0.10(415) + 0.90(392.1) = 394.4
O sea, 394 pacientes
Hemos utilizado el valor real de F4 y
no el valor redondeado para el
cálculo de F5

En general, redondeamos solamente

el resultado final, a fin de mantener
la mayor precisión posible en los
cálculos
Patrones Estacionales
Muchas organizaciones tienen una
demanda estacional para sus bienes
o servicios
 Los patrones estacionales consisten
en movimientos ascendentes o
descendentes de la demanda, que se
repiten con regularidad, medidos en
períodos de menos de un año (en
horas, días, semanas, meses o
trimestres)
En este contexto, dichos periodos de
tiempo se llaman estaciones
 Por ejemplo, la llegada de los clientes a
un establecimiento de comida rápida
durante un día cualquiera puede
alcanzar un punto máximo entre las 11 y
las 13 hs y de nuevo entre las 20 y las 22
hs
En este caso la duración del patrón
estacional es diario y cada hora del día
es una estación
 En forma similar, la demanda de
corte de cabello suele alcanzar un
punto máximo los sábados, semana
tras semana
En este caso el patrón estacional es
semanal y las estaciones solo días de
la semana
 Vamos a describir solamente el
método estacional multiplicativo, en
el cual los factores estacionales se
multiplican por una estimación de la
demanda promedio y así se obtiene
un pronóstico estacional
 El procedimiento en cuatro pasos,
descrito aquí, requiere el uso de
promedios simples de la demanda
pretérita, pero también podrían
usarse otros métodos más refinados
para calcular promedios, como los
métodos de promedio móvil o de
suavización exponencial
La siguiente descripción está basada
en un patrón estacional con un año
de duración y estaciones
equivalentes a un mes, aunque el
procedimiento se puede aplicar con
cualquier patrón estacional y con
estaciones de cualquier duración
 1 .- Para cada año, calcule la
demanda promedio por estación,
dividiendo la demanda anual entre el
número de estaciones incluidas en el
año
Por ejemplo, si la demanda total de
un año determinado es de 6000
unidades y cada mes representa una
estación, la demanda promedio por
estación será de
6000/12= 500 unidades
2.- Para cada año, divida la demanda real
correspondiente a una estación entre la
demanda promedio por estación
El resultado así obtenido será un índice
estacional para cada una de las
estaciones del año, el cual implica el
nivel de la demanda en relación con la
demanda promedio
 Por ejemplo, suponga que la
demanda para marzo fue de 400
unidades, entonces el índice
estacional de marzo es
400/500 = 0.80
lo cual indica que la demanda de
marzo es 20% inferior a la demanda
promedio por mes
En forma similar, la presencia de un
índice estacional de 1.14 para abril
implica que la demanda de abril es
14% mayor que la demanda
promedio por mes
 3.- Calcule el índice estacional
promedio para cada estación, usando
los resultados del paso anterior

