Pronos Ticos Series Tiempo

UNIVERSIDAD SAN PEDRO
Ingeniería Industrial
Planeamiento y Control de Operaciones
PRONOSTICOS DE LA DEMANDA
“ESTUDIA EL PASADO PARA PRONOSTICAR EL FUTURO”
Introducción
Los pronósticos son vitales para toda organización de negocios, así como para cualquier decisión
importante de la gerencia. El pronóstico es la base de la planificación corporativa de largo plazo. En las
áreas funcionales de finanzas y contabilidad, los pronósticos representan el fundamento para realizar
presupuestos y controlar costos. El marketing depende del pronóstico de ventas para planificar productos
nuevos, compensar al personal de ventas y tomar otras decisiones clave. Con los pronósticos, el personal
de producción y operaciones toma decisiones periódicas que comprenden la selección de procesos,
planificación de capacidades y distribución de instalaciones, además de decisiones continuas acerca de la
planificación de la producción, programación e inventario
Definición
Es un proceso que permite estimar un evento futuro analizando para ello datos del pasado. Los datos del
pasado se combinan sistemáticamente en una forma predeterminada para obtener el estimativo del futuro.
Un pronóstico es una predicción de eventos futuros que se utiliza con propósitos de planificación.
Estimación anticipada del valor de una variable, por ejemplo: la demanda de un producto.
Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el manejo de
datos históricos para proyectarlos en el futuro, mediante algún tipo de modelo matemático. Generalmente
los pronósticos son tanto intuitivos como subjetivos, esto es debido a que la toma de decisiones se lleva
a cabo con un buen modelo matemático y el buen juicio del administrador.
La elaboración de pronósticos es el proceso de proyección de los valores de una o más variables en el

futuro.
Predecir
Es un proceso que permite estimar un evento futuro basándose para ello en los datos del pasado y en
consideraciones subjetivas, estas no necesitan combinarse de una forma predeterminada.
Desde el punto de vista conceptual, algunos autores [Tawfik & Chauvel, 1992; Adam & Ebert, 1991;
Kalenatic & Blanco, 1993] expresan la importancia de diferenciar entre los términos predicción y
pronóstico, ya que de acuerdo a su criterio, las predicciones se basan meramente en la consideración de
aspectos subjetivos dentro del proceso de estimación de eventos futuros, mientras que los pronósticos, se
desarrollan a través de procedimientos científicos, basados en datos históricos, que son procesados
mediante métodos cuantitativos.
Pronóstico de la demanda: Series de Tiempo 1 Docente Mg. Ing. J. Paredes C.

Tipos de Pronósticos
Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones en una
atmósfera de incertidumbre, qué tipos de pronóstico tienen disponibles? En primer término, se deben
clasificar los procedimientos de pronóstico de largo o corto plazos.
Los pronósticos a largo plazo son necesarios para establecer el curso general de la organización para un
largo periodo; de ahí que se conviertan en el enfoque particular de la alta dirección.
Los pronósticos a corto plazo se utilizan para diseñar estrategias inmediatas y que usan los
administradores de rango medio y de primera línea para enfrentar las necesidades del futuro inmediato.
También se podría clasificar a los pronósticos en términos de su posición en el entorno micro-macro, es

decir, según el grado en que intervienen pequeños detalles vs. Grandes valores resumidos. Por ejemplo,
el gerente de una planta pudiera estar interesado en pronosticar el número de trabajadores que requerirá
en los próximos meses (un micro pronóstico), mientras que el gobierno central está pronosticando el
número total de personas empleadas en toda la nación (un macro pronóstico).
De nuevo, los diferentes niveles de administración en una organización tienden a enfocar diferentes
niveles del entorno micro-macro. Por ejemplo, la alta dirección estarla interesada en pronosticar las ventas
de toda la compañía, en tanto que los vendedores individuales estarían muchos más interesados en
pronosticar su propio volumen de ventas.
Los procedimientos de pronóstico pueden también clasificarse de acuerdo con su tendencia a ser más
cuantitativos o cualitativos. En uno de los extremos, una técnica puramente cualitativa es aquella que no
requiere de una abierta manipulación de datos, solo se utiliza el "juicio" de quien pronostica. Desde luego,
incluso aquí, el "juicio" del pronosticador es en realidad el resultado de la manipulación mental de datos
históricos pasados. En el otro extremo, las técnicas puramente cuantitativas no requieren de elementos de
juicio; son procedimientos mecánicos que producen resultados cuantitativos. Por supuesto, ciertos
procesos cuantitativos requieren de una manipulación de datos mucho más compleja que otros. Este tema
hace hincapié en las técnicas de pronóstico cuantitativas, ya que es necesario un mayor entendimiento de
estos útiles procedimientos en la administración efectiva de las organizaciones modernas. No obstante,
debemos enfatizar de nuevo que junto con los procedimientos mecánicos y de manipulación de datos, se
deben emplear elementos de juicio y sentido común. Sólo en esta forma se puede llevar a cabo un
pronóstico inteligente.
Los pronósticos se clasifican en cuatro tipos básicos: cualitativo, análisis de series de tiempo, relaciones
causales y simulación.
Las técnicas cualitativas son subjetivas y se basan en estimados y opiniones. El análisis de series de
tiempo, enfoque primario de este capítulo, se basa en la idea de que es posible utilizar información
relacionada con la demanda pasada para predecir la demanda futura. La información anterior puede incluir
varios componentes, como influencias de tendencias, estacionales o cíclicas, y se describe en la sección
siguiente. El pronóstico causal, que se analiza mediante la técnica de la regresión lineal, supone que la
demanda se relaciona con algún factor subyacente en el ambiente. Los modelos de simulación permiten
al encargado del pronóstico manejar varias suposiciones acerca de la condición del pronóstico. En este
capítulo se estudian técnicas cualitativas y de series de tiempo, pues son las más comunes en la
planificación y control de la cadena de suministro.
Administración de la demanda
El propósito del manejo de la demanda es coordinar y controlar todas las fuentes de la demanda, con el
fin de usar con eficiencia el sistema productivo y entregar el producto a tiempo.
¿De dónde proviene la demanda del producto o servicio de una empresa, y qué puede hacer para
administrarla? Existen dos fuentes básicas de la demanda: dependiente e independiente. La demanda
dependiente es la demanda de un producto o servicio provocada por la demanda de otros productos o
servicios. Por ejemplo, si una empresa vende 1 000 triciclos, entonces se van a necesitar 1 000 ruedas
delanteras y 2 000 traseras. Este tipo de demanda interna no necesita un pronóstico, sino solo una
tabulación. La cantidad de triciclos que la empresa puede vender es la demanda independiente porque
no se deriva directamente de la demanda de otros productos.
Una empresa no puede hacer mucho respecto de la demanda dependiente. Es preciso cubrirla (aunque el
producto o servicio se pueda comprar en lugar de producirlo en forma interna). Pero una empresa sí puede
hacer mucho en cuanto a la demanda independiente, si así lo desea. La compañía puede:
1. Adoptar un papel activo para influir en la demanda. La empresa puede presionar a su fuerza de
ventas, ofrecer incentivos tanto a los clientes como a su personal, crear campañas para vender sus
productos y bajar precios. Estas acciones incrementan la demanda. Por el contrario, la demanda
disminuye mediante aumentos de precios o la reducción de los esfuerzos de ventas.
2. Adoptar un papel pasivo y tan solo responder a la demanda. Existen varias razones por las que
una empresa no trata de cambiar la demanda, sino que la acepta tal como llega. Si una compañía funciona
a toda su capacidad, tal vez no quiera hacer nada en cuanto a la demanda. Otras razones pueden ser que
la compañía no tenga el poder de cambiar la demanda debido al gasto en publicidad; es probable que el
mercado sea fijo y estático; o que la demanda esté fuera de su control (como en el caso de un proveedor
único). Existen otras razones competitivas, legales, ambientales, éticas y morales para aceptar de manera
pasiva la demanda del mercado.
Es necesaria mucha coordinación para manejar estas demandas dependientes, independientes, activas y
pasivas. Las demandas se originan tanto interna como externamente en forma de ventas de productos
nuevos por parte de marketing, piezas de reparación para productos vendidos con anterioridad,
reabastecimiento de los almacenes de la fábrica y suministro de artículos para manufactura. En este
capítulo, el interés se centra en el pronóstico relacionado con los productos independientes.
El propósito del pronóstico consiste en reducir el margen de incertidumbre dentro del que se deben
efectuar los juicios de la administración. Este propósito sugiere dos reglas principales a las que debe
adherirse el proceso de pronóstico:
1. El pronóstico debe ser técnicamente conecto y producir predicciones precisas.
2. El procedimiento de pronóstico y sus resultados deben ser presentados con efectividad a la
administración, de modo que los pronósticos se utilicen en ci proceso de toma de decisiones en
beneficio de la empresa; también los resultados deben ser justificados con base en su costo-beneficio
Selección de una técnica de pronóstico

Este texto está dedicado en su mayor parte a explicar diversas técnicas de pronóstico y mostrar su utilidad.
Pero se subraya el primer trabajo importante, que consiste en elegir la mejor técnica de pronóstico. A
continuación, se presentan algunas de las preguntas que se deben considerar antes de decidir sobre la
técnica de pronóstico más adecuada para un problema en particular.
 ¿Por qué se requiere un pronóstico?
 ¿Quién utilizará el pronóstico?
 ¿Cuáles son las características de los datos disponibles?
 ¿Qué espacio de tiempo se pronosticará?
 ¿Cuáles son los requerimientos mínimos de datos?
 ¿Cuá1 es la precisión deseada?
 ¿Cuá1 será el costo del pronóstico?
Para una buena selección de la técnica de pronóstico adecuada, el pronosticador deberá poder hacer lo
siguiente:
 Definir la naturaleza del problema de pronóstico.
 Explicar la naturaleza de los datos bajo investigación
 Describir las capacidades y limitaciones de las técnicas de pronóstico potencialmente útiles.

 Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisión de la
selección.
Un factor principal que influye en la selección de una técnica de pronóstico consiste en la identificación
y comprensión de patrones históricos en los datos. Si se pueden reconocer patrones de tendencia, cíclicos
o estacionales, entonces se pueden seleccionar las técnicas con la capacidad de utilizar eficazmente estos
patrones
Técnicas de pronóstico para datos estacionarios

Corno se definió anteriormente, una serie estacionaria es aquella cuyo valor promedio no varía a través
del tiempo. Estas situaciones se presentan cuando los patrones de demanda que influyen sobre la serie
son relativamente estables. En su forma más simple, el pronóstico de series estacionarias comprende el
uso de la historia disponible de las series para estimar su valor promedio, el cual se convierte después en
el pronóstico de valores futuros. Las técnicas más sofisticadas comprenden la actualización de la
estimación, al haber disponible nueva información. Estas técnicas son útiles cuando no son confiables las
estimaciones iniciales o cuando la estabilidad del promedio es cuestionable. Además, las técnicas de
actualización proporcionan cierto grado de tranquilidad con respecto a los cambios en la estructura
subyacente de la serie. Las técnicas de pronóstico estacionarias se emplean siempre que:
 Las fuerzas que generan una serie se han estabilizado y el medio en el que existe la serie permanece
relativamente sin cambios. Ejemplos de ello son las fallas por semana en una línea de ensamble que
tiene una tasa de producción uniforme, las ventas unitarias de un producto o servicio en la etapa de
maduración de su ciclo de vida y el número de ventas resultantes de un nivel constante de esfuerzo.
 Se requiere un modelo muy sencillo debido a la falta de datos o para facilitar su explicación o
implementación. Un ejemplo seria cuando un negocio u organización es nuevo y hay disponible muy
poca información histórica.
 Se puede lograr La estabilidad haciendo correcciones sencillas a factores como crecimiento de la

población e inflación. Ejemplos de esto son modificar el ingreso por el ingreso per cápita, o las ventas
en dólares por montos en dólares constantes.
 La serie se puede transformar en una serie estable. Como ejemplo, está la transformación de series
mediante logaritmos, raíces cuadradas o diferencias.
 La serie es un conjunto de errores de pronóstico, de una técnica de pronóstico que se considera

adecuada.
Varias técnicas que se podrían considerar al pronosticar en series estacionarias son los métodos no
formales, los métodos de promedio simple y los métodos de promedios móviles, atenuación exponencial
y de Box-Jenkins.
Técnicas de pronóstico para datos con una tendencia

Anteriormente definirnos a una serie con tendencia corno una serie de tiempo que contiene un
componente de largo plazo que representa el crecimiento o declinación de la serie a través de un periodo
amplio. En otras palabras, se dice que una serie de tiempo tiene una tendencia si su valor promedio varía
a través del tiempo, de modo que se espera que aumente un componente de largo plazo que representa el
crecimiento o declinación de la serie a través de un periodo amplio. En otras palabras, se dice que una
serie de tiempo tiene una tendencia Si SU valor promedio varía a través del tiempo, de modo que se espera
que aumente o disminuya durante el periodo para el que se desea el pronóstico. Es común que las series
o disminuya durante el periodo para el que se desea el pronóstico. Es común que las series económicas
contengan una tendencia.
Las técnicas de pronóstico para series con tendencia se utilizan siempre que:

 Una productividad creciente y la nueva tecnología conducen a cambios en el estilo de vida. Como
ejemplos se pueden citar la demanda de componentes electrónicos, que se incrementó con el
advenimiento de la computadora; y el uso del ferrocarril que disminuyó con el advenimiento del
avión.
 El incremento en la población provoca un incremento en la demanda de bienes y servicios.

Ejemplos de esto son las utilidades por venta de bienes de consumo, la demanda en el consumo de
energía eléctrica y el uso de materias primas.
 El poder de compra del dólar afecta las variables económicas por causa de la inflación. Los
ejemplos son salarios, costos de producción y precios.
 Aumenta la aceptación en el mercado. Un ejemplo sería el periodo de crecimiento en el ciclo de

vida de un nuevo producto.
Las técnicas a considerar al pronosticar series con tendencia son promedio móvil lineal, atenuación
exponencial lineal de Brown, atenuación exponencial lineal de Holt, atenuación exponencial cuadrática
de Brown, regresión simple, modelo de Gompetiz, curvas de crecimiento y modelos exponenciales.
Técnicas de pronóstico para datos con estacionalidad

Anteriormente definirnos una serie estacional como una serie de tiempo con un patrón de cambio que se
repite a sí mismo año tras año. Por lo regular, el desarrollo de una técnica de pronóstico estacional
comprende la selección de un método multiplicativo o uno de adición y estimar después índices
estacionales a partir de la historia de la serie. Estos índices se usan posteriormente para incorporar la
estacionalidad al pronóstico o para eliminar tales efectos de los valores observados. A este último proceso
se le conoce como ajuste estacional de datos.
Las técnicas de pronóstico para datos estacionales se usan siempre que:

 El clima influye en la variable de interés. Como ejemplos están el consumo de energía eléctrica, las
actividades de verano e invierno (deportes como el patinaje), el guardarropa y las estaciones de
desarrollo agrícola.
 El año calendario influye en la variable de interés. Ejemplos de ello son las ventas al menudeo
influidas por días festivos, fines de semana de tres días y los calendarios escolares.
Las técnicas a considerar al pronosticar series estacionales son descomposición clásica, Census II,
atenuación exponencial de Winter, regresión múltiple de series de tiempo y métodos de Box-Jenkins.
Técnicas de pronóstico para series cíclicas

El efecto cíclico se definió anteriormente como la fluctuación en forma de onda alrededor de la tendencia.
Los patrones cíclicos tienden a repetirse en los datos cada dos, tres o más años. Es difícil establecer un
modelo para estos patrones cíclicos, ya que no son estables.
Las fluctuaciones en forma de onda hacia arriba y hacia abajo alrededor de la tendencia rara vez se repiten
en intervalos fijos de tiempo y también varía la magnitud de las fluctuaciones. Para analizar datos cíclicos
se pueden ampliar los métodos de descomposición. Sin embargo, debido al comportamiento irregular de
los ciclos, el análisis de componentes cíclicos de una serie requiere a menudo de encontrar indicadores
económicos principales o coincidentes.
Las técnicas de pronóstico para datos cíclicos se utilizan siempre que:

 El ciclo del negocio influye sobre la variable de interés. Como ejemplos están los factores
económicos de mercado y de competencia.
 Se presentan cambios en el gusto popular. Ejemplos de ello son la moda, la música y la alimentación.

 Se presentan cambios en la población. Podemos citar como ejemplos las guerras, escasez, epidemias
y desastres naturales.
 Se presentan cambios en el ciclo de vida del producto. Ejemplos de ello son la introducción,
crecimiento, maduración, saturación y declinación del mercado.
Las técnicas a considerar al pronosticar series cíclicas son la descomposición clásica, Las técnicas a
considerar al pronosticar series cíclicas son la descomposición clásica, los indicadores económicos, los
modelos econométricos, la regresión múltiple y los métodos de Box-Jenkins.
Otros factores por considerar al elegir

Una técnica de pronóstico
El horizonte en el tiempo para un pronóstico tiene una relación directa con la selección de una técnica de
pronóstico. Para los pronósticos de corto y mediano plazos, se pueden aplicar diversas técnicas
cuantitativas. Sin embargo, al aumentar el horizonte del pronóstico, algunas de estas técnicas se hacen
menos aplicables. Por ejemplo, los promedios móviles, la atenuación exponencial y los modelos de Box-
Jenkins no son muy buenos pronósticos de cambios económicos radicales, mientras que los modelos
econométricos son más útiles para este fin. Los modelos de regresión, son apropiados para los periodos
corto, mediano plazos. Para horizontes mayores en el tiempo, se usan con frecuencia los métodos
cualitativos.
En general, la aplicabilidad de las técnicas de pronóstico es algo que el pronosticador realiza con base en
su experiencia. Es común que los administradores requieran de pronósticos en un tiempo relativamente
corto. En esta situación, tienen ventaja los métodos de atenuación exponencial, proyección de tendencia,
modelos de regresión y la descomposición clásica.
En todo caso, un pronóstico se presentará a los ejecutivos de la administración para su aprobación y uso
en el proceso de toma de decisiones. De ahí que la facilidad de comprensión e interpretación de los
resultados sea una consideración importante. Las técnicas de modelos de regresión, proyección de
tendencias, descomposición clásica y atenuación exponencial, califican alto para este criterio.
Los costos de computadora ya no son una parte significativa en la elección de una técnica. Las
computadoras de escritorio (microcomputadoras) y los paquetes de programas de pronóstico se han
convertido en algo común en muchas organizaciones. Debido a estos desarrollos es probable que, en el
futuro, otros criterios ignoren las consideraciones de costo de computadora.
Como parte final de la selección, el pronosticador debe evaluar cada técnica en términos de confiabilidad
y aplicabilidad para el problema que le ocupa, su valor en términos de efectividad comparado con el de
otras técnicas apropiadas, su nivel de precisión, su costo y aceptación por parte de la administración. La
tabla 4.6 presenta un resumen de las técnicas de pronóstico que deben ser usadas con determinados
patrones de datos.

Elaboración de Pronósticos y Planeación de la Demanda

Las organizaciones elaboran muchos tipos de pronósticos distintos. Considere una empresa de productos
de consumo, como Procter and Gamble, que fabrica numerosos productos en diferentes tamaños. Los
directivos principales necesitan pronósticos a largo plazo expresados en total de ventas en dinero para
uso en la planeación financiera y para la planeación del tamaño y ubicación de nuevas instalaciones. Sin
embargo, en los niveles organizacionales más bajos, los gerentes de los distintos grupos de productos
necesitan pronósticos agregados de volumen de ventas para sus productos en unidades que sean más
significativas para ellos; por ejemplo, libras de cierto tipo de jabón, para establecer los planes de
producción. Por último, los gerentes de instalaciones de manufactura, en lo individual, necesitan los
pronósticos por marca y tamaño, por ejemplo, el número de cajas de 64 onzas de detergente Tide para
planear el uso de material y los programas de producción. Para una empresa como ésa, los pronósticos
también deben estar vinculados a distintos mercados globales y ser consistentes a través de los niveles
organizacionales para que sean apoyos de planeación eficaces. Además, los pronósticos especiales, tal
como los pronósticos de costos de material y de producción, precios y demás, se pueden requerir para los
nuevos productos y artículos de promoción. Es claro que hay pronósticos de diferentes tipos y en distintas
unidades de medición, según su propósito. En forma similar, las aerolíneas necesitan pronósticos a largo
plazo de la demanda de viajes aéreos para planear sus compras de aviones y pronósticos a corto plazo
para desarrollar rutas y programas estacionales; los administradores de universidades requieren
pronósticos de inscripciones; los encargados de la planeación de ciudades necesitan pronósticos de

