1

Planeación y Control de Producción

Pronóstico de la Demanda
Richard Chase y Robert Jacobs
Mc Graw Hill 2014

Capítulo 15, Ed 13

ADMINSTRACIÓN DE OPERACIONES
(y Producción)

McGraw-Hill/Irwin ©2009 The McGraw-Hill Companies, All Rights Reserved 1-1

 2

OBJETIVOS
• Introducción
• Tipos de pronósticos
• Componentes de la demanda
• Técnicas cuantitativas de pronóstico
Análisis de series de tiempo
Medición del Error
 Pronósticos de relaciones causales
• Técnicas cualitativas de pronósticos

Básico:
Que se entiende por demanda? 1-2
 3

Pronósticos y las Operaciones

• El pronóstico es la base de la planeación
corporativa a CP, MP y LP. Los pronósticos
representan el fundamento para presu-
puestos y control de costo.
• Marketing requiere pronóstico para ventas.
• Personal de manufctura y operaciones pla-
nean sus requerimientos de producción.
• Modificar instalaciones y capacidades.
• Planificar la expansión a largo plazo.
1-3
 4

¿Qué es pronosticar? Cuál es su Objetivo?

 Arte y ciencia de
predecir
acontecimientos ¡Venderá 100
millones de
futuros. dólares!
 Base de todas las
decisiones
empresariales:
 Producción.
 Inventario.
 Personal.
 Instalaciones.
 Ventas 1-4
 5

Importancia de Pronosticar

• Inicio del proceso administrativo

• Elemento de entrada a la planeación

• Evaluación de alternativas

• Base en la toma de decisiones

1-5
 6

Tipos de horizontes temporales del pronóstico

• Pronóstico a corto plazo: Tácticos

– Cobertura de hasta un año, generalmente implica ciertas actividades
para uno, dos tres a seis meses, (incluso hasta un año).
– Programación de trabajos, asignación de tareas.
• Pronóstico a medio plazo:
– Más de seis meses y hasta dos años. (x lo Gral. entre 1 y 2 años).
– Planificación de las ventas, de la producción, de equipos y del
presupuesto. Nuevos lay outs.
• Pronóstico a largo plazo: Estratégicos
– Periodos superiores a dos años y hasta … ¡5! Actualmente.
– Planificación de nuevos productos, adquisición de maquinaria,
localización de nuevas instalaciones.
1-6
 7

Pronóstico o Previsión a corto plazo

frente a los de largo plazo
 Las previsiones a corto plazo tienden a ser
más exactas que las realizadas a largo plazo.
 Las de corto plazo se aplican con más
sentido en la operación de las empresas.
 Las previsiones a corto plazo normalmente
emplean metodologías diferentes a las
utilizadas en las previsiones a largo plazo.
 Las previsiones a medio y largo plazo tratan
de asuntos más extensos y apoyan las
decisiones de gestión que conciernen a la
planificación y los productos, las plantas y los
procesos, a la planeación estratégica.
1-7
 8

Realidades sobre los pronósticos

• En raras ocasiones las previsiones pueden ser

perfectas.
• La mayoría de las técnicas de pronóstico asumen
que existe cierta estabildad sostenida del sistema.
• Tanto las predicciones de familias de productos
como las predicciones en conjunto son más
precisas que las previsiones de productos
individuales.
1-8
 9

Tipos de Pronósticos

• Cualitativos I
I. (Subjetivos, se basan en estimaciones,
experiencia y opiniones).

• Cuantitativos II, III, IV

II. Análisis de Series de Tiempo (Datos históricos)
III. Relaciones Causales (Causa-Efecto)
IV. Simulación (Modelos avanzados, Multifactores)

1-9
Tipos de Pronósticos
10

Métodos cualitativos Métodos cuantitativos

 Se emplean cuando  Se emplean cuando
la situación no es la situación es
clara y hay pocos “estable” y existen
datos: datos “históricos”:
 Productos nuevos.  Productos existentes.
 Nueva tecnología.  Tecnología actual.
 Princ/p Corto Plazo  Corto, Medio y Largo P.
 Requieren intuición y  Requieren técnicas
experiencia: matemáticas:
 Por ejemplo, el  Por ejemplo, el
pronostico de ventas pronóstico de ventas de
de un servicio nuevo autos para el prox año
1-10
 11

Pronósticos: Métodos Cuantitativos

• Enfoque lógico simple (próx vta = vta ant)

• Promedio Móvil Simple
• Promedio Móvil Ponderado Análisis de
Series de
• Suavización Exponencial Tiempo: AST
• SE con Ajuste de Tendencia (FIT)
• Errores, fuentes y medición.
• Regresión Lineal: Proyección de Relaciones
Tendencia. Causales ó
Asociativos
• Regresión Lineal 1-11
 12

¿Qué son las Series de Tiempo?

 Es una secuencia de datos relacionados al tiempo, uniforme-
mente espaciada:
◦ Se obtiene observando los resultados obtenidos en periodos
de tiempo regulares. Demandas anteriores.
 Se trata de una pronóstico basado en esos datos históricos (del
pasado):
◦ Supone que los factores que han influido en el pasado lo
sigan haciendo en el futuro.
 Ejemplo:
Año: 2017 2018 2019 2020 2021 2022 2023 2024
Ventas: 89 86 101 98 107 103 112 105

¿Cuál es el pronóstico de ventas para el año 2025? ¿114? 1-12

 13

Análisis de Series de Tiempo (AST)

 Este modelo de pronóstico trata de predecir el
futuro basado en datos anteriores, en demandas
que se han presentado en el pasado.