Sume los índices estacionales para

una estación dada y divídalos entre
el número de años que abarquen los
datos
 Por ejemplo, suponga que hemos
calculado tres índices estacionales para
abril de diferentes años: 1.14, 1.18, 1.04
El índice estacional promedio para abril
es
(1.14 + 1.18 + 1.04)/3 = 1.12
Este es el índice que usaremos para
pronosticar la demanda de abril
4.- Calcule el pronóstico de cada
estación para el año siguiente
Comience con el cálculo de la
demanda promedio por estación
para el año siguiente
 Use el método empírico, los
promedios móviles, la suavización
exponencial, la suavización
exponencial ajustada a la tendencia,
o bien, la regresión lineal, para
elaborar el pronóstico
correspondiente a la demanda anual
Divida luego la demanda anual entre
el número de estaciones incluidas en
el año
Encuentre finalmente el pronóstico
estacional multiplicando el índice
estacional por la demanda promedio
por estación
Ejemplo
El gerente de una compañía necesita
un pronóstico trimestral del número
esperado de clientes para el año
siguiente
 El negocio es estacional, con un
punto máximo en el tercer trimestre
y uno mínimo en el primer trimestre
Presentamos a continuación los
datos de la demanda trimestral
registrada en los cuatro años más
recientes
Trimestre Año 1 Año 2 Año 3 Año 4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
El gerente desea hacer un pronóstico
de la demanda de clientes para cada
uno de los trimestres del año 5,
basándose en su estimación de que
la demanda total durante el año 5
será de 2600 clientes
Resolución
Paso 1.- El numero promedio de
clientes por estación es:
Año 1: 1000/4 = 250
Año 2: 1200/4 = 300
Año 3: 1800/4 = 450
Año 4: 2200/4 = 550
Paso 2.- Los índices estacionales son:
Trim Año 1 Año 2 Año 3 Año 4
45/250 70/300 100/450 100/550
1
=0.18 =0.23 =0.22 =0.18
335/250 370/300 585/450 725/550
2
=1.34 =1.23 =1.30 =1.32
520/250 590/300 830/450 1160/550
3
=2.08 =1.97 =1.84 =2.11
100/250 170/300 285/450 215/550
4
=0.40 =0.57 =0.63 =0.39
 Paso 3.- Observe la forma en que los
índices estacionales de cada
trimestre fluctúan de un año a otro a
causa de efectos aleatorios
Por eso es necesario calcular el
índice estacional promedio para cada
trimestre
Trim Índice estacional promedio
1 (0.18+0.23+0.22+0.18)/4 = 0.20
2 (1.34+1.23+1.30+1.32)/4 = 1.30
3 (2.08+1.97+1.84+2.11)/4 = 2.00
4 (0.40+0.57+0.63+0.39)/4 = 0.50
 Paso 4.- Como se ve, la demanda
anual aumenta a razón de 400
clientes/año promedio
El gerente prolonga esa tendencia y
proyecta una demanda anual de
2200+400= 2600 clientes p/el año 5
Por lo tanto la demanda promedio
estimada por trimestre será:
2600/4=650 clientes en el año 5
A continuación, el gerente elabora
pronósticos trimestrales
multiplicando los factores
estacionales por la demanda
promedio por trimestre
Trim Pronóstico
1 650.(0.20)= 130 clientes
2 650.(1.30)= 845 clientes
3 650.(2.00)= 1300 clientes
4 650.(0.50)= 325 clientes
 Al final del año, el factor estacional
promedio para cada trimestre puede
ser actualizado
 Calculamos el promedio de todos los
factores estacionales históricos
correspondiente a ese trimestre, o bien,
si deseamos tener cierto grado de
control sobre la pertinencia de los
patrones de demanda pretéritos,
entonces calcularemos un promedio
móvil o un solo promedio suavizado
exponencialmente
 El método estacional multiplicativo
recibe su nombre de la forma en que
se calculan y utilizan los factores
estacionales
 El hecho de multiplicar el factor
estacional por una estimación de la
demanda promedio durante el
período implica que el patrón
estacional depende del nivel de la
demanda
 Las crestas y los valles son más
pronunciados cuando la demanda
promedio es alta, situación típica
que a menudo enfrentan las
empresas que producen bienes y
servicios caracterizados por una
demanda estacional
 La fig. siguiente muestra una serie de
tiempo con un patrón estacional
multiplicativo
La amplitud de las estaciones aumenta,
lo cual refleja una tendencia ascendente
de la demanda
Sucede lo contrario cuando la demanda
tiene una tendencia descendente
Error de pronósticos
No es una novedad que los
pronósticos pueden presentar
diferencias, las cuales se denominan
errores de pronósticos
Error de pronostico =
Demanda real – valor pronosticado
Et = Dt - Ft
 En la etapa de control se debe
determinar cuáles fueron los factores
que afectaron
para que se generen los errores
A los errores los podemos clasificar en
dos tipos:
• Errores de sesgo
• Errores aleatorios
 Los errores de sesgo, son ocasionados
por un error constante, por ejemplo una
mala interpretación de la demanda, usar
variables incorrectas o con relaciones
equivocadas
Este tipo de error se verá minimizado de
acuerdo a la experiencia y habilidad del
administrador de operaciones
El error aleatorio es aquel que no tiene
explicación, es decir, es el error
originado por factores imprevisibles y
por ende
no se conoce
qué es lo que lo causa
Es importante destacar que siempre va a
haber error en el cálculo de un
pronóstico de demanda
En la práctica, se intenta
minimizar ambos tipos de errores
eligiendo el mejor método de
pronóstico, y es por eso que existe la
medición del
error en pronósticos de demanda
Por lo tanto, lo importante es disponer
de algún medio
con el cual medir dichos errores y
puedan, así,
minimizar el riesgo
Para ello, el mayor interés radica en
poder medir estos desvíos u errores
a través de un período largo de tiempo
 ¿Qué utilidad tiene calcular el error de
pronóstico de demanda?
Su cálculo nos permite tomar decisiones
frente a qué método de pronóstico es el
mejor y logran detectar cuando algo en
nuestra previsión de la demanda no está
marchando bien, con lo que
conseguimos cambiar el rumbo de
nuestras decisiones a fin tomar las
mejores elecciones
El error total de un pronóstico se mide a
través de la suma acumulada de errores
de pronósticos (CFE):

