II.

PRONSTICOS DE LA DEMANDA
Un pronstico es una prediccin de acontecimientos futuros que se utiliza con
propsitos de planificacin. (Ritzman, Krajewki, Malhotra)
Los pronsticos de la demanda son proyecciones de la demanda de
productos o servicios de una compaa. Estos pronsticos, tambin llamados
pronsticos de venta, orientan la produccin, la capacidad y los sistemas de
programacin de empresa, as como en planeacin financiera, marketing y de
personal.
Son normalmente originados en el rea de marketing, ya que estos son quienes
estn ms cercanos a los clientes externos. Y estos mismos son de utilidad
para los clientes internos de la compaa en diferentes reas de esta misma.
Adems de proyectar demandas futuras, pueden ser tiles para conocer las
estrategias de los competidores, los cambios normativos y tecnolgicos,
tiempos de procesamiento, tiempos de espera de proveedores y perdidas de
calidad.
Hay que aclarar, que los pronsticos rara vez son perfectos y muchas veces
la realidad puede ser diferente a la proyectada u ocurren sucesos inesperados,
por lo que ser necesaria la bsqueda de actualizacin de sus planes.

IMPORTANCIA DEL USO DE PRONOSTICOS DE LA

DEMANDA
II.1.

En general el usar pronsticos de la demanda dentro de nuestra compaa nos

servir para varios aspectos y toma de decisiones en distintas reas de esta
misma.
Beneficios al usar pronsticos de la demanda:

Son aportes cruciales para los planes de negocio, planes anuales y los
presupuestos.
Ayuda a en el rea de Finanzas en la proyeccin de Flujos de efectivo y
las necesidad de capital.
El rea de recursos Humanos los utiliza para las necesidades de
contratacin, capacitacin de personal y despidos.
El rea de Produccin/operaciones los utiliza para planear los niveles de
produccin, compras de servicios y materiales, mano de obra y
programas de produccin, inventarios y capacidades a largo plazo.
Genera buenas relaciones tanto con clientes como proveedores, dando
asi ventajas de precio en materiales, transportes y mejora de utilidades.

CATEGORAS DE LOS PRONSTICOS SEGN SU TIEMPO.

Los pronsticos pueden clasificarse por el horizonte de tiempo futuro que se
cubre. Y dicho horizonte se clasifica en tres categoras.
1. A corto plazo.- Pronstico que tiene extensin de tiempo de hasta 1
ao, pero casi siempre es menor a 3 meses. Se usan para planear las
compras, programar el trabajo, determinar niveles de mano de obra,
asignar el trabajo, y decidir los niveles de produccin.
2. A mediano plazo.- tambin llamado a plazo intermedio, tiene una
extensin de entre 3 meses y 3 aos. Se utilizan para planear las ventas,
la produccin, el presupuesto, el flujo de efectivo, as como para analizar
diferentes planes operativos.
3. A largo plazo.- Casi siempre su extensin es de 3 aos o ms. Los
pronsticos a largo plazo se emplean para planear la fabricacin de
nuevos productos, gastos de capital, ubicacin o expansin de las
instalaciones, y para investigacin y desarrollo.

CARACTERSTICAS DE LOS PRONSTICOS SEGN HORIZONTE.

Los pronsticos a mediano y corto plazo manejan aspectos ms

generales y apoyan decisiones administrativas relativas a la planeacin
y los productos, plantas y procesos.

Los pronsticos a corto plazo usualmente emplean metodologa diferente

que el pronstico a largo plazo. Las tcnicas matemticas, como
promedios mviles, suavizacin exponencial y extrapolacin de
tendencias, son comunes las proyecciones a corto plazo.

Los pronsticos a corto plazo tienen a ser ms precisos que los de largo
plazo. Los factores que influyen en la demanda cambian todos los das.
Por lo tanto, a medida que el horizonte de tiempo se alarga, es ms
probable que la exactitud del pronstico disminuya. Entonces es
necesario afirmar que los pronsticos de ventas deben actualizarse
regularmente para mantener su valor e integridad. Despus de cada
periodo de ventas, los pronsticos deben revisarse y corregirse.