tendencias de la población para planear las calles y los sistemas de tránsito masivo; los restaurantes
requieren pronósticos para estar en posibilidad de planear las compras de alimentos.
En muchas organizaciones, como las aerolíneas, las de hotelería y las de ventas al menudeo, la demanda
es muy estacional a lo largo de un año o puede variar en forma significativa con el día de la semana o la
hora del día. Las tiendas de abarrotes, los bancos y organizaciones similares necesitan pronósticos de
muy corto plazo para planear la programación de cambios de turno y las rutas de los vehículos y toman
otras decisiones de operación para acomodar esas variaciones en la demanda. Muchas empresas que
brindan servicios personalizados encuentran fácil pronosticar el número de clientes que demandarán
servicio en un periodo en particular, pero muy difícil pronosticar la mezcla de servicios que se requerirá
o el tiempo que tomará brindar esos servicios. Por tanto, esas empresas necesitan pronósticos especiales
de la mezcla de servicios. Los gerentes de operaciones encontrarían muy difícil hacer sus trabajos sin
buenos pronósticos.
Se necesitan pronósticos precisos a lo largo de la cadena de valor, como se ilustra en la figura siguiente
y se utilizan por todas las áreas funcionales de una organización como contabilidad, finanzas, marketing,
operaciones y distribución. Uno de los mayores problemas con los sistemas de pronóstico es que se
conducen por diferentes necesidades departamentales y sistemas de incentivos y, por tanto, existen
múltiples conjuntos de datos para clientes similares, órdenes de trabajo y desempeño de procesos. Esto
lleva a pronósticos en conflicto e ineficiencias organizacionales. Una forma de evitar estos problemas es
tener sólo una base de datos integrada que ayude a sincronizar la cadena de valor.
La elaboración de pronósticos por lo general está incluida en una cadena de valor general y en los sistemas
de software de planeación de la demanda. Estos sistemas integran marketing, inventarios, ventas,
planeación de operaciones y datos financieros. Por ejemplo, el módulo de planeación de la demanda
permite a las empresas integrar la información de planeación de diferentes departamentos u
organizaciones en un solo plan de demanda. Algunos proveedores de software comienzan a utilizar las
palabras planeación de la demanda o cadena de la demanda en lugar de la cadena de suministro. Este
cambio de nombre resalta el hecho de que los deseos y necesidades de los clientes definen el paquete de
beneficios para el cliente y que la demanda de clientes obtiene productos y servicios a través de la cadena
de suministro. La planeación de la demanda ofrece las siguientes capacidades clave:
o Planeación de niveles múltiples. La planeación de la demanda permite a una empresa ver, pronosticar
y planear productos en cualquier nivel y dimensión. La planeación se puede basar en el producto, la
geografía o el tiempo y se puede iniciar en forma descendente o en forma ascendente.
o Análisis de datos. Los gerentes pueden analizar con facilidad los datos de planeación en tablas y en
forma de gráficas y las características de navegación intuitiva les permiten moverse a través de
diversos niveles de datos.
o Elaboración de pronósticos estadísticos. La planeación de la demanda respalda una gama completa
de métodos de elaboración de pronósticos de amplio espectro, que utiliza las ventas pasadas para
identificar el nivel, la tendencia o los patrones estacionales y las herramientas de regresión para
pronosticar el comportamiento del consumidor al determinar el impacto de los factores causales como
el precio, número de exhibiciones, número de tiendas, clima e información demográfica.
o Respaldo de promoción comercial. La planeación de la demanda genera pronósticos dirigidos a la

promoción sobre un pronóstico de línea de base. Las empresas pueden modelar la demanda
promocional con base en las metas de rentabilidad o patrones históricos. Mediante el uso de los
estimados de ventas históricos, la planeación de la demanda SAP puede detectar en forma automática
un patrón de promoción que ocurrió en el pasado.
o Planeación de la demanda conjunta. Esta capacidad permite a los encargados de la planeación
compartir los planes de la demanda entre los protagonistas clave en la cadena de valor. Los usuarios
pueden dirigir los procesos de planeación conjunta y desarrollarlos con amplitud, ingresar a las
gráficas que les permiten visualizar grandes cantidades de información. Las empresas también pueden
recabar, pronosticar y planear la demanda desde distintas fuentes de entrada. Por último, los usuarios
pueden ver los libros de planeación en Internet, lo que permite un acceso fácil para los proveedores
y clientes con capacidades limitadas de tecnología de información.
Otros usos de los pronósticos

a. Decidir si la demanda es suficiente para justificar la entrada al mercado. Si la demanda existe, pero a
un precio demasiado bajo para cubrir los costos en que incurrirá la organización al generar el
producto, la organización debe rechazar la oportunidad.
b. Determinar las necesidades a largo plazo de la capacidad para el diseño de instalaciones. Una
proyección exacta de la demanda para varios años a futuro le puede ahorrar a la organización grandes
gastos en el aumento o reducción de la capacidad para satisfacer la demanda.
c. Determinar las fluctuaciones a corto plazo (de una semana a tres meses) en la demanda para la
planeación de la producción, la programación de la fuerza de trabajo, la planeación de los materiales
y otras necesidades similares. Estos pronósticos tienen especial importancia para los administradores
en el área de operaciones e influyen crucialmente en la productividad operacional, cuellos de botella,
programaciones maestras, entrega en las fechas prometidas y otros aspectos similares, que se
relacionan con los niveles superiores de la administración y con la organización en su conjunto.
d. Otros usos:
Mercadotecnia: Tamaño del mercado, Participación en el mercado, Tendencia de precios, Desarrollo
de nuevos productos.
Producción: Costo de materia prima, Costo de mano de obra, Disponibilidad de materia prima,
Disponibilidad de mano de obra, Requerimientos de mantenimiento, Capacidad disponible de la
planta para la producción.
Finanzas: Tasas de interés, Cuentas de pagos lentos
Recursos Humanos: Número de trabajadores, Rotación de personal, Tendencias de ausentismo,
Tendencia de llegadas tarde
Planeación Estratégica: Factores económicos, Cambios de precios, Costos, Crecimiento de líneas de
productos.
Importancia de los pronósticos

Uno de los primeros pasos de cualquier proceso de planeación y presupuestación es la elaboración de un
buen pronóstico, principalmente de la demanda y de las ventas. De este pronóstico depende la planeación
de la producción, de las compras, de los requerimientos de mano de obra, de los recursos financieros, etc.,
por lo que, sin lugar a duda, se convierte en información muy valiosa y determinante para alcanzar las
metas de cualquier organización.
La elaboración del pronóstico puede ser simple o compleja, dependiendo de distintos factores. Muchas
veces la demanda (o lo que se vaya a pronosticar) es afectada por factores cíclicos y estacionales, y otras
veces influyen elementos de muy difícil previsión. En cualquier caso la experiencia y el conocimiento
del mercado son vitales, pero a veces esto no es suficiente para la elaboración de un buen pronóstico. El
optimismo o pesimismo del planeador podrían afectar sus proyecciones, por lo que resulta de gran utilidad
el empleo de técnicas que permiten medir la tendencia, la estacionalidad, entre otras características de la
demanda a lo largo del tiempo. El uso de estas técnicas junto con la experiencia y grado de conocimiento
del planeador, le pueden llevar a lograr mejores pronósticos, con los cuales podrá realizar una correcta
planeación de las actividades productivas.
Para el área de producción o ventas de cualquier empresa es fundamental conocer estos métodos: poder
seleccionar un método de pronóstico apropiado, emplearlo y obtener conclusiones de él. En este sentido
la tecnología ha contribuido suministrando herramientas muy valiosas a la hora de procesar la
información.
Para evaluar un sistema de pronósticos se lleva a cabo lo siguiente:

1. Determinar el uso del pronostico
2. Seleccionar las partidas que se van a pronosticar
3. Determinar el horizonte de tiempo del pronóstico.
4. Seleccionar un(os) modelo(s) de pronostico
5. Juntar los datos del pronostico
6. Validar el modelo del pronostico
7. Hacer el pronostico
8. Instrumentar los resultados.
TÉCNICAS CUALITATIVAS
Utilizan el juicio subjetivo y los esquemas de puntuación a fin de transformar la información cualitativa
en estimaciones cuantitativas.
Estos métodos buscan reunir de una forma lógica, equilibrada y sistemática, toda la información y las
opiniones relativas a los factores que se tratan de estimar.
Algunas de las decisiones más importantes que toman las organizaciones, frecuentemente decisiones
estratégicas, se adoptan con base en los pronósticos cualitativos. Usualmente estos atañen a la
introducción de nuevos productos o servicios, o cambios a largo plazo en la naturaleza de los productos
de la organización. Los pronósticos cualitativos de la demanda para la introducción de un nuevo producto
ayudan al gerente del área de operaciones a decidir el método más eficiente para elaborar el producto y a
saber si la organización ganará o perderá con su estrategia.
También se usan en los casos donde hay gran incertidumbre respecto de la futura aceptación por parte del
mercado y el grado de penetración en el mismo.
Los pronósticos cualitativos se llevan a cabo utilizando información como encuestas telefónicas o por
correspondencia acerca de las actitudes de los consumidores y sus intenciones respecto al producto,
grupos de consumidores, pruebas de mercado en lugares limitados, grupos y opiniones de expertos y
análisis de la demanda histórica para productos o servicios similares.
Métodos para pronosticar

Método Delphi:
El método Delphi consiste en la elaboración de pronósticos por opinión de expertos al recabar
valoraciones y opiniones de personal clave con base en su experiencia y conocimiento de la situación.
Un grupo especial de expertos se conoce como Delphi. La corporación RAND desarrollo el método
Delphi como una técnica para que un grupo pronosticara la demanda de productos o servicios nuevos o
en un proyecto. El método empieza pidiéndole a cada miembro que proporcione por escrito su pronóstico
individual acompañado de cualquier argumento o suposiciones en que se apoye. Estos pronósticos se
presentan al investigador Delphi, quien edita, clarifica y resume los datos. Estos datos se les comunican
a los miembros, a modo de retroalimentación, junto con una segunda ronda de preguntas. El
procedimiento se repite normalmente alrededor de cuatro rondas, momento en que con frecuencia los
miembros del grupo llegan a un consenso en algunos de los temas.
Análisis del ciclo de vida: Otro recurso cualitativo que se utiliza con frecuencia como ayuda para el
pronóstico se conoce como análisis del ciclo de vida. Los administradores experimentados que han
lanzado muchos productos nuevos generalmente pueden estimar cuánto tiempo permanece un producto
en cada una de las fases de su ciclo de vida. Este pronóstico del ciclo de vida, aunado a otra información
del mercado, produce estimados razonablemente precisos de la demanda a mediano y largo plazo.
Pruebas de mercadotecnia o investigación de mercado: Se recopilan datos de varias maneras (encuestas,

entrevistas, etc.) para probar hipótesis sobre el mercado. Esto se utiliza típicamente para proyectar ventas
de largo alcance y de nuevos productos.
Analogía Histórica. Se usa para productos nuevos, basándose en el análisis comparativo de la
introducción y crecimiento de productos similares, lo que fundamenta la previsión de pautas de
semejanza. Analogía de los ciclos de vida, predicción basada en la fase de introducción, crecimiento y
saturación de productos similares. Lo que se está proyectando se vincula a un artículo similar. Es
importante en la planeación de nuevos productos en donde se puede derivar una proyección mediante el
uso de la historia de un producto similar.