 Existen varios modelos dependiendo de:

1. Horizonte del tiempo de pronóstico
2. Disponibilidad de datos
3. Exactitud o precisión requerida
4. Presupuesto para el pronóstico
5. Disponibilidad de personal calificado
1-13
 14

Componentes de la Demanda
en una Serie de Tiempo.

1. Promedio
2. Tendencia
3. Estacionalidad
4. Ciclicidad
5. Variación aleatoria
6. Autocorrelación
1-14
 15

Componentes de la Demanda
Picos estacionales Tendencia

Demanda del producto o servicio

Línea de
demanda
actual

Demanda promedio
en cuatro años
Variación
aleatoria

Primer Segundo Tercer Cuarto

año año año año

1-15
 16

Promedio
• Es el valor promedio de toda la serie temporal.
• Lo que se representa por una línea horizontal, ya
que es una constante.

Q
Demanda …

Mes, trimestre, año …T

1-16
© 1984-1994 T/Maker Co.
 17

Tendencia
• Es el movimiento gradual de ascenso, estabilidad o
descenso de la demanda a lo largo del tiempo.
• Los cambios en la población, ingresos, tecnología,
etc. influyen.
• Varios periodos de duración.
Q
Demanda …

Mes, trimestre, año …T

1-17
© 1984-1994 T/Maker Co.
 18

Estacionalidad (Temporalidad)
• La demanda muestra ascenso o descenso que se repite.
(Crestas y Valles).
• Se puede ver afectada x la climatología, las costumbres, …
• Se produce dentro de un periodo anual.
• (En su libro: Estacionario = Estable).
Q

Verano
Demanda …

© 1984-1994 T/Maker Co.

Mes, trimestre, año …T 1-18

 19

Ciclos
• Movimientos de ascenso o descenso que se repiten en
el largo plazo.
• Se pueden ver afectados por interacciones de factores
que influyen en la economía.
• Se presentan de 2 a 6 años. ???

Q
• Ejemplos: …
Ciclo

Demanda …
Año 1 2 3 4 5 6 7 8 9 10 …T
1-19
 20

Variaciones aleatorias
• Son “saltos” en los datos causados por el azar y
situaciones inusuales.
• Son debidas a variaciones aleatorias o a situaciones
imprevistas:
– Alarmas sociales
– Problemas laborales
– Fenómenos naturales
– Circunstancias de salud
– Etcétera
• Son de duración variable y su repetición no tiene patrón.
1-20
 22

Enfoque simple
 Suponer que la demanda
en el próximo periodo se-
rá igual a la demanda del
periodo más reciente, en
giros de actividades muy
frecuentes: (día, semana)
 Por ejemplo, si ayer hubo 148
ventas, el pronóstico de mañana
será de 148 ventas.
 Para muy corto plazo
 Es el modelo con la mejor
relación eficacia, costo y …
eficiencia. 1-22
 23

Promedios Móviles Simple, PMS

 Los promedios móviles son una serie de operaciones aritméticas.
 Se utilizan idealmente si no hay tendencia y estacionalidad o
si estas son escasas, sobre todo la estacionalidad.
 Se acostumbra usar para el suavizado (*):
 Proporciona una impresión general de los datos a lo largo del
tiempo.
 Operación:
PMS = Σ demanda de n periodos previos
n
* Aminorado, alisado, atenuado, aplanado

1-23
 24

Fórmula de Promedio Móvil Simple

• El promedio móvil supone que un promedio es
un buen estimador del comportamiento futuro.
• La fórmula para el PMS es:
A t-1 + A t-2 + A t-3 +...+A t- n
Ft =
n

Ft = Pronóstico del próximo periodo.

n = Cantidad de periodos a ser promediados
A t-1 = Ocurrencia en los períodos pasados hasta el
“t-n” periodo.
1-24
 25

Ejemplo 1: Promedio Móvil Simple PMS

Semana Demanda A t-1 + A t-2 + A t-3 +...+A t- n
1 650 Ft =
2 678 n
3 720
4 785
5 859 Pregunta: Cuál es pronóstico
6 920 con PMS con n =3 y 6
7 850 semanas? ¿Cuál es para la
8 758 semana #13?
9 892
10 920 Suponemos que los datos
11 789 para realizar el pronóstico
12 844 están dados en la tabla
anexa.
1-25
 26 26
Calculando el PMS a 3 y 6 semanas:
Week Demand 3-Week 6-Week
1 650 F4=(650+678+720)/3
2 678 =683
3 720 F7=(650+678+720
4 785 683 +785+859+920)/6
5 859 728 =769
6 920 788
7 850 855 769
8 758 876 802
9 892 843 815
10 920 833 844 Para la
11 789 857 867 Semana
12 844 867 855 # 13?
13 851 842 ©The McGraw-Hill Companies, Inc., 2004
1-26
 27

La gráfica de la serie de datos reales, PMS 3 y PMS 6 y su

comparación nos muestra como las lineas aplanadas
(suavizadas) revelan la tendencia creciente de este caso

950 Observe
900 como el
850
Demand PMS3 es más
Dem and

800
750 suave que la
3-Week
700
650 6-Week demanda y el
600 PMS6 es
550
500 todavía más
1 2 3 4 5 6 7 8 9 10 11 12 suavizado.
Week

1-27
 28

Ejemplo 2: Promedio Móvil Simple, PMS

Week Demand Pregunta: Cuál es el

1 820 pronóstico con PMS 3 y
2 775
PMS 5 para estos
datos? Cual es el
3 680 pronóstico para el
4 655 proximo período? (8).
5 620
6 600 Utilice los datos que
7 575 considere necesarios
para realizar el
pronóstico hasta el
período siguiente (8).