II.2. CARACTERSTICAS QUE DEFINEN A LA DEMANDA

El pronosticar la demanda del cliente es una tarea difcil para los negocios ya
que suelen variar considerablemente y dependern de distintos factores.
Las observaciones repetidas de la demanda de un producto o servicio en el
orden en que se realizan forman un patrn que se conoce como serie de
tiempo. En otras palabras, se trata de predecir el futuro con base en la
informacin pasada.

Los cuatro patrones bsicos de la mayora de las series de tiempo que definirn
la demanda son:
1. Tendencia.- El incremento o decremento sistemtico de la media de la
serie a travs del tiempo.

2. Estacional.- Un patrn repetible de incrementos o decrementos de la

demanda, dependiendo de la hora del da, la semana, el mes o la
temporada.
Existen 6 patrones comunes estacionales:
Periodo del patrn

Longitud de la estacin

Semana
Mes

Da
Semana

Mes
Ao
Ao
Ao

Da
Trimestre
Mes
Semana

Nmero de estaciones
en el patrn
7
44
28 - 31
4
12
52

3. Cclico.- Son patrones, detectados en los datos, que ocurren cada cierta
cantidad de aos, usualmente estn sujetos al ciclo comercial y son de
gran importancia para el anlisis y la planeacin del negocio a corto
plazo. La prediccin de los ciclos de negocios es difcil porque estos
pueden verse afectados por los acontecimientos polticos o
internacionales.
4. Aleatorio.- son seales generadas en los datos por casualidad o por
situaciones inusuales. No siguen ningn patrn discernible y, por lo
tanto, no se pueden predecir.

PROCEDIMIENTO PARA REALIZAR UN SISTEMA DE

PRONOSTICOS
El procedimiento bsico a seguir para realizar un sistema de pronstico son los
siguientes:
Tomando un ejemplo la determinacin de un sistema de pronsticos de la
asistencia en un parque de diversiones.
1. Determinar el uso del pronstico.
Para qu puedes utilizar tu pronostico?
El pronostico de asistencias puede ayudarte con la direccin del
personal, horarios de empleados y atracciones, suministro de productos
en venta, entre otros.

2. Seleccionar los aspectos que se deben pronosticar.

Qu otras predicciones se pueden derivar de tu sistema de pronsticos?
Con la prediccin de la asistencia al parque, tu puedes predecir aspectos
como la mano de obra que necesitaras, programacin de horarios y de
manteamiento.
3. Determinar el Horizonte de tiempo del pronostico
Es corto, mediano o largo plazo?
Dicho parque desarrolla pronsticos diarios, semanales y anuales.
4. Seleccionar los modelos de pronsticos.
Usa modelos cualitativos o cuantitativos?
En el ejemplo, el parque usa modelos cuantitativos.
5. Recopilar los datos necesarios para elaborar el pronstico.
Dicho parque se emplea a un determinado numero de analistas y
encuestadores para recopilar datos encuestando tanto personas como
negocios, asi como se encargan de recopilar datos que les ayudaran a
tener un pronostico mas confiable, tales como las llegadas de turistas al
pas, situacin econmica del pas, ofertas de aerolneas programas
vacacionales en las escuelas, etc.
6. Realizar Pronstico.
7. Validar e implementar los resultados.
Es vlido el modelo utilizado?Concuerda los pronosticado con la
realidad? Hay mucho error?