Entrada-salida
Causal Econométrico
Box-Jenkins
Cuantitativo
Multiplicativo
Auto Exponencial
proyección
Promedio móvil
Formal
Ciclo de vida
Encuestas
Pronóstico
Delphi
Cualitativo
Analogía histórica
Opinión de expertos
Informal
(intuitivo)
Grupos de consumidores
Pruebas de mercadotecnia
Previsión imaginativa: También conocida como juicio informado: por medio de ella el pronóstico se basa
en experiencias, intuiciones y juicios personales y de ser posible, en hechos relacionados con los diversos
panoramas del futuro. Se caracteriza por una labor de adivinación subjetiva y de imaginación; en general,
los métodos empleados no son científicos.
Consenso de grupo: Se basa en el supuesto de que varios expertos pueden obtener una previsión mejor
que una sola persona. No existe secreto, se estimula la comunicación. Las previsiones resultan a veces,
influidas por factores sociales y no obedecen a un verdadero consenso.
Análisis de impacto: éste consiste en evaluar sistemáticamente el posible impacto de cada uno de los
eventos sobre todo los otros. Se obtienen estimados para cada uno de los eventos, su importancia relativa
y probabilidad de ocurrencia.
LOS PRONÓSTICOS Y EL CICLO DE VIDA DEL PRODUCTO

El ciclo de vida del producto y sus cuatro etapas (introducción, crecimiento y desarrollo, madurez y
declinación) son una excelente referencia para seleccionar el tipo de pronostico a usar; en especial, por
tres razones: los datos con los que se cuenta, el horizonte de tiempo previsible para pronosticar y el
método a usar que depende básicamente de los dos aspectos anteriores.
Los datos históricos sólo existen cuando el producto está en su desarrollo y es abundante cuando ingresa
en la etapa de madurez. Dichos datos deben ser evaluados en su correlación, para evaluar si serían
utilizados. Correlaciones buenas son aquellas mayores de 0.60 y menores de -0.60, hasta 1 y -1
respectivamente.
Dichos datos deben ser evaluados en tendencia central y dispersión, tendencia en el tiempo,
estacionalidad, ciclo, carrera o racha y otros que ayuden al pronóstico.
Ciclo de vida Introducción Crecimiento Madurez Declinación

producto desarrollo
Datos Ninguno Algunos Muchos Muchos
Tiempo Largo Mediano Corto Muy corto
Método Cualitativo total Cualitativo + Algo Cuantitativo total Cuantitativo + algo
cuantitativo cualitativo
Técnicas - Juicio - Histórico -Series de tiempo - Regresión
- Delphi - Simulación - Regresión (econométrico)
- Analogía - Correlación - Series de tiempo
histórica
- Investigación
de mercados
TECNICAS CUANTITATIVAS
Estas técnicas se utilizan para hacer análisis detallados de los patrones de demanda en el pasado, a lo
largo del tiempo y para proyectar estos patrones hacia el futuro. Una característica de estos métodos es
que la demanda puede dividirse en componentes como nivel promedio, tendencia, estacionalidad, ciclos
y error.
Los métodos cuantitativos de pronóstico, se dividen generalmente en dos: los que simplemente proyectan
de la historia pasada de la variable hacia el futuro (auto proyección) y los que también incluyen datos
externos (causales). La auto proyección es el más simple de ambos y abarca desde usar tan solo un
promedio de los datos históricos hasta el empleo de un análisis de regresión corregido para los datos de
los ciclos. Las técnicas simples de proyección como éstas son obviamente limitadas y se utilizan
principalmente para pronósticos a muy corto plazo. Estas técnicas generalmente trabajan bien en un
ambiente estable, pero no pueden reaccionar ante los factores cambiantes de la industria o cambios en la
economía nacional.
Los métodos causales, generalmente muy complejos, incluyen la historia de factores externos y emplean
técnicas estadísticas complejas. Estos enfoques, más apropiados para pronósticos a mediano plazo (entre
el corto y el largo plazo)
Las principales técnicas series de tiempo se resumen a continuación:
Promedio móvil: El pronóstico se basa en un promedio aritmético o ponderado de un número de datos

del pasado.

Precisión Identificaci
ón de
Técnica de Corto Medio Largo Aplicaciones
Descripción puntos de Datos Necesarios
previsión plazo plazo plazo típicas
cambio de
0-3 meses 03 meses- 2 años tendencia
3 años adelante
Promedio Cada punto de un promedio en Pobre a Pobre Muy Pobre Control de Un mínimo de dos
móvil movimiento de una serie temporal es buena pobre inventario para años de la historia
el promedio aritmético o ponderado artículos de de ventas, si
de varios puntos consecutivos de la volumen bajo existen
serie, donde el número de puntos de variaciones
referencia es seleccionado para estacionales en su
eliminar las variaciones estacionales defecto, menos
o irregularidades, o ambas. datos (por
supuesto, cuanta
más historia
mejor). Debe
especificarse el
promedio en
movimiento.
Suavización Esta técnica es un promedio, Regular a Pobre a Muy Pobre Control de Igual que para un
Exponencial ponderado en movimiento, excepto muy buena pobre producción e promedio en
que se da más peso a los puntos de buena inventario, movimiento
referencia más recientes., pronósticos de
descriptivamente el nuevo pronóstico márgenes y
es igual al antiguo más una cierta otros datos
proporción de error del pronóstico financieros.
anterior. Existe otro tipo de
pronosticación en la que también se
tiene en cuenta factores estacionales y
de tendencia. Dependiendo de esto en
la exponencial algunas son más
versátiles que otras, algunas son más
difíciles de computar, y algunas
requieren más tiempo de computador.
Box-Jenkins La suavización exponencial es un Muy a Pobre a Muy Regular Control de Como mínimo 3
caso especial de la técnica Box- excelente buena pobre producción e años de historia
Jenkins. La serie cronológica es inventario para para comenzar.
adecuada mediante un modelo artículos de Sin embargo, más
matemático que resulta óptimo en el volumen historia resulta
sentido que asigna menores errores a grande, ventajosa. En la
la historia que cualquier otro modelo pronósticos de identificación del
de esta clase. El tipo debe ser definido los balances de modelo y en la
por los parámetros identificados. Esta efectivo identificación del
es aparentemente la rutina estadística parámetro.
más exacta disponible en la
actualidad, pero también una de las
más costosas.
X-11 Desarrollada por Julius Shiskin, de la Muy Bueno Muy Muy buena Seguimiento e Como mínimo 3
oficina de Censura, esta técnica bueno a pobre indicadores; años de historia
descompone una serie cronológica en excelente pronosticación para comenzar.
variaciones estacionales, ciclos de de las ventas de
tendencia y elementos irregulares. Se la compañía,
utiliza principalmente para el análisis división o
detallado de la serie cronológica departamento;
(incluyendo el estimado de establecimiento
variaciones estacionales); nosotros y crítica de los
hemos ampliado sus usos para la presupuestos.
pronosticación, seguimiento y como
indicador incorporando otros
métodos analíticos. Se utiliza con
conocimientos especiales. Quizás es
la técnica más efectiva para la
pronosticación a mediano plazo 3
meses a 1 año, permitiéndole a la
persona predecir los puntos de
inflexión y programar eventos
especiales.
Proyecciones Esta técnica se adecua a una tendencia Muy Pobre a Pobre a Pobre Pronosticación Varía de acuerdo
de tendencia de línea y luego la proyecta hacia el bueno bueno bueno de productos con la técnica
futuro por medio de esta ecuación; nuevos usada. Sin
por ejemplo, el método de inclinación (especialmente embargo, un buen
método empírico

característica, polinomios y papel a mediano y es utilizar un

semilogaritmico. largo plazo). mínimo de 5 años
de datos anuales
para empezar.
Curva de La curva original de aprendizaje que Regular Regular a Regular a Regular Pronosticación Varios años de
aprendizaje/e se obtiene por primera vez durante la bueno bueno de costos a un historia de uno o
xperiencia fabricación de aviones se orienta largo plazo para más productos.
principalmente sobre la mayor productos
eficacia y menores costos de establecidos y
fabricación, lo que ocurrió conforme nuevos,
se acumuló el volumen del producto. pronosticación
La repetición de esta mejora de la de
eficiencia permitió a los encargados requerimientos
del planeamiento producción predecir de mano de obra
con bastante exactitud los costos y de capital,
futuros. La curva de la experiencia es programación,
una generalización de la familiar compras,
curva de aprendizaje. El grupo determinación
consultor de Boston la ha ampliado de precios, etc.
para incluir otros factores, como costo
de volumen y todos los componentes
de los costos unitarios del producto
final entregado al cliente (por
ejemplo: costos de manufactura,
costos de venta y distribución,
desarrollo del producto y costos
administrativos).
Modelo de Relaciona funcionalmente las ventas Buena a Muy Regular a Muy buena Previsión de Para obtener
regresión con otras variables macroeconómicas, muy buena a buena ventas por relaciones
de la competencia o de la índole buena excelente clases de significativas se
interna y estima una ecuación con productos, necesitan datos
base en la técnica de los mínimos previsión de mensuales o
cuadrados. Las relaciones se analizan, márgenes. trimestrales de
fundamentalmente, por medio de varios años. Es
métodos estadísticos, aunque toda preciso, por
ecuación tiene que pasar una prueba condicionamiento
de selección desde el punto de vista matemático, tener
del sentido común. dos observaciones
más que el
número de
variables
independientes.
Encuestas de Estas encuestas al público en general Mala a Mala a Muy mala Buena Previsión de Suelen hacer falta
anticipación determinan las intenciones de buena buena ventas por datos de varios
y de comprar ciertos productos, o deducen clases de años, para
intención de un índice que deduce el sentir general producción relacionar estos
compra sobre el presente y el futuro y que índices con las
estima cómo este sentir afecta los ventas de la
hábitos de compra. Estos métodos son empresa.
más útiles para seguimiento y alerta
que para realizar previsiones. El
problema fundamental estriba en que
pueden situar erróneamente un punto
de cambio de tendencia (que quizá no
se dará nunca).
Modelo Método de análisis del flujo de bienes No es Buena a Buena a Regular Previsión de De 10 a 15 años
Input-Output y servicios entre sectores o aplicable muy muy ventas de la de datos
departamentos, en lo que respecta con buena buena empresa o de históricos.
la economía de un país o las cada división Cantidades
relaciones entre una empresa y sus por sectores y considerables de
mercados. Muestra que flujo de subsectores información sobre
entradas (Inputs) tiene que existir económicos los flujos de
para que se produzca determinado productos y
flujo de salidas (Output). Hay que servicios dentro
desarrollar un esfuerzo considerable de la empresa(o
para utilizar estos modelos de la economía
adecuadamente y son necesarios del país), para
detalles adicionales, y que no suelen cada año en que se
estar a la mano, si se los quiere aplicar desee realizar el
a una determinada empresa. análisis input-
output.