1-28
 29

Problema 2: Promedio Móvil Simple, PMS

Solución: Para la semana # 8?
Week Demand 3-Week 5-Week
1 820 F4=(820+775+680)/3
2 775
=758
3 680 F6=(820+775+680
4 655 758 +655+620)/5
=710
5 620 703
6 600 652 710
7 575 625 666
8 598 626
1-29
 30

La gráfica de la serie de datos reales, PMS 3 y PMS 5 y su

comparación nos muestra como las lineas aplanadas
(suavizadas) revelan la tendencia decreciente de este caso

PMS p/ Tres y 5 Sem

900

800
Observe
700
como el
600 PMS3 es más
500 suave que la
400
demanda y el
300
PMS5 es
200

100
todavía más
0
suavizado.
1 2 3 4 5 6 7 8

Series1 Series2 Series3

1-30
 31

Tareas de Pronósticos p/Portafolio:

La clave para el nombre del archivo en Excel

para sus tares de pronósticos será Pron, así su
hoja de Excel tendrá tantas pestañas como
tareas. Por ejemplo, mi archivo en Excel será
[Link] y la primera pestaña será PMS. No
me lo envíen hasta que terminemos este capítulo
con todas las tareas de cada uno de los Modelos
de Pronósticos.
1-31
 32

Tareas de Pronosticos Uno: PMS

La demanda real de un artículo durante un período de
9 meses se presenta en la tabla, pronostique de abril a
octubre con PMS y n =3 y 5. Elaborar también la gráfica.

Mes Real Mes Real

Enero 500 Junio 580
Febrero 550 Julio 570
Marzo 560 Agosto 560
Abril 570 Septiembre 550
Mayo 560 Octubre ¿?
1-32
 33

Promedio Móvil Ponderado, PMP

 Se utiliza cuando se presenta una tendencia
◦ Los datos “viejos” son de menor importancia
 La ponderación se basa en la intuición
◦ (Generalmente entre 0 y 1, y suman 1*)
 *Operación: (Cuando la Σ de ponderaciones ≠ 1)

Σ(Ponderación del period n) x (Demanda en period n)

PMP =
Σ Ponderaciones

33 1-33
 34

Promedio Móvil Ponderado (sigue)

Mientras que el PMS supone un mismo “peso” en
cada valor que será promediado, el PMP permite un
“peso” diferente en cada valor de los períodos
considerados. Es decir, importancia de los datos.

La fórmula cuando la suma de “pesos” es igual a 1:

Ft = w 1 A t -1 + w 2 A t - 2 + w 3 A t -3 + ...+ w n A t - n

wt = “Peso o Ponderación” dado al valor n

ocurrido en el período tiempo “t” w
i=1
i =1

1-34
 35

Ejem 1: Promedio Móvil Ponderado, PMP

Dada la demanda semanal y sus “pesos”, ¿Cuál es el PMP

para el 4th periodo o semana 4?

Week Demand Weights

1 650 .5
2 678 .3
3 720 .2
4 Suma = 1

Observe que las “ponderaciones” hacen más énfasis o le dan

más importancia, valores mayors, generalmente para los datos
de los períodos más recientes, que es precisamente “t-1”.
1-35
 36

Promedio Móvil Ponderado, Solución PMP

Semana Demanda Peso Pronóstico
1 650 0.2
2 678 0.3
3 720 0.5
4 694

F4 = 0.5(720)+0.3(678)+0.2(650)=693.4
1-36
 37

Ejemplo 2: Promedio Móvil Ponderado

Dada la información de la demanda semanal y sus

“ponderaciones”, Cuál es el PMP para el 5o período o semana 5?

Week Demand Weights:

1 820 t-1 .6
2 775 t-2 .3
3 680
t-3 .1
4 655

1-37
 38

Solución al Problema (2) de

Promedio Móvil Ponderado:

Week Demand Forecast

1 820
2 775
3 680
4 655
5 674.5

F5 = (0.6)(655)+(0.3)(680)+(0.1)(775)= 675

1-38
 39

Tareas de Pronósticos Dos: PMP

Una tienda departamental se ha dado cuenta que en un
período de cuatro meses el mejor pronóstico se calcula
con el 40% de las ventas ocurridas el mes más
reciente, 30% de dos meses antes, 20% de tres meses
antes y 10% de hace cuatro meses, si las ventas reales
fueron las que se presentan en la tabla, ¿Cuál es el
pronóstico para el próximo mes?
Mayo Junio Julio Agosto Septiembre
600 550 650 570 ¿?
1-39
 40

Demanda real, Promedio Móvil Simple,

Promedio Móvil Ponderado
35
Promedio Movil Ponderado
Con n =3
30
25
Demanda=Ventas
Sales Demand

20
15
10
Promedio Movil
5
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Month

1-40
 41

Desventajas de los Métodos de

Promedios Móviles

• Incrementar n hace que el pronóstico

sea menos sensible a los cambios
(más aplanado).
• No pronostica la estacionalidad
• Requiere de varios datos históricos
(más o menos de 4 a 12)

1-41
 42

Pronós Suavización Exponencial: PSE

• Probablemente el método más lógico y fácil.
• Las ocurrencias más recientes son más indicativas del
futuro, generalmente (excepto cuando hay estacionalidad)
• Es una técnica de previsión de media móvil ponderada:
– Las ponderaciones disminuyen exponencialmente.
– Ponderaciones mayores a los datos más recientes.
• Se necesita una constante de suavizado ():
– α toma valores entre 0 y 1.
– Se escoge de forma subjetiva (Estacionalidad?, Tendencia?).
• Necesita una cantidad reducida de datos históricos. 1-42
 43

Suavización exponencial (…sigue)

