Capítulo I

PRONOSTICOS

Ing. Germán Alcalá C.

 “La previsión proporciona a
Disney una ventaja competitiva”

Dirección de la Producción y de Operaciones

Jay Heizer & Barry Render
Contenido:
1. Introducción
2. Marco conceptual de los pronósticos
3. Tipos de pronósticos
4. Selección de un método de pronóstico
5. Razones de un mal pronóstico
6. Bibliografía
“LA PREPARACION DE PRONÓSTICOS ES EL
ARTE Y LA CIENCIA DE PREDECIR EVENTOS
FUTUROS”
1. Introducción

Algunas de las preguntas que deben plantearse

antes de decidir la técnica de pronósticos más
apropiada para un problema específico son las
siguientes:

 ¿Por qué se necesita un pronóstico?

 ¿Quién utilizará el pronóstico?
 ¿Cuáles son las características de los datos
disponibles?
 ¿Qué periodo debe pronosticarse?
 ¿Qué tanta precisión se desea?
 ¿Cuánto costará el pronóstico?
Características del pronóstico
empresarial:

 Es consistente con las demás áreas del

negocio
 Se basa en el conocimiento adecuado del
pasado relevante
 Tiene en cuenta el entorno político y
económico.
 Es oportuno.
¿Porqué son importantes los
pronósticos en el área de
operaciones?
Variaciones entre las ventas y los
pronósticos

Variaciones leves:

◦ Puede absorberse por un nivel adicional de

capacidad
◦ Inventarios o reprogramación de órdenes
◦ Otras??
Variaciones fuertes:
◦ Pronósticos > > Ventas
 Grandes inventarios
 Recorte de personal para reducir los niveles de
producción
 Otras??
◦ Pronósticos < < Ventas
 Capacidad se ve estirada
 Contratación de personal adicional
 Pérdida de ventas debido a faltantes en inventario
 El pronóstico ocupa un papel central en la
empresa y a lo largo de la cadena de
suministro

Lectura:

“Pronósticos de la cadena de suministro de

Walmart”
2. Marco conceptual del pronóstico en
el área de operaciones
 Nos concentramos en la preparación del
pronóstico de la demanda para la
producción.
 La demanda y las ventas no siempre son
lo mismo.
 Pronóstico no es igual a Planeación
 El pronóstico es un insumo para las
decisiones de operaciones relacionadas
con el diseño del proceso, la planeación
de la capacidad y los inventarios.
 TECNICAS DE PRONOSTICO
Promedios
móviles

Promedio móvil
Corto plazo
ponderado
Modelos
causales
Suavización
Cuantitativa
exponencial
Modelos de
series de tiempo
TECNICAS DE Regresión lineal
PRONOSTICO Delphi

Largo plazo Polinomial

Investigación de
Cualitativa
Mercados
Multilineal
Predicción
tecnológica
 PRONOSTICOS COMO INSUMO PARA LAS DECISIONES DE
OPERACIONES

Decisiones de Decisiones de
Diseño de proceso
capacidad (largo, inventarios (corto
(largo plazo)
mediano y corto plazo) plazo)
• Tipo de proceso • Capacidad total de • Compras
(continuo, líneas de las instalaciones • Programación
ensamble, lotes, • Planes de
talleres de trabajo, contrataciones,
proyectos) subcontrataciones,
equipamiento
• Asignación de
personas y máquinas
disponibles

GRADO DE EXACTITUD Y ESPECIFICIDAD

Aplicaciones y métodos de pronóstico
Horizonte Exactitud Nº Nivel de Método
pronósticos involucrados pronóstico

Proceso Largo Mediana 1 o pocos Alto Cualitativo/

causal

Instalacion Largo Mediana 1 o pocos Alto Cualitativo/

es causal

Planeación Mediano Alta Pocos Mediano Causal y

agregada series de
tiempo

Programac Corto La más alta Muchos Bajo Series de

ión tiempo

Inventario Corto La más alta Muchos Bajo Series de

s tiempo
3. Tipos de pronósticos
3.1 Pronósticos a largo plazo:

 Estima las condiciones futuras en un

horizonte de tiempo mayor a dos años

 Son necesarias en la administración de

operaciones para dar apoyo a decisiones
estratégicas con relación a: planeación de
productos, procesos, tecnologías e
instalaciones.
3.1.1 Métodos de pronósticos a
largo plazo

a) Métodos cualitativos

b) Métodos cuantitativos
a) Métodos cualitativos de pronósticos:

 Cuándo los datos del pasado no resulten

confiables
 Introducción de nuevos productos (no se
dispone de datos históricos)
 Útiles para el diseño del proceso o
capacidad de las instalaciones
 Métodos cualitativos de pronósticos
METODO DESCRIPCION APLICACIONES COSTO

Delphi Panel de expertos que Pronóstico de ventas a Mediano

responden a una serie de largo plazo para la a alto
preguntas en rondas planeación de la
sucesivas capacidad de las
instalaciones.
Pronósticos tecnológicos
Estudios de Estudia las condiciones del Pronósticos de las ventas Alto
mercado mercado usando varios totales
instrumentos
Analogía Se basa en el ciclo de vida de Pronóstico de ventas a Mediano
del ciclo de productos similares largo plazo para la
vida planeación de la
capacidad o de las
instalaciones
Criterio El pronóstico lo realiza un Pronóstico de ventas Bajo
informado grupo o un individuo con totales y de productos
base en la experiencia, individuales
presentimientos o hechos.
 b) Métodos cuantitativos
Regresión lineal:

 Regresión lineal simple:

◦ Serie de tiempo: Y = a + b t
◦ Modelo causal de pronóstico: Y = a + bX

 Regresión lineal múltiple:Y = f(x,z,w)

 Regresión no lineal:Y = a + bX + cX2

(parábola)
Para ajustar a una recta o curva se emplea
el método de Mínimos Cuadrados:
 Regresión lineal simple: Definición de
variables y fórmulas para el análisis de regresión
lineal simple.

x: valores de la variable indep.

y: valores de la variable depend.
n: número de observaciones
X,Y a: intersección con el eje vertical
b: pendiente de la línea de regresión
b
Y: valores de y que aparecen en la
x,y línea de tendencia Y=a+bX
r: coeficiente de correlación
a
r2: coeficiente de determinación
Coeficiente de correlación (r)
Explica la importancia relativa de la relación entre y
, x; el signo de r indica la dirección de dicha relación,
y el valor absoluto de r la magnitud de la relación.
Puede asumir cualquier valor entre -1 y +1.

 r negativa: los valores de x , y tienden a moverse

en direcciones opuestas

 r positiva: los valores de x , y se mueven en la

misma dirección

 r = 0: no existe relación alguna entre x , y

Coeficiente de determinación (r²)
Indica qué parte de la variación total en la
variable dependiente y, queda explicada por
x, o por la línea de tendencia.

Por lo tanto resulta deseable que el valor

de r² se acerque lo mas posible a 1 o 100%.
Fórmulas:

∑𝑥²∑𝑦−∑𝑥∑𝑥𝑦
a=
𝑛∑𝑥 2 −(∑𝑥)²
𝑛∑𝑥𝑦−∑𝑥∑𝑦
b=
𝑛∑𝑥 2 −(∑𝑥)²

𝑛∑𝑥𝑦−∑𝑥∑𝑦
r=
√[𝑛∑𝑥 2 −(∑𝑥)²][𝑛∑𝑦 2 −(∑𝑦)²]
Ejemplo 1: Serie de tiempo
Una fábrica produce pupitres para
establecimientos escolares. Durante más de un
año, la planta ha operado a casi plena
capacidad. El gerente de operaciones de la
fábrica estima que el crecimiento en las ventas
continuarán y desea desarrollar un pronóstico
a largo plazo que se usará para planear las
necesidades de las instalaciones para los
siguientes 3 años.
Se han totalizado las cifras de ventas
correspondientes a los últimos 10 años:
 Año Ventas anuales Año Ventas anuales
(unidades) (unidades)
1 1000 6 2000

2 1300 7 2200

3 1800 8 2600

4 2000 9 2900

5 2000 10 3200

a) Represente los datos en un diagrama de dispersión y

analice la tendencia.
b) Desarrolle una ecuación de regresión lineal para
predecir las ventas para los siguientes 3 años y
grafíquela en el diagrama de dispersión.
c) Calcule el coeficiente de correlación (r) y el
coeficiente de determinación (r²) e interprete los
resultados
Ejemplo 2: Modelo causal

Suponga que nos interesa estimar la

demanda de periódicos, en una pequeña
ciudad, basándonos en la población local. En
la tabla se muestran la demanda de
periódicos durante los últimos 8 años y la
población correspondiente.
a) Desarrolle una ecuación de regresión lineal
para predecir la demanda futura de
periódicos.