Modelo Los modelos econométricos y los No es Buena a Buena a Buena Ventas de la Los mismos que
Input-Output modelos input-output se suelen aplicable muy excelente empresa por para el promedio
Econométric combinar, a veces, a efectos de buena sectores y móvil y que para
o realizar previsiones. subsectores el X-11
El modelo input-output se emplea económicos
para introducir las tendencias a largo
plazo en el modelo econométrico,
también contribuye a estabilizar el
modelo econométrico.
Índice de Porcentaje de un grupo de indicadores Mala a Mala a Muy mala Buena Previsiones de Los mismos que
difusión económicos que suben o bajan, y buena buena ventas por para las encuestas
convierten este porcentaje en el clases de sobre intenciones
índice. productos. de compra.
Índice Se trata de considera una serie Mala a Mala a Muy mala Buena Previsiones de Los mismos que
anticipador temporal relativa a cierta actividad buena buena ventas por para una encuesta
económica, cuyo movimiento en una clases de sobre intenciones
dirección dada precede al movimiento productos de compra, más 5
en esa misma dirección de otra serie a 10 años de datos
temporal. históricos.
Análisis del Análisis y previsión de tasas de Mala Mala a Mala a Mala a Previsiones de Como mínimo, las
ciclo de vida crecimiento de un nuevo producto, buena buena buena ventas de ventas anuales del
basándose en las curvas en S. Son de nuevos producto
capital importancia las fases de productos estudiado u otro
aceptación del producto por los similar. Suele ser
diversos grupos: Innovadores, necesario hacer
seguidores tempranos, mayoría encuestas de
temprana, mayoría tardía y rezagados. mercado.
Ajuste exponencial: Esta técnica es similar a la de un promedio móvil, con la diferencia de que los datos
de fecha más recientes son más ponderados. La nueva previsión es igual a la anterior más cierta
proporción de error que hubo en la previsión anterior. Se toman en cuenta las variaciones estacionales.
Hay muchos tipos de ajuste exponencial, algunos son más flexibles, otros son más complicados en el
cálculo. Adecuado para usarse en computadores y cuando es necesario hacer una proyección acerca de
un gran número de productos.
Box-Jenkins: Es un método estadístico en donde las variables aleatorias de la serie temporal forman parte
de un proceso estadístico que es analizado mediante una ecuación de diferencia cuya situación es ajustada
mediante algoritmos estadísticos.
Hay que identificar el tipo de modelo y estimar los parámetros. Es uno de los procedimientos estadístico
de más precisión que existe actualmente, pero también es uno de los más costosos.
Es muy complicada pero aparentemente es la técnica estadística más exacta que existe. Se refiere a una
clase de modelos estadísticos para los datos y ajusta el modelo a las series de tiempos mediante la
utilización de las distribuciones posteriores bayesianas.
X-11: Esta técnica desglosa una serie temporal en variaciones estacionales, tendencias cíclicas y
elementos irregulares. Se usó principalmente para el análisis detallado de series de tiempo, pero también
puede usarse para la realización de previsiones, seguimiento y alerta, si se le incorporan otros métodos
analísticos. Si se le conoce en profundidad, quizás sea la técnica más eficaz para previsiones a mediano
plazo (entre tres meses y un año), pues permite proyectar los puntos de cambio de tendencia y situar en
el tiempo ciertos acontecimientos especiales.
Proyecciones de tendencia: Esta técnica ajusta una línea de tendencia a una ecuación matemática y a
continuación la proyecta en el futuro con esta ecuación. Existen diversos tipos de proyecciones: de la
pendiente característica, según su tipo logarítmico, potencial, exponencial, logística, etc.
Modelos Econométricos. Un modelo econométrico es un sistema de ecuaciones de regresión

interdependientes que describe algún sector de actividades económicas, ventas o utilidades.
METODOS CAUSALES
Estos métodos desarrollan un modelo de causa y efecto entre la demanda y otras variables. Son los tipos
más elaborados de los instrumentos de previsión. Expresan matemáticamente las relaciones causales

significativas, y pueden contemplar las características internas del flujo de materiales en el proceso
productivo y la información procedente de investigación de mercado.
Puede también incorporar directamente los resultados procedentes de un análisis de series temporales.
Modelo de regresión: Relaciona funcionalmente las ventas con otras variables macroeconómicas, de la
competencia o de índole interna, y estima una ecuación con base en la técnica de los mínimos cuadrados
de los errores. Las relaciones se analizan, fundamentalmente, por medio de métodos estadísticos aunque
toda ecuación tiene que pasar una prueba de selección desde el punto de vista del sentido común.
Encuestas de anticipación y de intención de compra: Estas encuestas al público en general determinan
la intención de comprar ciertos productos o deducen un índice que mide el sentir general acerca del
presente y el futuro y estima cómo este sentir afecta los hábitos de compra. Estos métodos son más útiles
para seguimiento y alerta que para realizar previsiones. El problema fundamental estriba en que pueden
situar erróneamente un punto de cambio de tendencia.
Modelo Input-Output: Método de análisis del flujo de bienes y servicios entre sectores o departamentos,
en lo que respecta a la economía de un país o a las relaciones entre una empresa y sus mercados. Muestra
qué flujo de entradas (inputs) tiene que existir para que se produzca determinado flujo de salidas (outputs).
Modelo Input-Output Econométrico: Es una combinación de los modelos input-output que suelen
combinar, a veces, para efectos de realizar previsiones. El modelo input-output se emplea para introducir
las tendencias a largo plazo en el modelo de regresión; también contribuye a estabilizar el modelo
econométrico.
Índice de difusión: Porcentaje de un grupo de indicadores económicos que suben o bajan, y convierten
este porcentaje en el índice.
Índice anticipador: Se trata de considerar una serie temporal relativa a cierta actividad económica, cuyo
movimiento en una dirección dada precede al movimiento en esa misma dirección de otra serie temporal.
Análisis del ciclo de vida: Análisis y previsión de las tasas de crecimiento de un producto. Son de capital
importancia las fases de aceptación del producto por los diversos grupos: innovadores, seguidores
tempranos, mayoría temprana, mayoría tardía y rezagada. El ciclo de vida del producto es una excelente
referencia para escoger la técnica y la inversión de recursos (costo) que desean involucrarse.
Patrones de demanda
Las observaciones repetidas de la demanda, tomando como base el orden en que se realizan, forman un
patrón que se conoce como serie de tiempo.
Una tendencia es el patrón subyacente de crecimiento o declinación de una serie de tiempo.
Los cinco patrones básicos de la mayoría de las series de tiempo aplicables 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: Los patrones estacionales se caracterizan por periodos repetibles de altas y bajas a
lo largo de los periodos cortos.
Son patrones repetible de incrementos o decrementos de la demanda, dependiendo de la hora del
día, la semana, el mes o la temporada. Ejemplos: la demanda de bebidas frías es baja durante el
invierno, comienza aumentar durante la primavera y tiene un máximo durante el verano y
comienza a declinar en el otoño; demanda de abrigos, etc.
4. Cíclico: Los patrones cíclicos son patrones regulares en una serie de datos que suceden durante
largos periodos.
O sea, una pauta de incremento o decremento graduales y menos previsibles de la demanda, los
cuales se presentan en el curso de periodos de tiempo más largos (años o decenios); y
5. Aleatorio: Una variación aleatoria (a veces llamada ruido) es la desviación inexplicable de una
serie de tiempo de un patrón predecible, como una tendencia estacional o patrón cíclico.
6. Variación Irregular (una sola vez): Una variación irregular es una variación de una sola vez
que tiene una explicación. Por ejemplo, un huracán puede ocasionar un aumento en la demanda
de material de construcción, alimentos y agua.
Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cíclico) se combinan en

diversos grados para definir el patrón fundamental de tiempo de demanda que corresponde a un producto
o servicio. El quinto patrón, la variación aleatoria, es resultado de causas fortuitas y, por lo tanto, no
puede ser previsto. La variación aleatoria representa un aspecto de la demanda por lo que todos los
pronósticos resultan equivocados. 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.
Diseño del sistema de pronósticos

Antes de usar técnicas de pronósticos para el análisis de problemas de administración de operaciones, el
gerente tiene que tomar tres decisiones:
- Que va a pronosticar
- Qué tipo de técnica de pronóstico va a aplicar.
- Que tipos de hardware o software de computadora (o ambos) va a utilizar.
A pesar de que la realidad se necesita algún tipo de estimación de la demanda para los bienes y servicios
individuales que una compañía produce, puede se mas 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 ej. Unidades
de producto o servicio, o bien, horas maquina) es tan importante como la habilidad para escoger el mejor
método.