CFE = ∑ error de pronostico = ∑ Et

Los grandes errores positivos tienden a
compensarse con grandes errores
negativos mediante el CFE

Este valor, nos permite evaluar el sesgo

del pronóstico
Por ejemplo, si a través de los periodos
el valor real de la demanda
siempre resultara
superior al valor de pronóstico,
la CFE será más grande,
lo que indica,
la existencia de un error sistemático en
el cálculo de la demanda
En este caso, puede que el analista haya
omitido un elemento de
tendencia o un patrón cíclico
o tal vez
que las influencias estacionales
hayan cambiado con respecto a su
patrón histórico
De la formula anterior se deduce que el
error de pronóstico promedio
es igual a:

𝐂𝐅𝐄
Prom E =
𝐧
El cuadrado del error medio (MSE),
es igual a:
𝐂𝐅𝐄 𝟐 ∑𝑬𝒕𝟐
MSE = =
𝐧 𝒏
La desviación media absoluta (MAD) es
igual a:
∑ ‫׀𝒕𝑬׀‬
MAD =
𝒏
El valor |Et| significa “valor
absoluto”,
que indica que lo único que vale es el
valor, sin considerar ningún signo
El valor del MSE junto con el MAD y
σ (la desviación estándar),
miden la dispersión de los errores de
pronostico

∑(Et−E̅) 2
σ=
𝑛−1
 Si el valor del MSE, la σ o la MAD
es pequeño,
el pronóstico se aproxima
generalmente a la demanda real
Un valor grande de ellos, anuncia la
posibilidad de errores de pronóstico
considerables
El error porcentual medio absoluto
(MAPE), es igual a:
∑ ‫𝟎𝟎𝟏 ׀𝐭𝐄׀‬
𝑫𝒕
MAPE = (por ciento)
𝒏

∑ (𝐑𝐞𝐚𝐥 𝑫𝒕−𝐏𝐫𝐨𝐧𝐨𝐬𝐭𝐢𝐜𝐨) 𝟏𝟎𝟎

𝐫𝐞𝐚𝐥 𝑫𝒕
=
𝒏
 Tomando como ejemplo las
responsabilidades de un gerente de
sucursal de banco, podemos imaginar
una predicción de préstamos
proyectados contra los préstamos
efectivamente colocados
El objetivo sería poder corregir el error a
tiempo y que estos datos sirvan para
hacer correcciones en pronósticos
futuros
 Estas mediciones deben servir para
realizar las correcciones necesarias en
forma inmediata
Para ello, se deberán determinar cuáles
son las razones por las que se está por
debajo del promedio establecido como
objetivo, y luego corregir rápidamente,
lo que haga falta para llegar a lo
planificado
 Estas correcciones dependen
íntegramente de la habilidad que posea
quien gerencia, para advertir a tiempo
los desvíos, y de la rapidez con que tome
la decisión de cambio de estrategia o
política
En casos como estos vemos cómo
planificación y control van de la mano
 Resulta de suma importancia evaluar si
lo que se ha planificado como previsible,
ha sido acertado o ha estado muy lejos
de lo realizado