MODELOS DE PRONOSTICOS
Hay dos modelos generales para pronosticar:
1. Modelos cualitativos.- son los que utilizan una variedad de modelos
matemticos que se apoyan en datos histricos y/o variables casuales
para pronosticar la demanda.
2. Modelos Cuantitativos.- incorporan factores como la intuicin, las
emociones, las experiencias personales y el sistema de valores de quien
toma las decisiones para llegar a un pronstico. Son normalmente
utilizados cuando no existen datos histricos con el cual hacer nuestros
pronsticos cuantitativos o bien existen, pero no son demasiado tiles
cuando ocurren ciertos acontecimientos (como la presentaciones de
nuevos productos o paquetes especiales) se reflejan en los datos
pasados, o cuando se espera que ciertos acontecimientos ocurran en el
fututo. Dichos mtodos cuantitativos pueden utilizarse para la
modificacin de los modelos cualitativos, segn el caso de aplicacin. De
no existir estos modelos, los cuantitativos realizaran pronsticos poco
confiables.

Hay empresas que usan un tipo de enfoque y otras empresas el otro.

Pero la combinacin de ambos tipos de modelos resulta ms efectiva en
la mayora de los casos.

II.3.- MODELOS CUALITATIVOS

Se considerara cuatro modelos de pronstico cualitativos:
1. Juicio de opinin Ejecutiva
Con este mtodo se llega a una estimacin de la demanda con base a
opiniones de expertos o administradores, en ocasiones se combinan con
modelos estadsticos.
2. Mtodo Delphi.
Es un proceso para obtener el consenso dentro de un grupo de expertos,
al tiempo que se respeta el anonimato de sus integrantes. Esta forma de
pronsticos es til cuando no existen fatos histricos sobre los cuales
puedan desarrollarse modelos estadsticos y cuando los gerentes de la
empresa no tienen experiencia en la cual fundamentar proyecciones
bien informadas. Un coordinador enva preguntas a cada uno de los
miembros del grupo de expertos externos, quienes tal vez ignoran
quienes ms esta participando. El coordinador prepara un resumen
estadstico de las respuestas, adems de un sumario de los argumentos
que vienen a propsito de algunas de ellas. El informe se enva al mismo
grupo para otra ronda de opiniones y los participantes pueden modificar
sus respuestas anteriores si as lo desean. Las rondas continan gasta
llegar a un consenso.
Este mtodo se usa para elaborar pronsticos a largo plazo de la
demanda de productos y proyecciones de ventas de los nuevos
productos.
3. Estimacin del personal de ventas
Son pronsticos compilados a partir de estimaciones realizadas
peridicamente por miembros del personal de ventas de las compaas.
Este mtodo tiene varias ventajas:
El personal de ventas es el grupo que tiene mayores
probabilidades de saber que productos o servicios compraran los
clientes en el futuro cercano y en que cantidades.
Los territorios de ventas estn divididos a menudo por distritos o
regiones. La informacin desglosada de este modo puede ser til
para propsitos de administracin de inventarios, distribucin y
contratacin de personal de ventas.
Los pronsticos de individuos miembros del personal de ventas
pueden combinarse fcilmente para obtener las cifras
correspondientes a ventas regionales o nacionales.
Pero tambin hay desventajas:

Los prejuicios individuales de los vendedores pueden introducir

sesgos en el pronstico; adems, algunas personas son
optimistas por naturaleza y otras son ms cautelosas.
Es posible que el personal de ventas no siempre perciba la
diferencia entre lo que el cliente quiere (la lista de deseos) y
lo que el cliente necesita (Una compra necesaria).
Si la empresa utiliza las ventas individuales como medida del
desempeo, el personal de ventas puede subestimar sus
pronsticos para que su propio desempeo parezca bueno
cuando superen esas proyecciones, o para tener que
esforzarse solamente hasta alcanzar las ventas mnimas
requeridas.

4. Investigacin de mercado.
Este mtodo solicita informacin a los clientes o posibles consumidores
acerca de sus planes de compra futuros. Puede ayudar no solo a
preparar el pronstico, sino tambin a mejorar el diseo del producto y
la planeacin de nuevos productos. Sin embargo, los mtodos de
encuesta en el mercado de consumo y composicin de la fuerza de
ventas adolecen de un optimismo exagerado que surge de la
informacin de los clientes.