b) Suponiendo que la población durante el

año 2018 alcanzará a 45000 habitantes, cual
será la demanda de periódicos para ese
año?

c) Calcule el coeficiente de correlación (r) y

el coeficiente de determinación (r²) e
interprete los resultados.
Ejemplo 3: modelo causal de pronóstico

Una empresa consultora de ingeniería, supone

que los servicios que proporciona a las
empresas constructoras están directamente
relacionadas con la cantidad de contratos que
suscriben dichas empresas con diferentes
municipios del país. De ser real dicha
suposición, esta información podría ayudar a la
empresa consultora a planear mejor sus
operaciones. Los datos históricos registrados
al respecto se muestran a continuación:
AÑO VENTA DE MONTO TOTAL DE
SERVICIOS DE CONTRATOS DE LAS
INGENIERIA EMPRESAS
(MILES DE $US) CONSTRUCTORAS (MILES
DE $US)
2010 8 150

2011 10 170

2012 15 190

2013 9 170

2014 12 180

2015 13 190

2016 12 200

2017 16 220
En base a dichos datos históricos, se pide calcular lo
siguiente:
a) Desarrollar una ecuación de regresión para
predecir el nivel de la demanda de los servicios de
la empresa consultora.

b) Suponiendo que la suscripción de contratos por

parte de las empresas constructoras para los
próximos 4 años será de: 260, 290, 300 y 270 (miles
de $us) respectivamente, utilice la ecuación de
regresión para predecir el nivel de demanda de los
servicios de ingeniería de la empresa consultora
durante los próximos 4 periodos.

c) Determine con qué grado de exactitud se relaciona

la demanda servicios de la empresa consultora con
los contratos que suscriben las empresas
constructoras.
Rangos de pronóstico (intervalo de
confianza):
Error estándar (desviación estándar)
del pronóstico:

Es una medida de la manera en que han quedado dispersos a uno y

otro lado de la línea de tendencia los puntos de datos históricos.

Si Syx es pequeño en relación con el pronóstico, los puntos de datos

pasados han quedado agrupados muy cerca de la línea de tendencia y
los límites superior e inferior se acercan entre si.

Establecer rangos para los pronósticos permite hacer frente a la

incertidumbre, desarrollando pronósticos con buenos estimados asi
como los rangos dentro de los cuales los datos reales más
probablemente ocurrirán.

Ver ejemplo 4 en Excel.

3.2 Pronósticos a corto plazo

 Por lo general son estimaciones futuras

que van desde unos cuantos días hasta
varias semanas.

 El patrón principal que afecta a estos

pronósticos es la fluctuación aleatoria.
Proporcionan a los gerentes de operaciones
información para tomar decisiones sobre:

 Cuanto de inventario de un producto deberá

mantenerse el mes siguiente

 Cuanto de cada producto deberá programarse

para producir la semana siguiente

 Cuantos trabajadores deberán programarse para

trabajar en tiempo normal y extra la semana
entrante.
3.2.1 Definiciones de variables para
los pronósticos a corto plazo
 Ft: pronóstico para el periodo t, el periodo
siguiente
 Ft-1: pronóstico para el periodo t-1, el periodo
anterior
 At-1: datos reales del periodo t-1, el periodo
anterior
 N: cantidad de periodos promediados
 Wi: pesos o coeficientes de ponderación
para el periodo i
 n: número de observaciones
3.2.2 Desviación Media Absoluta
(MAD)
Para medir la precisión de un modelo de
pronóstico (Se refiere a qué tan cerca siguen
los datos reales a los pronósticos)
comúnmente se utiliza la Desviación Media
Absoluta (MAD).