• Probablemente sea el método más utilizado.
• Se utiliza frecuentemente para ordenar el inventario
en empresas minoristas, mayoristas y empresas de
servicios, Porque:
– Son muy precisos (como pronósticos).
– Es relativamente fácil de comprender y aplicar.
– Se requieren pocos cálculos para aplicarlo.
– Utiliza pocos datos históricos (poco almacenamiento).
– Facilidad de aplicar pruebas de precisión.
Requiere solo de 3 elementos para pronosticar: la
última demanda real, el último pronóstico y α (alpha).
1-43
 44

Suavización exponencial (…sigue)

 Cada incremento en el pasado se reduce α(1-α) exponencial
 Por ejemplo si α=0.5 las ponderaciones serían:
Sustituyendo:
 Más reciente = α(1-α)⁰ =.5(1-.5)⁰ =.5(.5)⁰ =.5(1) = 0.5000
 Uno anterior = α(1-α)¹ =.5(1-.5)¹ =.5(.5)¹ =.5(.5) = 0.2500
 Dos anterior = α(1-α)² = .5(1-.5)² =.5(.5)² =.5(.25) = 0.1250
 Tres anterior= α(1-α)³ = .5(1-.5)³ =.5(.5)³ =.5(.125) = 0.0625
 Y así sucesivamente!
 Los exponentes 0, 1, 2, 3, … le dan el nombre de exponencial.
 Representado por: Ft= (1-α)⁰·At - 1 + (1-)¹·At - 2 + (1- )2·At - 3 +
(1- )3·At - 4 + ... + (1- )t-1·A0
1-44
 45

Modelo de Suavización Exponencial

Ft = Ft-1 + α(At-1 - Ft-1)
• El nuevo pronóstico es = al anterior + α (error del pronóstico)
• Ft = Pronóstico para el período t
• Ft-1= Pronóstico del período anterior t-1
• At-1= Dato real de la última ocurrencia
• α = Constante de “suavización” Alpha
• Premisa: Las observaciones más recientes deben tener una
mayor importancia en la predicción.
• Por lo tanto, este modelo (PSE) da más “peso” o importancia
a los valores de los períodos más recientes para realizar el
pronóstico. 1-45
 46

Efectos en el pronóstico por la constante

de suavizado alpha ()
Ft =  (1- )⁰At - 1 + (1- )¹At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos

α(1-α)⁰ (1 - ) (1 - )2

= 0,10 10%

= 0,90

1-46
 47

Efectos en la previsión por la constante

de suavizado lpha
Ft =  (1- )⁰At - 1 + (1- )¹At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
α(1-α)⁰ (1 - ) (1 - )2

= 0,10 10% 9%

= 0,90

1-47
 48

Efectos en la previsión por la constante

de suavizado lpha

Ft =  (1- )⁰At - 1 + (1- )¹At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
α(1-α)⁰ (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90

1-48
 49

Efectos en la previsión por la constante

de suavizado lpha

Ft =  (1- )⁰At - 1 + (1- )¹At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
α(1-α)⁰ (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90%

1-49
 50

Efectos en la previsión por la constante

de suavizado lpha

Ft =  (1- )⁰At - 1 + (1- )¹At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
α(1-α)⁰ (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9%

1-50
 51

Efectos en la previsión por la constante

de suavizado lpha

Ft =  (1- )⁰At - 1 + (1- )¹At - 2 + (1- )2At - 3 + ...

Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
α(1-α)⁰ (1 - ) (1 - )2

= 0,10 10% 9% 8,1%

= 0,90 90% 9% 0,9%

Por lo tanto, valores altos de α se asignan cuando los datos presentan situación de alta variación .
Una forma de determinar el α en base a Promedio Móvil: α = 2÷ (n+1), n es el # de períodos móviles
1-51
 52

Ejercicio
Supongamos un inicio donde el último pronóstico es 1050, con alfa de 0.1;
si la demanda real resultó en 1000, calcule el pronóstico del próx. período.

• Supongamos un inicio con Ft-1=1050, con ά=0.1 y A t-1 =1000, Calcular el pronóstico para
el próximo periodo.
» Ft = Ft-1 + α(At-1 - Ft-1)
Ft = 1,050 + 0.1(1,000 – 1,050)
Ft = 1,050 + 0.1(-50)
Ft = 1,050 – 5
Ft = 1,045 unidades
• Hacer el mismo ejercicio con α = 0.5? >>>>>>>>>> 1,025
• Y con α = 0.9? >>>>>>>>>>>>>>>>>>>>>>>>>>>> 1,005

• Que significa esto?

• Valores bajos de α: la reacción del modelo es lenta a los cambios
• Los pronósticos SE se corrigen agregando un ajuste de Tendencia
1-52
 53

Ejemplo 2: Suavizado Exponencial

Cuál es el Pronóstico
Semana Demanda
Exponencial
1 820 Aminorado para los
2 775 períodos del 2-5
3 680 utilizando una α = 0.5?
4 655
5 Suponga F1=A1

1-53
 54

Ejemplo 2: Suavizado Exponencial

Solución

F2=820+(0.5)(820-820)=820 F3=820+(0.5)(775-820)=797.50

Week Demand Fc/α =0.5

1 820 820.00
2 775 820.00
3 680 797.50
Calcular para F5
4 655 738.75
5 696.88
1-54
 55

Ejemplo 1: Suavizado Exponencial

Semana Demanda
1 820 Dada los datos de la
2 775 demanda semanal, cuál
3 680 es el pronóstico con
4 655 suavizado exponencial
5 750 para los períodos 2-10
6 802 tomando =0.10 y para
7 798 =0.60?
8 689 Suponga F1=A1
9 775
10

1-55
 56

Las columnas de las constantes α son los valores del pronóstico.

Observe que sólo se puede pronosticar un período hacia el futuro.