II.4. MODELOS CUANTITATIVOS

El modelo de pronstico cuantitativo que una empresa debe utilizar depende
los siguientes factores:
a)
b)
c)
d)
e)

El horizonte de tiempo que se va a pronosticar.

La disponibilidad de los datos.
La precisin requerida
El tamao del presupuesto de pronstico.
La disponibilidad de personal calificado.

Al seleccionar un modelo de pronstico, existen otros aspectos como el grado

de flexibilidad de la empresa (mientras mayor sea su habilidad para reaccionar
con rapidez a los cambios, menos preciso necesita ser el pronstico). Otro
aspecto es la consecuencia de un mal pronstico. Si una decisin importante
sobre la inversin de capital se basa en un pronstico, este debe de ser bueno.
Son cuatro modelos de pronsticos cuantitativos que abordaremos a
continuacin:
1) Enfoque intuitivo
2) Promedios mviles
3) Suavizacin exponencial

4) Regresin Lineal

1) Enfoque intuitivo
La forma ms simple de pronosticar, supone que la demanda del siguiente
periodo ser igual a la demanda del periodo ms reciente. En otras
palabras, si las ventas de un producto fueron de 50 unidades en enero,
podemos pronosticar que en febrero las ventas tambin sern de 50.
Este modelo cuantitativo en algunas lneas de productos son ms efectivos
en costos y ms eficientes con respecto al objetivo. Al menos ofrece un
punto de partida contra el cual comparar otros modelos ms sofisticados
que se utilicen despus.

2) Promedios mviles
Usa un nmero de valores de datos histricos reales para generar un
pronstico. Los promedios mviles son tiles si podemos suponer que la
demanda del mercado permanecer relativamente estable en el tiempo. Un
Promedio mvil de 4 meses se encuentra simplemente al sumar la demanda
medida durante los ltimos 4 meses y dividindola entre cuatro. Al concluir
cada mes, los datos del mes mas reciente se agregan a la suma de los 3
Meses previos y se elimina el dato del mes ms antiguo. Esta prctica
tiende a suavizar las irregularidades del corto plazo en las series de datos.
El promedio mvil simple (que sirve como estimacin de la demanda del
siguiente periodo) se expresa como:

Promedio mvil simple = demanda en los n periodos previos

n
Dnde:
n= es el nmero de periodos incluidos en el promedio mvil.
Ejemplo 1: Calcular el pronstico de promedio mvil de tres semanas para estimar la
llegada de pacientes a la clnica mdica durante la semana 4. Teniendo como datos las
llegadas de pacientes de las ltimas 3 semanas.
Solucin:
Semanas

Llegadas de
pacientes

1
2
3

400
380
411

(PRONOSTICO)
Promedio mvil de 3
semanas

(400+380+411)/3 =397

Ejemplo 2:
Una tienda de suministros para jardn quiere hacer un pronstico del ao con el promedio
mvil de 3 meses, incluyendo un pronstico para las ventas de cobertizos de enero del
prximo ao.
Solucin:
Mes

Ventas reales

Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero

10
12
13
16
19
23
26
30
28
18
16
14

(PRONOSTICOS)
Promedio mvil de tres
meses
(10+12+13)/3=11.67
(12+13+16)/3=13.67
(13+16+19)/3=16
(16+19+23)/3=19.34
(19+23+26)/3=22.67
(23+26+30)/3=26.34
(26+30+28)/3=28
(30+28+18)/3=25.34
(28+18+16)/3=20.67
(18+16+14)/3=16

Realizamos grafica comparativa de dato reales contra el promedio movil.

Ejemplo 3:
Calcular los pronsticos de promedio mvil de 3 y 9 semanas para estimar la demanda
teniendo los siguientes datos.