Esta acción nos permite determinar el

nuevo plan de acción y definir los nuevos
estándares de producción
 Resulta útil retomar el concepto de
revitalización del sistema; este implica
que una vez que hemos atravesado
todas las etapas del proceso,
obtendremos un resultado que es el que
deberá realimentar la etapa de metas y
objetivos
 La Señal de Rastreo
(conocida como Tracking Signal o TS)
es una medida de desempeño que
permite medir
la desviación del pronóstico
respecto a
variaciones en la demanda
 También, la señal de rastreo,
se puede interpretar
como el número de MAD
(Desviación Media Absoluta o Mean
Absolute Deviation)
que el pronóstico está sobre o bajo la
demanda real
 𝐂𝐅𝐄
Señal de rastreo =
𝐌𝐀𝐃
La CFE tiende a cero, cuando se utiliza un
sistema de pronostico correcto
En cada periodo, la CFE y la MAD, son
actualizadas para que reflejen
verdaderamente, el error actual y se
compara la señal de rastreo con ciertos
limites determinados de antemano
 Existe una relación entre MAD y σ, que
permite el uso de tablas de probabilidad
normal para especificar los limites de la
señal de rastreo
MAD = 0,7978 σ
Si la señal de rastreo queda fuera de
esos limites, indica que el modelo de
pronósticos ya no esta reflejando
correctamente la demanda
Un sistema de rastreo es útil cuando se
utilizan modelos de pronósticos
computarizados, porque informa a los
analistas el momento en que los
pronósticos se salen de los limites
deseables
El siguiente grafico de control, muestra
los resultados de la señal de rastreo
correspondiente a 23 periodos
Estas graficas son utiles ya que ayudan a
determinar si es necesario hacer algo
para mejorar el modelo de pronósticos
En este grafico, observamos que los 20
primeros puntos están agrupados
alrededor de 0, tal como corresponde
esperar cuando los pronósticos no
muestran ningún sesgo
En este caso la CFE tendera a cero
 Cuando las características
fundamentales de la demanda cambian
pero el modelo de pronostico no se
modifica, la señal de rastreo se sale
finalmente de control
El incremento que se observa en el
grafico a partir del punto 20, indica que
el proceso empieza a salirse de control
Los puntos 21 y 22 son aceptables pero
el 23 ya no lo es
La selección de los limites para la señal
de rastreo, implica un trueque entre el
costo de usar un pronostico deficiente y
el costo de verificar la presencia de un
problema cuando este no existe
Por ejemplo, si contamos con datos de
demanda de un producto durante 8
trimestres, calculemos mediante
regresión lineal, el pronostico para los
siguientes 4 trimestres
x y
1 300
2 540
3 885
4 580
5 416
6 760
7 1191
8 760
Resolviendo con la ayuda de excel, según
lo explicado en la lectura del Canvas,
obtenemos los resultados de los
pronósticos de los siguientes 4
trimestres 9 997
10 1068
11 1138
12 1209
La ecuación de regresión es para este
caso igual a: Y = 70,667x + 361
Si graficamos la variación de la demanda
y la línea de regresión, observamos que
obtener pronósticos de demanda
utilizando exclusivamente la tendencia,
se omite las características estacionales
del comportamiento de la demanda
 Utilizar la tendencia como único
dispositivo de pronóstico no rescata de
forma adecuada la variabilidad de los
datos y la estacionalidad de los mismos
 ¿Cómo se comporta el método de
pronóstico si lo ajustamos a los datos
históricos?
Para ello será necesario realizar las
proyecciones con la regresión lineal
desde el trimestre 1 al trimestre 8
Por ejemplo, el pronóstico del trimestre
1 es F(1) = 361 + 70,667(1) = 432
 Ahora calculamos los siguientes 7
periodos y vamos a calcular los valores
del MAD y el TS (señal de rastreo)
Los valores se muestran en la siguiente
tabla:
Trim Dem (D) Pron (F) |D-F| ∑|D-F| MAD D-F ∑(D-F) TS

1 300 432 132 132 132,00 -132 -132 -1,0

2 540 502 38 170 85,00 38 -94 -1,1

3 885 573 312 482 160,67 312 218 1,4

4 580 644 64 546 136,50 -64 154 1,1

5 416 714 298 844 168,80 -298 -144 -0,9

6 760 785 25 869 144,83 -25 -169 -1,2

7 1191 856 335 1204 172,00 335 166 1,0

8 760 926 166 1370 171,25 -166 0 0,0

 A continuación graficamos el
comportamiento de la Señal de Rastreo
(TS):
La Señal de Rastreo se encuentra en el rango
comúnmente aceptado y no se evidencia una
tendencia en su comportamiento
No obstante el patrón que sigue (periodos
bajo y sobre cero alternados) sugiere que
utilizar la tendencia como único dispositivo
de pronóstico
no rescata de forma adecuada
la variabilidad de los datos y la
estacionalidad de los mismos
 Como conclusión se propone utilizar un
método que considere explícitamente la
estacionalidad para realizar proyecciones

No obstante en general se busca que la Señal

de Rastreo varíe en el rango comúnmente
aceptado de [-4,4] MAD y que su
comportamiento no sugiera la presencia de
error sistemático
 Las mediciones de errores de pronostico,
proporcionan información importante
cuando se desea seleccionar el mejor método
de pronostico para un producto o servicio
Además guían a los analistas en la selección
de los valores mas adecuados para los
parámetros que el método requiere: “n” para
el método de promedio móvil, las
ponderaciones para el método de promedio
móvil ponderado, y α para el método de
suavización exponencial
 Entre los criterios que se aplican en la
elaboración del método de pronostico, y en
la selección de parámetros figuran:
1) Minimizar los sesgos
2) Minimizar la MAD y el MSE
3) Satisfacer las expectativas de los gerentes
acerca de los cambios en los
componentes de la demanda
4) Minimizar el error de pronostico del
ultimo periodo
 Los dos primeros criterios se relacionan con
mediciones estadísticas basadas en el
rendimiento histórico, el tercero refleja las
expectativas del futuro que pueden no estar
arraigadas en el pasado y el cuarto se refiere
a la forma de usar cualquier método, siempre
que sea el que parezca dar mejor resultado
en el momento en que sea necesario hacer el
pronostico
FIN