Acumulación: Al agrupar varios productos o servicios similares, en un proceso llamado acumulación, las
compañías tienen la posibilidad de realizar pronósticos más precisos. Muchas empresas utilizan un
sistema de pronóstico de dos niveles, en la cual se realizan primero pronósticos para familias de bienes o
servicios cuyos requisitos de demanda, procesamiento, trabajo y materiales son similares, y de estas
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, ya sea automóviles, paquetes de correspondencia por entregar o clientes que requieren servicio
de mantenimiento o reparaciones para sus vehículos. Si no es posible pronosticar con precisión el número
de unidades de la demanda de un producto o servicio, muchas veces resulta preferible pronosticas las
horas estándar de mano de obra o de maquina requeridas de cada uno de los recursos críticos, basándose
en patrones históricos. En el caso de las compañías que producen bienes o servicios por pedido del cliente,
las estimaciones por mano de obra o de maquina son importantes para la debida programación y
planificación de la capacidad.
Horizonte de planeación de los pronósticos

Se necesitan pronósticos de la demanda futura en todos los niveles de toma de decisiones
organizacionales. El horizonte de planeación es la longitud del tiempo en el que se basa un pronóstico.
Los pronósticos de largo plazo abarcan un horizonte de planeación de 1 a 10 años y son necesarios para
planear la expansión de instalaciones y determinar las necesidades futuras de terreno, mano de obra y
equipo. Cuándo y dónde construir nuevas tiendas al menudeo, fábricas, escuelas, bibliotecas y centros de
distribución, hospitales y clínicas y las instalaciones de servicios de emergencia para los departamentos
de policía y bomberos dependen de los pronósticos a largo plazo. Los errores en los pronósticos a largo
plazo pueden ocasionar que las empresas construyan instalaciones demasiado grandes y, por tanto,
crearían grandes desventajas de costos. Del mismo modo, los errores de pronóstico a largo plazo también
pueden hacer que se construyan instalaciones demasiado pequeñas, lo que ocasionaría una pérdida de
oportunidades de ganar participación de mercado y generar ingresos.
Se necesitan pronósticos a mediano plazo durante un periodo de 3 a 12 meses para planear a niveles de
fuerza de trabajo, asignar presupuestos entre las divisiones, programar trabajos y recursos y establecer
planes de compras. Por ejemplo, un departamento de compras puede negociar un descuento significativo
al contratar un pedido de una cantidad grande de un producto o servicio en particular a lo largo del
siguiente año. Los pronósticos a mediano plazo también ayudan a los departamentos de recursos humanos
en las contrataciones futuras, capacitación de empleados y demás.
Los pronósticos a corto plazo se enfocan en un horizonte de planeación de hasta tres meses y se utilizan
por parte de los gerentes de operaciones para planear los programas de producción y asignar trabajadores
a puestos, para determinar los requisitos de capacidad a corto plazo y ayudar a los departamentos de
embarque a planear las necesidades de transporte y establecer los programas de entregas.
Una división de tiempo es la unidad de medida para el periodo que se utiliza en un pronóstico. Una
división de tiempo puede ser un año, un trimestre, un mes, una semana, un día, una hora o incluso un
minuto. Para un horizonte de planeación a largo plazo, una empresa podría pronosticar en divisiones de
tiempo anuales; para un horizonte de planeación a corto plazo, la división de tiempo puede ser una hora
o menos. Por ejemplo, los centros de atención telefónica pronostican la demanda de clientes en intervalos
de 5, 6 o 10 minutos. Elegir una duración correcta del horizonte de planeación y el tamaño de la división
para la situación adecuada es una parte importante de la elaboración de pronósticos.
Selección del tipo de técnica de pronóstico

El objeto 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. Para los pronósticos de
la demanda se usan dos tipos generales de técnicas: métodos cualitativos y métodos cuantitativos. Entre
los métodos cualitativos figuran los métodos de juicio, en las que las opiniones de gerentes y expertos,
los resultados de encuestas de consumidores y las estimaciones de la fuerza de ventas se traducen
estimaciones cuantitativas. Entre los métodos cuantitativos podemos mencionar los métodos causales y
el análisis de serie 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 la tendencia 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 quiera pronosticarse. Los pronósticos pueden ser a corto, mediano y
largo plazo.
A corto plazo: En el corto plazo (que abarca en este caso 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.
Por último, los gerentes usan métodos de juicio para elaborar pronósticos a corto plazo cuando no
disponen de datos históricos sobre un elemento específico, como en el caso de nuevos productos.
A mediano plazo: El horizonte de tiempo que caracteriza al 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. También son útiles algunos
métodos de pronósticos basados en el a juicio. En general, el análisis de series 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.
A largo plazo: Cuando los horizontes de tiempo abarcan más de dos años, los pronósticos se elaboran de
ordinario en torno a la demanda total de ventas, ya sea en términos de dinero o de alguna otra unidad de
medición común (por ej. Barriles, kg, 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 planificación de largo alcance. Tres tipos de decisiones (sobre la
localización de las instalaciones, la planificación de la capacidad y la 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 a través de la experiencia y el buen criterio administrativo, tomando en cuenta
el buen criterio administrativo, tomando en cuenta el horizonte de tiempo en cada caso y las posibles
consecuencias de las decisiones basadas en ellos.
Otros factores a considerar:

o El contexto del pronóstico
o La relevancia y disponibilidad de datos históricos
o El grado de exactitud deseado
o El periodo de tiempo que se va a pronosticar
o El análisis de costo-beneficio del pronóstico
o El punto del ciclo de vida en que se encuentra el producto.
PATRONES DE DATOS EN SERIES DE TIEMPO

Los métodos estadísticos para la elaboración de pronósticos se basan en el análisis de datos históricos,
llamados series de tiempo.
Una serie de tiempo es un conjunto de observaciones registradas en puntos sucesivos en el tiempo a lo

largo de periodos subsecuentes.
Estos métodos están basados en la suposición de 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. En esta
sección centraremos nuestra atención en los métodos con series de tiempo aplicables a los patrones de
demanda de tipo horizontal, a los de tendencia y a los estacionales.
Estimación del promedio

Cada serie de tiempo de demanda tiene por lo menos dos de los cinco patrones posibles de demanda: el
horizontal y el aleatorio (o al azar). También es posible que tenga patrones de tendencia, estacionales o
cíclicos. Comenzaremos nuestra exposición de los métodos estadísticos en el pronóstico de las series de
tiempo, refiriéndonos a la demanda que no tiene 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 periodo futuro es el promedio de las series de tiempo calculadas en el periodo
actual. Por ejemplo, si el promedio de la demanda pretérita calculada el martes es de 65 clientes, entonces
los pronósticos para el miércoles, el jueves y el viernes serán de 65 clientes cada día.
Las técnicas estadísticas útiles para el pronóstico de esas series de tiempo son:
- Promedios móviles simples
- Promedios móviles ponderados y
- Suavización exponencial.
- Suavización exponencial con tendencia
PROMEDIOS MÓVILES SIMPLES

El concepto de promedio móvil simple se basa en la idea de promediar las fluctuaciones aleatorias en una
serie de tiempo para identificar la dirección subyacente en la que dicha serie está cambiando.
Un pronóstico de promedio móvil es un promedio de las observaciones “n” más recientes de una serie
de tiempo.
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 cuándo
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 periodos más recientes,
con el fin de usarla como pronóstico para el siguiente periodo. Para el periodo 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 la n demandas más
recientes, por lo cual el promedio se “mueve” de uno a otro periodo.
En términos específicos, el pronóstico correspondiente al periodo t+1 se puede calcular en la siguiente

forma:
Suma de las n últimas demandas Dt +Dt−1 + Dt−2 + …+ Dt−n+1
Ft+1 = n
= n

Donde Dt = Demanda real en el periodo t

N = número total de periodos incluidos en el promedio
Ft + 1 = Pronostico para el periodo t + 1
Con el método de promedio móvil, el pronóstico de la demanda en el periodo siguiente será igual al
promedio calculado al final de este periodo
Elabore un pronóstico de promedio móvil de tres semanas para estimar la llegada de pacientes a un
hospital. Los números correspondientes a las llegadas de pacientes fueron los siguientes:
Figura: Demanda proyectada con base en un promedio de movimiento simple de tres semanas.
Solución
El pronóstico promedio móvil al final de la semana 3 es:
800+1400+1000
F4 = 3
= 1066.67
Así, el pronóstico correspondiente a la semana 4 es de 1068 pacientes aproximadamente.
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 más recientes.
PROMEDIO MÓVIL PONDERADO

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 ponderado, cada una de las demandas históricas que
intervienen en el promedio puede tener su propia ponderación. El resultado de la suma de las
ponderaciones es 1.0.
Ft+1 = (ponderación para periodo n)*(demanda en periodo n)
Ft+1 = WtDt + Wt-1Dt-1 + Wt-2Dt-2 +…+Wt-k+1 Dt-k+1
Donde la Wt representa el peso asignado al periodo t. Nótese que todos los pesos deben sumar 1.0
Por ejemplo un modelo con promedio móvil ponderado de tres periodos, al periodo más reciente se le
puede asignar una ponderación de 0.50, al segundo más reciente se le asigna una ponderación de 0.30, y
al tercero más reciente, una de 0.20. El promedio se obtiene multiplicando la ponderación de cada periodo
por el valor correspondiente a dicho periodo y sumando finalmente los productos.
Un promedio móvil ponderado se expresa matemáticamente como:
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 el 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 solo calcula promedios de la demanda en el pasado. Este retraso es especialmente
notable cuando existe una tendencia, por que el promedio la serie de tiempo va incrementando o
disminuyendo en forma sistemática.
Ejemplo 2: 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.
Use los datos correspondientes a las tres primeras semanas del ejemplo anterior para calcular el pronóstico
de promedio móvil ponderado para la semana 4.
Solución: La demanda ponderada en la semana 3 es:
F4 = 0.70*(1000)+0.20*(1400) + 0.10*(800) = 1060
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 más recientes.
F5 = 0.70*(1500)+0.20*(1000) + 0.10*(1400) = 1390
El método de promedio móvil ponderado presenta las mismas limitaciones que el método de promedio
móvil simple: es necesario recolectar los datos de n periodos de demanda para poder calcular el promedio
correspondiente a cada periodo.
Figura: Demanda proyectada de un promedio móvil ponderado
SUAVIZACIÓN EXPONENCIAL
Suavizamiento exponencial simple (SES) es una técnica para la elaboración de pronósticos que utiliza
un promedio ponderado de los valores pasados de la serie de tiempo para pronosticar el valor de ésta
en el siguiente periodo.
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 a las demandas anteriores. Es un 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 periodo, la demanda de ese
periodo y un parámetro suavizador, alfa ∝, cuyo valor fluctua 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 correspondiente a este pronóstico
es:
Ft + 1 =𝛼 (Demanda para este periodo) + (1 - 𝛼 ) (Pronóstico calculado para el último periodo)
Ft + 1 = 𝛼 Dt + (1 - 𝛼) Ft
Ft + 1 = 𝛼 (Demanda real actual) + (1 - 𝛼 ) (Pronóstico de la demanda previa)
La siguiente es una ecuación equivalente:
Ft + 1 = Ft + 𝛼 (Dt – Ft)
Donde 𝛼 se llama constante de suavizamiento (0 ≤ ∝ ≤ 1). Para utilizar este modelo, establezca el
pronóstico del periodo 1, F1, igual a la observación real del periodo 1, D1: Nótese que F2 también tendrá
el mismo valor.
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 periodo 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 𝛼 más
pequeños, se considera más uniformemente la demanda pretérita 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 énfasis en la demanda reciente y los valores más grandes
conceden mayor ponderación a la demanda pretérita. 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 exponenciación se requiere un pronóstico inicial. Hay dos
formas de realizar ese pronóstico inicial: usar la demanda del último periodo, 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 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 efecto con un ejemplo.
Suponiendo que 𝛼 = 0.20, el pronóstico para el periodo t+1 es:
Ft + 1 = 0.20Dt + 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
Si 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 periodos 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.
Ejemplo 3: Considere nuevamente los datos sobre la llegada de pacientes del ejemplo 1. 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
Solución: El método de suavización exponencial requiere un pronóstico inicial. Supongamos que

tomamos los datos de demanda de las dos últimas semanas y los promediamos para obtener (800+1400)/2
= 1100 como pronostico inicial. A fin de calcular el pronóstico para la semana 4, utilizamos una
suavización exponencial con ∝ = 0.10, calculamos el promedio al final de la semana 3 en la siguiente
forma:
F4 = 0.10 (1000) + 0.90 (1100) = 1090
Así el pronóstico para la semana 4 sería de 1090 pacientes. Si la demanda real para la semana 4 resulta
de 1500, entonces el nuevo pronóstico para la semana 5 seria:
F5 = 0.10 (1500) + 0.90 (1090) = 1131, o sea, 1131 pacientes.
La suavización exponencial tiene las ventajas de ser sencilla y requerir un mínimo de datos. Su utilización
es económica y, por 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 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 ∝ (por ej. 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.
Suavización Exponencial con Tendencia