Sema
na
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Pronostico
Demand 3
9
a
Semana Semana
s
s
800
1400
1000
1500
1067
1500
1300
1300
1333
1800
1433
1700
1533
1300
1600
1700
1600
1367
1700
1567
1467
1500
1567
1500
2300
1633
1556
2300
1833
1644
2000
2033
1733

Pronostico
Seman Deman 3
9
a
da
Semana Semana
s
s
16
1700
2200
1811
17
1800
2000
1800
18
2200
1833
1811
19
1900
1900
1911
20
2400
1967
1933
21
2400
2167
2011
22
2600
2233
2111
23
2000
2467
2144
24
2500
2333
2111
25
2600
2367
2167
26
2200
2367
2267
27
2200
2433
2311
28
2500
2333
2311
29
2400
2300
2378
30
2100
2367
2378

Realizamos grafica comparativa de dato reales contra el promedio mvil.

Promedio mvil ponderado

Este mtodo cuantitativo se utiliza cuando se tiene un patrn o tendencia localizable.
Se usan ponderaciones para dar ms nfasis a los valores recientes. Esta prctica
permite que las tcnicas de pronsticos respondan ms rpido a los cambios, y por lo
general siguen la demanda de manera ms cercana.
Puesto que pueden darse mayor peso a los periodos ms recientes. La eleccin de las
ponderaciones es un tanto arbitraria porque no existe una frmula establecida para
determinarlas. Por lo tanto, decidir que ponderaciones emplear requiere cierta
experiencia. Por ejemplo, si el ltimo mes o periodo se pondera demasiado alto, el
pronstico puede reflejar un cambio grande inusual, demasiado rpido en el patrn de
demanda o de ventas.

Un promedio mvil ponderado puede expresarse matemticamente como:

Promedio mvil ponderado = (Ponderacin para el periodo n)(Demanda en el periodo n)

Ponderaciones

Ejemplo 1:
Calcular el promedio mvil ponderado de las ventas de una tienda departamental
teniendo como datos 4 meses consecutivos de ventas. dando ms peso a los datos ms
antiguos.
Solucin:
Ponderacin aplicada
1
2
3
4

Periodo
El ms antiguo
Hace 3 meses
Hace 2 meses
El ms reciente

10

Sumatoria de ponderaciones

Mes

Ventas reales

1
2
3
4

100
90
105
95

(PRONOSTICO)
Promedio mvil de 4 semanas

[(100x1)+(90x2)+(105x3)+(95x4)]/10= 97.5

El promedio mvil ponderado para el Mes 5 es de 97.5.

Ejemplo 2:
La tienda de suministro para jardn quiere pronosticar las ventas de cobertizos ponderando los
ltimos 3 meses, dando ms peso a los datos recientes para hacerlos mas significativos.
Solucin:

Ponderacin aplicada

Periodo

3
2
1

ltimo mes
Hace dos meses
Hace 3 meses

Sumatoria de ponderaciones

Pronsticos mvil ponderado = (3) (ventas del ultimo mes) + (2) (ventas de hace 2 meses) + (1) (ventas de hace 3 meses)
Suma de las ponderaciones

Mes
Enero
Febrero
Marzo

Ventas
reales
10
12
13

Abril

16

Mayo

19

Junio

23

Julio
Agosto

26
30

PM ponderado de 3 meses

[(3x13)+(2x12)+(10)]/6=
12.17
[(3x16)+(2x13)+(12)]/6=1
4.34
[(3x19)+(2x16)+(13)]/6=1
7
[(3x23)+(2x19)+(16)]/6=2
0.5
[(3x26)+(2x23)+(19)]/6

Septiemb
re
Octubre
Noviemb
re
Diciembr
e

28
18
16
14

[(3x30)+(2x26)+(23)]/6=2
7.5
[(3x28)+(2x30)+(26)]/6=2
8.34
[(3x18)+(2x28)+(30)]/6=2
3.34
[(3x16)+(2x18)+(28)]/6=1
8.67