Semana Demanda α = 0.1 α = 0.6

1 820 820 820
2 775 820 820
3 680 816 793
4 655 802 725
5 750 787 683
6 802 784 723
7 798 785 770
8 689 787 787
9 775 777 728
Pronóstico
10 Sem 10 777 756 1-56
 57

Gráfica de Suavización Exponencial

Observe como en el SE con el valor menor de alpha resulta en una línea más “aplanada”.

850
800
Demand
Dem and

750
700 0.1
650
600 0.6
550
500
1 2 3 4 5 6 7 8 9 10
Week

1-57
 58

Tarea Tres: Pronóstico SE variando α

 Dados los datos siguientes calcular el pronóstico de Enero año 3
 Ft = Ft-1 + α(A t-1 – Ft-1)

• F1 = A1,100 (El primer Pronóstico = Real)

• α = 0.1, 0.3, 0.5, 0.7, 0.9
• A t-1 = Primer año: Ene 100 Feb 125 Mar 135 Abr 175 May 185
Jun 200 Jul 150 Ago 140 Sep 130 Oct 200 Nov 225 Dic 250
• El Segundo año: Ene 150 Feb 160 Mar 160 Abr 215 May 205
Jun 240 Jul 180 Ago 170 Sep 160 Oct 240 Nov 270 Dic 300
• Pronóstico Enero siguiente (pronóstico No 25): 200, 244, 269, 286, 297
Los resultados son para que les sirva de guía, (comprobar sus números).
• Graficar los resultados en una sola gráfica p/comparer las líneas!
1-58
 59

Gráfica del Pronóstico SE variando α

350

300

250

Real
200
α=0.1

α=0.2
150 α=0.5

α=0.9

100

50

0
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

1-59
 60

FIT: Pronóstico de Suavización

Exponencial c/ajuste de Tendencia

 FITt = Ft + Tt
 Ft = FITt-1 + α(At-1 – FITt-1)
 Tt = Tt-1 + δ(Ft-FITt-1)
 Ft = Pronóstico SE para el período t
 Tt = Tendencia SE para el período t
 FITt = Pronóstico con Tendencia p/período t
 FITt-1=Pronóstico c/Tendencia p/período anterior
 At-1 = Demanda real del período pasado o anterior
 α alpha, δ delta, Ctes. de suavizado p/F y T
1-60
 61

Ej: Pronóstico Incluye Tendencia

Supongamos un inicio donde la demanda real resultó en 1150 y el último pronóstico fue 1000, con
una tendencia de 100, c/alfa de .2 y delta de .3. Calcule el pronóstico del prox. período.

 Supongamos un inicio con Ft-1=1000 y Tt-1=100, At-1=1150, con ά=.2 y δ=.3,

Calcular el pronóstico para el próximo periodo.

 FITt-1= Ft-1 + Tt-1= 1000+100 = 1100

 Ft=FITt-1 + ά(At-1 – FITt-1) = 1100 + .2(1150 – 1100) = 1110
 Tt = Tt-1 + δ(Ft – FITt-1) = 100 + .3(1110 – 1100) = 103
 FITt = Ft + Tt = 1110 + 103 = 1213

 Ejercicio en clase: Si la demanda real resultara al final del periodo de

1200, cuál sería el pronóstico para el siguiente periodo?

1-61
 62

Ejemplo: FIT (Sigue)

Si la demanda real resultara al final del periodo de 120,

¿cuál sería el pronóstico para el siguiente periodo?
FITt=1213; At=1200; Tt=103; α=.2; δ=.3 (FITt+1 = 1312.6)

•Ft+1 = 1213 + .2 (1200 - 1213) = 1210.4

•Tt+1 = 103 + .3 (1210.4 – 1213) = 102.2
FITt+1 = 1210.4 + 102.2 = 1312.6
Y para A=1300 y A=1400 p/los prox 2 preriodos: 131 y
141

1-62
 63

Errores de Pronóstico
• El término “error” se refiere a la diferencia entre lo que
ocurrió realmente y el valor pronosticado (obvio, al
finalizar el período).
• En estadística estos errores se conocen como
“residuales” que realmente no son errores.
• Todas la proyecciones de la demanda no son exactos,
son pronósticos.
• Es importante determinar esos residuales para ajustar y
seleccionar el método y sus parámetros que mejor
representen la realidad.
• Error de pronóstico: At - Ft 1-63
 64

La Desviación Absoluta Media (MAD)

Determina el Error del Pronóstico
n

A
t=1
t - Ft
MAD =
n

• El MAD es el error promedio en los pronósticos

• Si MAD ⇨0, el modelo seleccionado es adecuado
• Si MAD ⇨ Valores altos, el modelo de pronóstico
seleccionado no es el adecuado para esa serie de tiempo
Pst, Pst, … Si MAD/Promedio de la Demanda (Actual) ≤ 10%, es
OK. Conocido como EPAM → Error Porcentual Absoluto Medio

1-64
 65

Datos: Ejercicio DAM

Cuál es el valor del DAM para las
cifras del pronóstico dado en la tabla?

Mes Ventas Pronóstico

1 220 n/a
2 250 255
3 210 205
4 300 320
5 325 315
1-65
 66

Solution del ejercicio DAM

Meses Ventas Pronóstic Error abs.
1 220 n/a El DAM nos muestra el
error promedio en una
2 250 255 5
serie de tiempo del
3 210 205 5
modelo de pronóstico
4 300 320 20
utilizado.
5 325 315 10
Suma 1,085 40
Prom 271 El resultado es aceptable?
n Calculamos el promedio de
A t - Ft
40
las Ventas: 271 y obtuvimos
MAD = t=1
= = 10 que el DAM = 10
n 4
EPAM: 10/271 = 3.7 %, OK!