MAD=(Suma de la desviación absoluta

durante n periodos)/n

MAD=(∑|Demanda real-Demanda
pronosticada|)/n
3.2.3 Métodos de pronóstico a
corto plazo

a) Promedios móviles

b) Promedio móvil ponderado

c) Suavización exponencial
a) Promedios móviles
Promedia los datos de unos cuantos periodos
recientes y este promedio se convierte en el
pronóstico del periodo siguiente. De particular
importancia es la cantidad de periodos de datos
que se han de incluir en el promedio

Ft=(At-1 + At-2 +………+At-N)/N

Un periodo N más prolongado tiene la ventaja de

proporcionar estabilidad en el pronóstico, pero la
desventaja de responder con más lentitud a los
cambios reales en el nivel de la demanda.
Ejemplo 5:
El Gerente de Producción de una fábrica desea
desarrollar un sistema de pronóstico a corto plazo
para estimar el volumen de inventario que fluye de
su almacén todas las semanas. Según el encargado
de almacenes la demanda de inventario por lo
general ha sido estable, con algunas ligeras
fluctuaciones aleatorias de una semana a la
siguiente. Un analista de las oficinas centrales de la
empresa sugirió que utilizara un promedio móvil de
3, 5 o 7 semanas. Antes de tomar una decisión, el
Gerente decidió comparar la precisión de cada una
de ellas en relación con el periodo de 10 semanas
más reciente.
b) Promedio móvil ponderado
En algunas situaciones pudiera resultar
deseable aplicar pesos o coeficientes de
ponderación a los datos históricos.

Ft=w1At-1 + w2At-2 + ….. + wnAt-n

Con la condición que: ∑wi=1

Ejemplo 6:
Si se cree que los datos mas recientes son mas
importantes para un pronóstico, se puede aplicar pesos o
coeficientes mas elevados de ponderación a estos datos,
por ejemplo, 0,50; 0,30 y 0,20:

Semana Datos reales Peso o coeficiente de

ponderación
7 85 0,20
8 102 0,30
9 110 0,50

Pronostico (sem 10)=0,2(85)+0,3(102)+0,5(110)

Pronóstico (sem 10)=102,6
c) Suavización exponencial
Toma el pronóstico del periodo anterior y le
incorpora un ajuste para obtener el
pronóstico del siguiente periodo. Este ajuste
es proporcional al error anterior y se calcula
multiplicando el error de pronóstico del
periodo anterior por una constante entre
cero y uno. Esta constante α se conoce como
constante de suavización.
Error de
pronóstico del
periodo anterior
Ft=Ft-1 + α(At-1 – Ft-1 )
Pronóstico del
periodo anterior
Ft=αAt-1 + (1- α )Ft-1
Ejemplo 7:
Con relación al ejemplo anterior, el analista sugiere
que el Gerente de Producción piense en utilizar la
suavización exponencial con constantes de
suavización de: 0,1 ; 0,2 y 0,3. El Gerente decide
comparar la precisión de las constantes de
suavización para el periodo de 10 semanas más
reciente.

Tarea:
Completar el ejemplo para: α = 0,2 y α = 0,3

¿Cual es la constante de suavización que da mayor

precisión al pronóstico?
Aplicaciones y métodos de pronóstico en Operaciones
Decisiones Horizon Exactitud # Nivel Método de
en te de necesaria product gerencial pronóstico
operaciones tiempo os

Diseño del largo media uno o alto cualitativos y

proceso pocos causales
Capacidad largo media uno o alto cualitativos y
instalaciones pocos causales
Planeación mediano alta pocos alto/medio causales y
agregada series de
tiempo LP
Programación corto muy alta muchos medio/bajo series de
tiempo CP

Inventarios corto muy alta muchos medio/bajo series de

tiempo CP

Largo Plazo > 2 años

Mediano Plazo: de 6 meses a 2 años
Corto Plazo < 6 meses
4. Selección de un método de pronóstico
Se deben considerar los siguientes factores:
 Costo y precisión
 Datos disponibles
 Tiempo
 Naturaleza de productos y servicios:
◦ Volumen y costo elevado
◦ Bien manufacturado o servicio
◦ Etapa de su ciclo de vida
 Capacidad de respuesta ante cambios en
los datos reales de la demanda
5. Razones para un mal pronóstico
 Omisión de la empresa de involucrar al personal
que dispone de información pertinente
 Omisión de que el pronóstico forma parte
integral de la planeación empresarial
 Los gerentes de operaciones, abrigan expectativas
no realistas de sus pronósticos
 Omisión en pronosticar las cosas correctas
 Omisión en seleccionar un método apropiado de
pronóstico
 Omisión de controlar el desempeño de los
modelos de pronóstico
6. Bibliografía:
Administración de Producción y Operaciones
Norman Gaither, Greg Frazer
4ta Edición

Administración de Operaciones
Roger G. Schroeder, Susan Meyer Goldstein, M.
Johnny Rungtusanatham
5ta Edición

Dirección de la Producción y de
OperacionesHeizer y Render
11ava Edición