Grafica de comparacin

Para concluir, Los promedios mviles son efectivos para suavizar las fluctuaciones
repentinas en el patrn de la demanda con el fin de obtener estimaciones estables. Sin
embargo, los promedios mviles presentan tres problemas:
1) Aumentar el tamao de n suaviza de mejor manera las fluctuaciones, pero resta
sensibilidad al mtodo ante cambios reales en los datos.
2) Los promedios mviles no reflejan muy bien las tendencias. Porque son
promedios, siempre se quedaran en niveles pasados, no predicen hacia niveles
ms altos ni ms bajos. Es decir, retrasan los valores reales.
3) Los promedios mviles requieren amplios registros de datos.

4) Suavizacin exponencial

En muchas aplicaciones de pronsticos (quizs en la mayor parte), las ocurrencias ms

recientes son ms indicativas del futuro que aquellas en el pasado ms distante. Este
supuesto quiere decir que la importancia de los datos disminuye conforme el pasado se
vuelve ms distante), es probable que el mtodo ms lgico y fcil sea la suavizacin
exponencial.
Es un sofisticado mtodo de pronstico de promedios mviles ponderado que sigue
siendo bastante fcil de usar. Implica muy pocos registros de datos histricos.
La frmula bsica para la suavizacin exponencial se expresa como sigue:

Nuevo pronostico = Pronostico del periodo anterior + (demanda real del mes anterior pronostico del periodo anterior)

En donde:
= ponderacin o constante de suavizamiento, elegida por quien pronostica, que tiene un
valor entre 0 y 1.
La frmula puede escribirse matemticamente como:

Ft = Ft-1+ ( At-1 Ft-1)

En donde:

Ft = Nuevo pronostico
Ft-1 = pronostico del periodo anterior
= constante de suavizamiento (o ponderacin) , 0 <= <= 1.
At-1 =demanda real en el periodo anterior

Ejemplo 1:
Suponga que el pronstico del mes pasado fue de 1050, si la demanda real del producto fue
de 1000, Qu pronostico tendr el mes presente con un = 0.05?
Solucin:

Ft-1 = 1050
= 0.05
At-1 =1000

Ft = Ft-1+ ( At-1 Ft-1)

Ft= 1050 + (.05) (1000-1050)
=1050 + (.05) (-50)
= 1047.5 unidades pronosticadas

Ejemplo 2:
En enero, un vendedor de automviles predijo que la demanda para febrero seria de 142 Ford
Mustang. La demanda real en febrero fue de 153 automviles. Usando la constante de
suavizamiento que eligi la administracin de =.20, el vendedor quiere pronosticar la
demanda para marzo usando el modelo de suavizamiento exponencial.
Solucin:

Ft = Ft-1+ ( At-1 Ft-1)

Ft-1 = 142

Ft= 142 + (.20) (153-142)

= 0.20

=142 + (.20) (11)

At-1 =153

= 144.2 automviles pronosticados para

Marzo.

Ejemplo 3:
Se desea saber el pronstico de descarga de granos en un puerto conocido, realizarlo
por medio de suavizacin exponencial para 9 trimestres, teniendo en cuenta que tu
pronstico para el primer trimestre fue de 175. Calcularlos con las constantes de
suavizacin de = 0.10 y = 0.50.Determinar que pronostico se acerca ms al real.
Solucin:
Trimestre
1
2
3
4
5

Descarga (ton)
Reales
180
168
159
175
190

6
205
7
180
8
182
9
presente
Grfico de comparacin

Pronostico = 0.10

Pronostico = 0.50

175
175+0.10(180-175)=175.5
175.5+0.10(168-175.5)=174.75
173.18
173.36

175
175+.50(180-175)=177.5
177.5+.50(168-177.5)=172.75
165.88
170.44

175.02
178.02
178.22
178.59

180.22
192.61
186.30
184.15

Podemos notar que la curva de nuestra constante de suavizacin = 0.10 es mas uniforme,
por lo que no tiene cambios drsticos y no se adapta a la demanda real. Por otra parte,
nuestra curva de =0.50 tiene mayor adaptacin a los cambios de los datos reales, y as,
mayor cercana a la curva de la demanda real siendo sus datos ms certeros.