1-66
 67

Error Porcentual Absoluto Medio: EPAM

• Para calcular el EPAM se require dos datos.
• El primero es el DAM que ya calculamos.
• El Segundo es el Promedio de la Demanda.

DAM Desviación Absoluta Media

EPAM = =
Pro Dem Promedio de la Demanda

1-67
 68

Señal de Seguimiento o Rastreo (TS)

• La Señal de Seguimiento (TS) es una medida que indica
si el promedio de errors del pronóstico está llevando los
cambios de la demanda.
• Calculamos la ST mediante la suma corriente (aritmética)
de los errores (desviaciones) del pronóstico dividida
entre la DAM.
• La fórmula de la Señal de Seguimiento es:

SCEP Suma Corriente de Errores de Pronóstico

TS = =
DAM Desviación Absoluta Media
1-68
 69

Ejemplo:
Mes Dem Prons Error SCEP Error Σ Error DAM ST
Abs Abs
1 950 1000 -50 -50 50 50 50.0 -1.00

2 1070 1000 + 70 + 20 70 120 60.0 0.33

3 1100 1000 + 100 + 120 100 220 73.3 1.64

4 960 1000 -40 + 80 40 260 65.0 1.23

5 1090 1000 + 90 + 170 90 350 70.0 2.43

6 1050 1000 + 50 + 220 50 400 66.7 3.30

Para el mes 6, DAM = 400/6 = 66.7

Para el mes 6, ST = 220/66.7 = 3.3
1-69
 70

Señal de Seguimiento (TS)

1-70
 71

Modelo de Regresión Lineal Simple

Y
Este modelo procura
ajustar una línea recta a
a
los datos reales que se
presentan en el tiempo,
0 1 2 3 4 5 X (Tiempo)
Gráfica de Dispersión

y = a + bx Modelo (Ecuación de la recta)

y es el valor del pronóstico o la variable dependiente,

a es la intersección de la línea de regresión con el eje
Y, b es la pendiente de la linea de regresión y x es la
variable independiente.
1-71
 72

Valor a: Intersección con Y

Valor b: Pendiente de la línea
• a=Punto de corte Eje Y; b=Pendiente
Y
a b>0

b<0

Tiempo, X
1-72
 73

Método por mínimos cuadrados

o de Gauss-Jordan

Valores de la variable dependiente

Observación Desviación
real

Desviación Desviación

Desviación
Desviación
Punto en
Desviación la línea de
Desviación tendencia
y = a + bx

Periodo de tiempo

1-73
 74

Para calcular la ecuación de la recta de regresión,

obtenemos los valores de “a” y “b”

a = y - bx

b=  xy - n( x )( y)
 x - n(x )
2 2

1-74
 75

Ejercicio: Linea de Regresión Simple

Dados los datos de la tabla, determinar la ecuación de la recta que puede
ser usada para pronosticar las ventas en las semanas siguientes, por
ejemplo: Pronóstico para No. 6 y No. 9.

X=Semana Y=Ventas
1 150
2 157
3 162
4 166
5 177
1-75
 76 76

Solución: Aplicando las formulaciones para calcular a y b

X X² Y XY
1 1 150 150
2 4 157 314
3 9 162 486
4 16 166 664
5 25 177 885
3 55 162.4 2499
Promedio Suma Promedio Suma

b=  xy - n( x )( y) 2499 - 5(3)(162.4) 63
= = = 6.3
 x - n(x )
2 2
55 - 5(9) 10

a = y - b x = 162.4 - (6.3)(3) = 143.5 1-76

 77 77

El modelo de Regresión Lineal

Simple es: yt = 143.5 + 6.3xt
Si graficamos los valores de los datos y los valores obtenidos
con el modelo tenemos: Cuál es el pronóstico para la sem 6, 9?
180
175 Para la semana 6:
Y=143.5+6.3*6=181.3
170
165
160 Ventas
Ventas

155 Pronóstico
150
145
140 Para la semana 9:
Y=143.5+6.3*9=200.2
135
1 2 3 4 5
Periodo 1-77
 78

Error estandar de la Regresión

Syx = Σ(yi-Yi)²
√ n-2

Y= Valores de la regresión
1-78
 79

Recta de regresión de mínimos cuadrados

Mes Ventas Ventas
6000
1 600
2 1550
5000
3 1500
4 1500 4000

5 2400
6 3100 3000

7 2600
8 2900 2000
y = 359.62x + 441.67
9 3800 y = R²a=+0.9332
bx
1000
10 4500
11 4000
0
12 4900 0 2 4 6 8 10 12

1-79
 80

Para calcular la ecuación de la recta de regresión,

obtenemos los valores de “a” y “b”

a = y - bx

b=  xy - n( x )( y)
 x - n(x )
2 2

1-80
 81

Desarrollo de la Tabla

x y XY X² Y² Y=441+360X y -Y (y -Y)^2
1 600 600 1 360000 801 -201 40514
2 1550 3100 4 2402500 1161 389 151401 Y = a + bx
3 1500 4500 9 2250000 1521 -21 421
b = (268200-12*6.5*2779)/
4 1500 6000 16 2250000 1880 -380 144497
(650-12*(6.5)² = 360
5 2400 12000 25 5760000 2240 160 25682
6 3100 18600 36 9610000 2599 501 250641 a = 2779 – 360*6.5 = 442
7 2600 18200 49 6760000 2959 -359 128863
8 2900 23200 64 8410000 3319 -419 175217 → Y = 442 + 360 X
9 3800 34200 81 14440000 3678 122 14834 → Sꭚₓ = 364
10 4500 45000 100 20250000 4038 462 213610
11 4000 44000 121 16000000 4397 -397 157955 → Y₁₃ = 442+360*13= 5122
12 4900 58800 144 24010000 4757 143 20434
78 33350 268200 650 112502500 33350 0 1324071 Suma
6.5 2779 22350 54 9375208 2779 0 110339 Prom