Si somos de la opinión que una serie de tiempo muestra una tendencia lineal (y ninguna estacionalidad),
entonces, el método de Holt ofrece, con frecuencia, un buen pronóstico. Al final del t-ésimo periodo, el
método de Holt genera una estimación del nivel de base (Lt) y de la tendencia por periodo (Tt) de la serie.
El procedimiento por el cual se incorpora una tendencia a un pronóstico suavizado exponencialmente se
conoce como método de suavización exponencial ajustada a la tendencia. En este enfoque, las
estimaciones para el promedio y la tendencia son suavizadas, para lo cual se requieren solamente dos
constantes de suavización. Calculamos el promedio y la tendencia para cada periodo:
Lt = 𝛼 (Demanda en este periodo) + (1 - 𝛼)(Promedio + Estimación de la tendencia en el último periodo)
Lt = 𝛼 Dt + (1 - 𝛼)(Lt-1 + Tt-1)
Tt = 𝛽(Promedio de este periodo – promedio del ultimo periodo) + (1 – 𝛽) (Estimación de la tendencia

en el último periodo)
Tt = 𝛽 (Lt – Lt-1) + (1 –𝛽) Tt-1

Ft+1 = Lt + Tt
Dónde:
Lt: Promedio exponencialmente suavizado de la serie en el periodo t
Tt: Promedio exponencialmente suavizado de la tendencia en el periodo t
𝛼 =Parámetro de suavización para el promedio, con un valor entre 0 y 1
𝛽= Parámetro de suavización para la tendencia, con un valor entre 0 y 1
Ft+1 = Pronostico para el periodo t + 1
Las estimaciones del promedio y la tendencia correspondientes al último periodo, que se requieren en el
primer pronóstico, pueden obtenerse a partir de datos del pasado o basarse en una estimación aproximada
si no existen datos históricos. Para encontrar los valores de ∝ 𝑦 𝛽 hasta que obtenga los errores del
pronóstico más bajos posibles. Este proceso se puede llevar a cabo en un ambiente experimental, usando
el modelo para pronosticar las cifras históricas de demanda.
Ejemplo 4: Un laboratorio clínico ofrece servicios a los pacientes del hospital Regional Docente de
Trujillo. El administrador está interesado en pronosticar el número de pacientes que van a requerir análisis
de sangre cada semana. Es preciso comprar suministros y tomar una decisión acerca del número de
muestras sanguíneas que serán enviadas a otro laboratorio, para compensar las limitaciones de la
capacidad del laboratorio principal. Las informaciones recientes acerca de los efectos nocivos que
provoca el colesterol en el corazón han generado un incremento en las solicitudes de análisis ordinarios
de sangre en todo el país. En promedio el laboratorio clínico realizó 28 análisis de sangre cada semana
durante las 4 últimas semanas. La tendencia en ese periodo fue de tres pacientes adicionales por semana.
La demanda en esta semana fue de 27 análisis de sangre. Usaremos 𝛼 = 0.20 y 𝛽 = 0.20 para calcular el
pronóstico correspondiente a la semana próxima.
Solución L0 = 28 pacientes y también T0 = 3 pacientes

El pronóstico para la semana 2(la semana siguiente) es:
L1 = 0.20 (27) + 0.80 (28+3) = 30.20
T1 = 0.20 (30.20 - 28) + 0.80 (3) = 2.80
F2 = 30.20 + 2.80 = 33 análisis de sangre
Si el número real de análisis sanguíneos requeridos en la semana 2 resultara ser 44, entonces el pronóstico
actualizado para la semana 3 sería el siguiente:
L2 = 0.20 (44) + 0.80 (30.2+2.80) = 35.20
T2 = 0.20 (35.20 – 30.20) + 0.80 (2.80) = 3.20
F3 = 35.20 + 3.20 = 38.40, es decir 38 análisis de sangre.
Punto de decisión Con este modelo de suavizamiento exponencial ajustado a la tendencia, el pronóstico
para la semana 2 fue de 33 análisis de sangre, y de 38 análisis de sangre para la semana 3. Si el analista
elaborara los pronósticos al final de la semana 2 para los periodos posteriores a la semana 3. El pronóstico
tendría que ser incluso mayor debido a la tendencia ascendente, la cual se estima en 3.2 análisis de sangre
por semana.
La figura siguiente muestra el pronóstico ajustado a la tendencia (la línea verde claro) correspondiente al
Laboratorio, para un periodo de 15 semanas. Se ha establecido ∝ en 0.20, 𝛽 en 0.20, la demanda inicial
en 28 y la estimación inicial de la tendencia en 3. Al final de cada semana, se calculó un pronóstico para
la semana siguiente, usando el número de análisis de sangre correspondiente a la semana actual. Observe
que los pronósticos (los cuales se presentan en la tabla siguiente) varían menos que la demanda real a
causa del efecto suavizador del procedimiento que se empleó para calcular las estimaciones del promedio
y la tendencia. Mediante el ajuste de ∝ y 𝛽, se puede hallar un pronóstico más apropiado.
Para elaborar pronósticos correspondientes a periodos posteriores al siguiente, se multiplica la estimación

de la tendencia por el número de periodos adicionales que se desea incluir en el pronóstico y se suma el
resultado al promedio actual. Por ejemplo, si al final de la semana 2 se deseara estimar la demanda de
análisis de sangre en la semana 6 (es decir, 4 semanas más adelante), el pronóstico sería de 35.23 + 4(3.28)
= 48 análisis.
Una vez que llega la semana 15 y se sabe que el número real de llegadas fue de 75 pacientes, el promedio
suavizado se actualiza a 66.38 y el promedio de la tendencia a 2.29. En seguida, se pueden elaborar
pronósticos para varias semanas en el futuro. Por ejemplo, los pronósticos para las próximas 3 semanas
serían:
Pronóstico para la semana 16 = 66.38 + (1) (2.29) = 68.67

Pronóstico para la semana 17 = 66.38 + (2) (2.29) = 70.96
Pronóstico para la semana 18 = 66.38 + (3)(2.29) = 73.25
El método de suavizamiento exponencial ajustado a la tendencia ofrece la ventaja de que es capaz de
ajustar el pronóstico a los cambios registrados en la tendencia. Sin embargo, cuando la tendencia está
cambiando, cuanto más se proyecta hacia el futuro la estimación de la tendencia, tanto más impreciso
será el pronóstico. Por eso, es conveniente restringir la utilización de los métodos de series de tiempo a
los pronósticos a corto plazo.

Figura: Demanda proyectada de una suavización exponencial con tendencia
Modelos Avanzados para la Elaboración de Pronósticos

Diversos otros métodos se utilizan con frecuencia cuando existen factores de tendencia o estacionales.
Estos son:
o Promedio móvil doble: Se utiliza para series de tiempo con tendencia lineal.
o Suavizamiento exponencial doble: Se utiliza para las series de tiempo con tendencia lineal.
o Aditivo estacional: Se utiliza para las series de tiempo con estacionalidad, que es más o menos
estable al paso del tiempo.
o Multiplicativa estacional: Se utiliza para las series de tiempo con estacionalidad que aumenta o
disminuye en magnitud con el paso del tiempo.
o Aditiva Holt-Winters: Se utiliza para series de tiempo con una tendencia lineal y estacionalidad,
que es más o menos estable al paso del tiempo.
o Multiplicativa Holt-Winters: Se utiliza para series de tiempo con tendencia lineal y estacionalidad
que aumenta o disminuye en magnitud al paso del tiempo.
ERRORES EN LOS PRONOSTICOS Y PRECISION

Todos los pronósticos están sujetos a error y entender la naturaleza y tamaño de los errores es importante
para la adecuada toma de decisiones.
Al utilizar diferentes métodos para elaborar pronósticos se requiere de una medida de efectividad, siendo
el error el mecanismo más comúnmente utilizado.
El error en los pronósticos es la diferencia numérica entre la demanda pronosticada y la demanda real.
Denotamos los valores históricos de una serie de tiempo por D1, D2,…, Di. En general, Di representa el
valor de la serie de tiempo para el periodo i. Dejaremos que Fi represente el valor del pronóstico para el
periodo i. Cuando se haga este pronóstico, no sabremos el valor real de la serie en el periodo i, Di. Sin
embargo, una vez que Di se vuelve conocida, podemos evaluar qué tan bien nuestro pronóstico pudo
estimar el valor actual de la serie de tiempo.
Un error de pronóstico es la diferencia entre el valor observado de la serie de tiempo y el pronóstico Di

- Fi
Obviamente un método que produzca el error más pequeño es deseable. Entre estos tenemos las siguientes
medidas:

Resulta evidente que uno de los principales problemas del administrador de operaciones, es el de
seleccionar el mejor método de pronóstico, que debe obedecer, en el caso de los métodos cuantitativos,
al comportamiento histórico de los datos, con base en el análisis de los patrones de comportamiento
medio, tendencia, ciclos estacionales y elementos aleatorios. En el caso de que los datos históricos no
existan o sean poco confiables, lo mejor es emplear un método cualitativo, los cuales, aunque no ofrecen
un alto grado de seguridad, resultan mejores que nada.
Uno de los elementos de juicio que permiten la selección del método, lo proporciona el análisis de error,
el cual expresa la diferencia entre los datos reales y los pronosticados. Los métodos de cálculo del error
del pronóstico más comunes son: Error promedio, Desviación Absoluta Media (MAD ó DAM ), Error
Cuadrado Medio (MSE), Error Porcentual Medio Absoluto (MAPE), la Media de las Desviaciones por
Periodo (BIAS)y el error típico de estimación o error estándar para la estimación de y.
De cualquier forma, el mejor pronóstico es aquel, que además de manipular los datos históricos mediante
una técnica cuantitativa, también hace uso del juicio y el sentido común empleando el conocimiento de
los expertos. [Hanke & Deitsch 1996]
LA DESVIACIÓN ABSOLUTA MEDIA (DAM) o MAD (del inglés mean absolute desviation)
Es una medida del error global del pronóstico para un modelo, Se obtiene de la sumatoria de las
desviaciones absolutas para todos los periodos entre el número total de los periodos evaluados.
|Demanda Pronósticos−Demanda real| |𝐹𝑖−𝐷𝑖|