Podemos concluir que:

Mientras ms alto sea el valor de alfa (), el pronstico ser

ms cercano a la realidad. Y mientras ms se acerque a la
demanda real, es ms probable sumar un factor de
tendencia.
Eleccin del valor apropiado para alfa ()
Se debe de dar un valor de entre 0 y 1.
Si la demanda real es estable (como la de electricidad
o alimentos) se desea un alfa pequea para
reducir los efectos de los cambios a corto plazo
o aleatorios.
Si la demanda real aumenta o disminuye con rapidez
(como artculos de moda), se desea un alfa alta
para tratar de seguirle el paso al cambio.

Efectos de tendencia en la suavizacin exponencial

Una tendencia hacia arriba o hacia abajo en los datos recopilados durante una secuencia
de periodos hace que el pronstico exponencial siempre se quede por debajo o atrs de

la ocurrencia real. Los pronsticos suavizados exponencialmente se pueden corregir

agregando un ajuste a las tendencias. Para corregir las tendencias, se necesitan dos
constantes de suavizacin. Adems de la constante , la ecuacin de la tendencia utiliza
una constante de suavizacin delta ( ) la delta reduce el impacto del error que ocurre entre
la realidad y el pronstico. Si no incluyen alfa ni delta, la tendencia reacciona en forma
exagerada ante los errores.

Ecuacin para calcular el pronstico incluido la tendencia (FIT, forecast including trend) es:
En donde:

FITt = Ft + Tt

Ft = pronstico de suavizado exponencialmente para el periodo t

Ft= FITt-1 + (At-1 FITt-1)

Tt = La tendencia suavizada exponencialmente para el periodo t

Tt= Tt-1 + (Ft FITt-1)

FITt-1 = El pronstico incluida la tendencia hecha para el periodo

anterior.
At-1 = La demanda real para el periodo anterior
= Constante de suavizacin.
= Constante de suavizacin.

Ejemplo 1:
Suponga una Ft inicial de 100 unidades, una tendencia de 10 unidades, un alfa de 0.20 y
una delta de 0.30.
Si la demanda real resulta ser de 115 en lugar de los 100 pronosticados, calcule el
pronstico para el periodo siguiente.
Solucin:
Al sumar el pronstico inicial y la tendencia, se obtiene
FIT1 = F1 + T 1 = 100 +10 = 110
La verdadera A1 se da como 115. Por lo tanto,
F2= FIT1 + (A1 FIT1)

= 110 + .2 (115-110) = 111.0

T2 = T1 + (F2 FIT1)
=10+.3(111-110) = 10.3

Ejemplo 2:

FIT2 = F2 + T2 = 111 + 10.3 = 121.3

Un importante fabricante quiere pronosticar la demanda de un equipo de control de la

contaminacin. Una revisin de las ventas histricas, como se muestra a continuacin,
indica que hay una tendencia creciente.
A las constantes de suavizamiento se les asigna alfa = .20 y Delta = .40 y se tiene un
pronstico inicial (mes 1= F1) de 11 unidades y una tendencia para el mismo mes T1) de 2
unidades.

Mes

Demanda
Real
(At)

Pronostico
Suavizado Ft

Tendencia
suavizada Tt

1
2
3
4
5
6
7
8
9
10

12
17
20
19
24
21
31
28
36
?