1-81
 82

Qué es la Correlación?
• Es la intensidad que tiene la relación lineal entre las
variables X y Y
• El Coeficiente de Correlación se identifica como: r
r = Raiz de R²
– Los valores que toma varían entre -1 y +1
– Mide el grado de asociación.
• Se usa principalmente para comprender la relación
entre las variables X y Y
• El Coeficiente de Determinación es R² = r x r
– Los valores que toma varían entre 0 y 1
– Se interpreta como el % de explicación de la relación. 1-82
 83

Valores del coeficiente de correlación

Correlación Correlación
negativa Sin positiva
perfecta correlación perfecta

-1,0 -0,5 0 +0,5 +1,0

Aumento de la correlación Aumento de la

negativa correlación positiva

1-83
Coeficiente de correlación en las líneas
84

de regresión
Y r=1 Y r = -1
Y^i = a + b Xi
Y^i = a + b Xi
X X

Y r = 0,8 Y r = 0,1

Y^i = a + b Xi Y^i = a + b Xi
X X
Realizar otros ejercicios en el pintarrón
1-84
 85

Determinación coeficiente de correlación

n n n
n xi yi -  xi  yi
r= i =1 i =1 i =1

 n
2 
n

2
 n
2 
n

2

n xi -   xi    n  yi -   yi  
 i =1  i =1    i =1  i =1  

1-85
 86

Tarea de Regresión

• Con la Serie de Tiempo de 24 datos

• Calcular el pronóstico para el 25 y 30
• Calcular el Error Estándar de la Regresión Syx
• Determinar el Coeficiente de Correlación r
• Calcular el Coeficiente de Determinación R²

1-86
 87

Descomposición de una Serie de Tiempo

• Serie de tiempo: Datos ordenados cronológicamente que pueden
contener uno o varios componentes de la demanda: Tendencia,
Estacionalidad, Promedio, ...
• La descomposición consiste en identificar y separar los datos de la
serie en sus componentes.
• Los más usuales e identificados son la Tendencia y la Estacionalidad.
Cómo se relacionan? Por + ó x multiplicación (Proporcionalidad)
• El Aditivo: Es una cantidad constante: F=T+E.
• La variación estacional como factor es lo más usual.
• Factor Estacional (ó Indice Estacional): Cantidad de corrección
necesaria en una serie de tiempo para ajustarse a la variación
estacional del período. F = T x E
1-87
Factor Estacional (Multiplicativo) Ej 1
88

 La venta anual de productos “Swany” es de 1,000 pz.

compuesta por 200 en primavera, 350 en verano, 300
y 150 en los 2 siguientes trimestres.¿Cuál es el factor
estacional? → ¡Como proporción del promedio!
Estación Ventas Prom x Est Factor Est.(%)
1Primavera 200 200/250 = 0.8
2 Verano 350 350/250 = 1.4
3 Otoño 300 300/250 = 1.2
4 Invierno 150 150/250 = 0.6
Anual 1000/4 250 = 4.0
Si el pronóstico de la demanda del próximo año es 1200,
¿Cuál es PromxEst? ¿cuál será el pronóstico en c/ estación?

Prim: 300 x 0.80 = 240 Oto: 300 x 1.20 = 360

Ver: 300 x 1.40 = 420 Inv: 300 x 0.60 = 180 1-88
Factor Estacional (Multiplicativo) Ej 1
89

 La venta anual de productos “Swany” es de 1,000 pz.

compuesta por 200 en primavera, 350 en verano, 300
y 150 en los 2 siguientes trimestres.¿Cuál es el factor
estacional? → ¡Como proporción del promedio!
Estación Ventas Prom x Est Factor Est.(%)
1Primavera 200 200/250 = 0.8
2 Verano 350 350/250 = 1.4
3 Otoño 300 300/250 = 1.2
4 Invierno 150 150/250 = 0.6
Anual 1000/4 250 VtaPer/Prom = 4.0
Si el pronóstico de la demanda del próximo año es 1200, el
Prom x Est=300, ¿Cuál será el pronóstico por cada estación?

Prim: 300 x 0.80 = 240 Oto: 300 x 1.20 = 360

Ver: 300 x 1.40 = 420 Inv: 300 x 0.60 = 180 1-89
Factor Estacional: Ejemplo 2
90

Con los datos por trimestres de los últimos 2 años, prepare un

pronóstico para el próximo año x trimestre.
Periodo Demanda Periodo Demanda Prom x Estación =
1 Pri 300 5 Pri 416 Pri: (300+416)2= 358
Ver: (540+760)/2= 650
2 Ver 540 6 Ver 760
Oto: (885+1191)/2=1038
3 Oto 885 7 Oto 1191 Inv: (580+760)/2= 670
4 Inv 580 8 Inv 760
X Y Prom en FE YsinE X² XY Prom Estacional=
Est
679 ¿?
1 300 358 0.527 569 1 569 Pri FE= 358/679=
2 540 650 0.957 564 4 1128 0.527
Ver FE= 650/679=
3 885 1038 1.529 579 9 1737 0.957
4 580 670 0.987 588 16 2352 …
… …
36 5432 5432 8 5432 204 26109
4.5 679 679 1 679 25.5 3264 1-90
Factor Estacional Multiplicativo
91

Con los datos por trimestres de los últimos 2 años,

prepare un pronóstico para el prox año x trimestre.