DAM = ∑𝑛𝑖=1 𝑛
= ∑𝑛𝑖=1 𝑛
Desviaciones absolutas
DAM = ∑ni=1 n
Donde Fi = pronóstico de la demanda en el periodo i
Di = demanda real en el periodo i
N = número de periodos de datos
EL SESGO
Se define como la suma algebraica de los errores de todos los periodos entre el número de periodos
(Demanda Pronósticos−Demanda real) (Fi−Di)
Sesgo = ∑𝑛𝑖=1 𝑛
= ∑𝑛𝑖=1 𝑛
Aunque son de apariencia muy similar, estas dos variables miden efectos extremadamente diferentes al
pronosticar. Puesto que el DAM suma tan solo los valores absolutos de los errores, tanto los valores
positivos como los negativos se agregan a la suma para así determinar el tamaño promedio del error. Esto
da al administrador una idea de la precisión del modelo de pronóstico. Un administrador podría
aprovechar este conocimiento y decir: “Estos pronósticos normalmente son precisos sólo dentro del 10%;
es mejor mantener un abastecimiento adicional de alrededor del 10 por ciento como protección contra
este posible error”.
Por otro lado, el sesgo indica si el pronóstico está usualmente muy bajo o muy alto y qué tanto.
Un administrador que lo sepa puede decir “En promedio, se está pronosticando un 10 por ciento muy alto;
sin peligro se puede hacer de 5 a 10 por ciento menos, para protegerse contra este error potencial”. O sea
que la DAM indica tan solo el tamaño promedio del error, mientras que el sesgo señala el promedio total
del error y su dirección.
Como se mencionó anteriormente, los mejores métodos para pronosticar mostrarán las medidas de menor
error. Suponga que dos métodos para pronosticar se prueban comparándolos con los datos de la demanda
por un periodo de cuatro meses. El método A dio pronósticos de enero a abril de 102, 107, 106 y 113
respectivamente; el método B dio 104, 105, 107, 110 y las demandas reales fueron 103, 106, 106 y 111.
La DAM para el método A seria:
|102−103|+ |107−106|+ |106−106|+ |113−111|
DAM = ∑4𝑖=1 4
=1
Y el sesgo sería:
(102−103)+ (107−106)+ (106−106)+ (113−111)
Sesgo = 4
= 0.50
Para el método B, la DAM es también 1, pero el sesgo es 0; por lo tanto el método B es mejor. Bien puede
suceder que un método tenga una DAM menor, pero un sesgo mayor, o viceversa. En tales casos hay que
considerar las circunstancias de la situación, para determinar si la medida más importante es la DAM o
el sesgo.
CUADRADO DEL ERROR MEDIO (MSE del inglés mean squared error)
Es el promedio de las diferencias al cuadrado, entre el pronóstico y los valores observados.
(𝐅𝐢−𝐃𝐢)𝟐
MSE = ∑𝒏𝒊=𝟏 𝒏
MAPE (Mean Absolute Porcentual Error – Error Porcentual Medio Absoluto): Es la media absoluta
entre el pronóstico y los valores observados expresados como porcentaje de los valores observados.
Demanda Pronósticos−Demanda real
| |∗100 |(𝐹𝑖−𝐷𝑖)/𝐷𝑖|∗100
DAM = ∑𝑛𝑖=1 Demanda real
𝑛
= ∑𝑛𝑖=1 𝑛
DESVIACION ESTANDAR O ERROR ESTANDAR DE LA REGRESION

La desviación estándar es la medida de la dispersión de los valores pronosticados con respecto de la
demanda real.
La estimación se hace más precisa conforme el grado de dispersión alrededor del plano de regresión se
hace más pequeño. Para medirla se utiliza la fórmula:
∑𝑛
𝐼=1(Fi−Di)
2
σ=√ 𝑛−1
= 1.25 DAM
2
∑n ̂
i=1(Y− Y)
o utilizar la siguiente ecuación, que es equivalente: S = √
n−m−1
Y: Valores observados en la muestra
̂: Valores estimados a partir a partir de la ecuación de regresión

Y
n : Número de datos
m : Número de variables independientes
Ejemplo 5: La tabla siguiente muestra las ventas reales de sillas tapizadas que realizó un fabricante de
muebles y los pronósticos correspondientes a cada uno de los últimos ocho meses. Calcule usted el DAM,
El sesgo, MSE y la desviación estándar σ
Mes Demanda Pronostico Error Cuadrado del error Error absoluto

t Dt Ft Et Et2 |Et| (|𝐸𝑡 |/𝐷𝑡 ) ∗ 100
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3
Promedio 10.1625%
Solución: Usando las formulas correspondientes a cada una de las mediciones, tenemos:
Desviación absoluta media DAM = 195/8 = 24.4
Sesgo = -15/8 = -1.875
Cuadrado del error medio MSE = 5275/8 = 659.4
Porcentaje absoluto medio = 81.3/8 = 10.1625%

5275
Desviación estándar σ = √ 8−1 = 27.45

Pronos Ticos Series Tiempo

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Pronos Ticos Series Tiempo

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD SAN PEDRO

“ESTUDIA EL PASADO PARA PRONOSTICAR EL FUTURO”

La elaboración de pronósticos es el proceso de proyección de los valores de una o más variables en el

Pronóstico de la demanda: Series de Tiempo 1 Docente Mg. Ing. J. Paredes C.

También se podría clasificar a los pronósticos en términos de su posición en el entorno micro-macro, es

Selección de una técnica de pronóstico

Pronóstico de la demanda: Series de Tiempo 3 Docente Mg. Ing. J. Paredes C.

Técnicas de pronóstico para datos estacionarios

 Se puede lograr La estabilidad haciendo correcciones sencillas a factores como crecimiento de la

 La serie es un conjunto de errores de pronóstico, de una técnica de pronóstico que se considera

Técnicas de pronóstico para datos con una tendencia

Pronóstico de la demanda: Series de Tiempo 4 Docente Mg. Ing. J. Paredes C.

 El incremento en la población provoca un incremento en la demanda de bienes y servicios.

 Aumenta la aceptación en el mercado. Un ejemplo sería el periodo de crecimiento en el ciclo de

Técnicas de pronóstico para datos con estacionalidad

Las técnicas de pronóstico para datos estacionales se usan siempre que:

Técnicas de pronóstico para series cíclicas

Las técnicas de pronóstico para datos cíclicos se utilizan siempre que:

Pronóstico de la demanda: Series de Tiempo 5 Docente Mg. Ing. J. Paredes C.

Otros factores por considerar al elegir

Pronóstico de la demanda: Series de Tiempo 6 Docente Mg. Ing. J. Paredes C.

Elaboración de Pronósticos y Planeación de la Demanda

Pronóstico de la demanda: Series de Tiempo 7 Docente Mg. Ing. J. Paredes C.

o Respaldo de promoción comercial. La planeación de la demanda genera pronósticos dirigidos a la

Otros usos de los pronósticos

Importancia de los pronósticos

Para evaluar un sistema de pronósticos se lleva a cabo lo siguiente:

Métodos para pronosticar

Pronóstico de la demanda: Series de Tiempo 10 Docente Mg. Ing. J. Paredes C.

Pruebas de mercadotecnia o investigación de mercado: Se recopilan datos de varias maneras (encuestas,

Pronóstico de la demanda: Series de Tiempo 11 Docente Mg. Ing. J. Paredes C.

LOS PRONÓSTICOS Y EL CICLO DE VIDA DEL PRODUCTO

Ciclo de vida Introducción Crecimiento Madurez Declinación

Promedio móvil: El pronóstico se basa en un promedio aritmético o ponderado de un número de datos

Pronóstico de la demanda: Series de Tiempo 13 Docente Mg. Ing. J. Paredes C.

Pronóstico de la demanda: Series de Tiempo 14 Docente Mg. Ing. J. Paredes C.

característica, polinomios y papel a mediano y es utilizar un

Pronóstico de la demanda: Series de Tiempo 15 Docente Mg. Ing. J. Paredes C.

Modelos Econométricos. Un modelo econométrico es un sistema de ecuaciones de regresión

Pronóstico de la demanda: Series de Tiempo 16 Docente Mg. Ing. J. Paredes C.

Una tendencia es el patrón subyacente de crecimiento o declinación de una serie de tiempo.

Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cíclico) se combinan en

Diseño del sistema de pronósticos

Pronóstico de la demanda: Series de Tiempo 18 Docente Mg. Ing. J. Paredes C.

Horizonte de planeación de los pronósticos

Selección del tipo de técnica de pronóstico

Otros factores a considerar:

o El punto del ciclo de vida en que se encuentra el producto.

PATRONES DE DATOS EN SERIES DE TIEMPO

Una serie de tiempo es un conjunto de observaciones registradas en puntos sucesivos en el tiempo a lo

Estimación del promedio

PROMEDIOS MÓVILES SIMPLES

En términos específicos, el pronóstico correspondiente al periodo t+1 se puede calcular en la siguiente

Pronóstico de la demanda: Series de Tiempo 21 Docente Mg. Ing. J. Paredes C.

Donde Dt = Demanda real en el periodo t

PROMEDIO MÓVIL PONDERADO

Ft+1 = (ponderación para periodo n)*(demanda en periodo n)

Ft+1 = WtDt + Wt-1Dt-1 + Wt-2Dt-2 +…+Wt-k+1 Dt-k+1

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

F4 = 0.70*(1000)+0.20*(1400) + 0.10*(800) = 1060

Figura: Demanda proyectada de un promedio móvil ponderado

Ft + 1 =𝛼 (Demanda para este periodo) + (1 - 𝛼 ) (Pronóstico calculado para el último periodo)

Ft + 1 = 𝛼 (Demanda real actual) + (1 - 𝛼 ) (Pronóstico de la demanda previa)

La siguiente es una ecuación equivalente:

F4 = 0.70(1000)+0.20(1400) + 0.10*(800) = 1060