Pst Pst, Determinar la ecuación de la recta que

será la Tendencia. (Línea de Regresión)
Periodo Pron Tend por Fact igual Pron Final
Estac
9 857 x 0.527 = 452
10 897 x 0.957 = 859
11 937 x 1.529 = 1432
12 976 x 0.987 = 964
Anual 3708

1-91
 92

Conceptos finales

• Pronósticos de relaciones causales

– Regresión lineal entre 2 características excluyendo al tiempo.
• Un Método Tradicional Empírico (Tendencia con
Estacionalidad)
– Registros de ventas, incremento % aplicado a/c periodo
• Pronóstico enfocado
– Criterios y modelos validados (comparativo de los
pronósticos que tengan el menor DAM, por ejemplo)

1-92
 93

Método Tradicional Empírico:

(Tendencia con Estacionalidad)
• Ventas Estos son los registros de ventas del año pasado y se
• ENE 75 requiere realizar el plan de ventas para el próximo
• FEB 78 año, con un objetivo de ventas ↑ 10% .
• MAR 97
• ABR 108 Afectamos cada venta del año anterior por el objetivo
• MAY107 de crecimiento, x Ej, Ene 75 x 10%, para obtener la
• JUN 102 venta pronóstico para Enero del próximo año, y así su-
• JUL 112 cesivamente. Cuál es el pronóstico total del próximo
• AGO 101 año? Cual es el pronóstico para el 3er Trimestre?
• SEP 94
• OCT 113 Este tipo de pronóstico es válido? Confiable?
• NOV 93 Compárelo con el pronóstico por regresión con
• DIC 137 descomposición estacional y tendencia..
1-93
 94

Tipos de Pronósticos

• Cualitativos I
I. (Subjetivos, se basan en estimaciones,
experiencia y opiniones).

• Cuantitativos II, III, IV

II. Análisis de Series de Tiempo (Datos históricos)
III. Relaciones Causales (Causa-Efecto)
IV. Simulación (Modelos avanzados, Multifactores)

1-94
Tipos de Pronósticos
95

Métodos cualitativos Métodos cuantitativos

 Se emplean cuando  Se emplean cuando
la situación no es la situación es
clara y hay pocos “estable” y existen
datos: datos “históricos”:
 Productos nuevos.  Productos existentes.
 Nueva tecnología.  Tecnología actual.
 Princ/p Corto Plazo  Corto, Medio y Largo P.
 Requieren intuición y  Requieren técnicas
experiencia: matemáticas:
 Por ejemplo, el  Por ejemplo, el
pronostico de ventas pronóstico de ventas de
de un servicio nuevo autos para el prox año
1-95
 96

Métodos Cualitativos

Técnicas acumulativas Investigación de

ó Estructura de Ventas Mercados

Métodos
Cualitativos
Grupos de Consenso Analogía Histórica

Método de Delfos (ó Delphi)

1-96
 97

Técnicas Acumulativas ó Estructura de Ventas

.
Las estimación de las ventas esperadas por los vendedores se
revisan para ver si se pueden llevar a cabo y luego se obtiene un
pronóstico general (acumulado).

 Cada vendedor estima las

ventas que hará. Ventas
 Se combinan con las
previsiones a niveles de
región, estado, país.
 El representante de ventas
conoce los hábitos de
consumo de sus clientes.
 Tiende a ser bastante
optimista. © 1995 Corel Corp.

1-97
 98

Investigación de Mercados
Requiere información directa de los clientes
mediante entrevistas y encuestas

 Preguntando a los ¿Cuántos Tweets enviará

la próxima semana?
consumidores sobre sus
futuros planes de
consumo o compra.
 Lo que dicen los
consumidores y lo que
luego hacen suele diferir.
 A veces es difícil
contestar a las preguntas
de la encuesta.

1-98
 99

Analogía Histórica
Relaciona lo pronosticado con un producto similar.

• Utiliza los resultados obtenidos de un

producto similar para aplicarlo como
modelo de pronóstico.

• Clasificación de analogías:
– Productos complementarios y
– Productos sustituibles ó
– Productos competitivos
1-99
 100

Grupos de Consenso
Se agrupan las opiniones de un grupo de expertos,
(ejecutivos, vendedores, clientes) intercambio de
ideas, mejor pronóstico en grupo que individual.

 Requiere un pequeño grupo de participantes:

 El grupo establece una estimación conjunta de la
demanda.
 Combina la experiencia de los participantes.
 Es bastante rápido.
 Desventaja del
“Pensamiento en
grupo”. El Jefe influye.
1-100
© 1995 Corel Corp.
 101

Método Delfos o Delphi

l. Expertos que participan representando a sectores
de población en diferentes áreas
2. Mediante un cuestionario, obtienen información
(de cualquier parámetro) para el elaborar el
pronóstico de los participantes.
3. Se tabulan los resultados y se redistribuyen a los
expertos participantes, con nueva información
complementaria.
4. Se repite el proceso anterior y se va afinando el
pronóstico, surgiendo nuevos cuestionarios.
5. Se repite el proceso varias veces (3, 4) hasta
llegar al resultado final.
6. Evita influencia por presión de grupo o individuos
1-101
 102

Método Delphi
Proceso de grupo mediante cuestionarios que
permite a los expertos realizar los pronósticos.

Los que toman decisiones

 Proceso de grupo
iterativo. Personal de
plantilla (¿Ventas?)
 3 tipos de
(¿Qué ventas
participantes: (Habrá 50 ventas)
◦ Los que toman habrá?
decisiones. cuestionarios)
◦ El personal de plantilla.
◦ Los que responden.
 Reduce el Los que responden

“Pensamiento en (Habrá 45, 50, 55 ventas)

grupo”.
1-102
 103

Fin del Capítulo 15

McGraw-Hill/Irwin ©2009 The McGraw-Hill Companies, All Rights Reserved 1-103