11
12.8
15.176
17.82
19.91
22.51
24.11
27.14
29.28
32.48

2
1.92
2.10
2.32
2.23
2.38
2.07
2.45
2.32
2.68

Pronostico
incluyendo
tendencia
FITt
13
14.72
17.28
20.14
22.14
24.89
26.18
29.59
31.60
35.16

Solucin;

Solucin;

Pronostique para el mes 2 (F2)

Pronostique para el mes 3 (F3)

F2= FIT1 + (A1 FIT1)

F3= FIT2 + (A2 FIT2)

=13+.20(12 13) = 12.8

=14.72+ .20(17-14.72)=15.176

Calcule la tendencia para el periodo 2 (T2)

Calcule la tendencia para el periodo 3 (T3)

T2 = T1 + (F2 FIT1)

T3 = T2 + (F3 FIT2)

=2+ .40(12.8-13)= 1.92

= 1.92+.40(15.176-14.72)=2.10

Calcule el pronstico incluyendo la tendencia (FIT2)

Calcule el pronstico incluyendo la tendencia (FIT3)

FIT2 = F2 + T2 = 12.8 + 1.92 = 14.72

FIT3 = F3 + T3 = 15.176+2.10 = 17.28

Realizar este procedimiento para cada periodo

(mes), hasta terminar tu sistema de pronsticos.

Grafica comparativa.

Con la grafica podemos darnos cuenta que nuestro pronostico con tendencia nos ayuda a
la aproximacion de los datos proyectados con los datos reales.

Medicion del error de pronosticos

La exactitud de los pronsticos (promedios mviles, suavizamiento exponencial u otro),

puede determinarse comparando estos con los datos reales.
Por lo tanto, la ecuacin para determinar el error de pronostico ser:
Error de pronostico = Demanda Real Valor
pronosticado
= At - Ft

Existen 3 medidas para calcular el error global de pronostico. Estas medidas pueden
usarse para comparar distintos modelos de pronostico, Asi como para vigilar los
pronsticos y asegurar su buen desempeo. Las tres medidas mas populares son:
1. MAD (desviacin absoluta media)
2. MSE (error cuadrtico medio)
3.MAPE (error porcentual absoluto medio)

Desviacin absoluta media (MAD)

Su valor se calcula sumando los valores absolutos de los errores individuales del
pronstico y dividiendo el resultado entre el nmero de periodos con datos (n):
MAD = I Real Pronostico l
n

Ejemplo:
Se desea saber el pronstico de descarga de granos en un puerto conocido, realizarlo
por medio de suavizacin exponencial para 9 trimestres, teniendo en cuenta que tu
pronstico para el primer trimestre fue de 175. Calcularlos con las constantes de
suavizacin de = 0.10 y = 0.50.Determinar que pronostico se acerca ms al real.

Solucin:
Trimestre

Descarga
(ton) Reales

180

168

159

175

190

6
7
8

205
180
182

Desviacin
Desviacion
Pronostico
Pronostico
absoluta para
absoluta para
= 0.10
= 0.50
= 0.10
= 0.50
175
175
180-175= 5
180-175=5
168-175.5=
168175.5
177.5
7.5
177.5=9.5
174.75
172.75
15.75
13.75
173.18
165.88
1.82
9.12
173.36
170.44
16.64
19.56
175.02
180.22
29.98
24.78
178.02
192.61
1.98
12.61
178.22
186.3
3.78
4.3

Suma de desviaciones
absolutas:

82.45
82.45/8
=10.31

MAD

98.62
98.62/8=
12.33

Con base a estos resultados, se elegir una constante de suavizacin de alfa = 0.10, ya
que esta tiene una MAD ms pequea.

Error Cuadrtico medio (MSE)

Es una segunda forma de medir el error global del pronostico. El MSE es el promedio de
los cuadrados de las diferencias encontradas entre los valores pronosticados y los
observados. Su frmula es:
MSE = (Errores de pronostico)2
n

Ejemplo:
El Gerente de operaciones del puerto quiere calcular el MSE para un alfa = .10
Desviacin
absoluta para
= 0.10
175
180-175= 5
168-175.5=
175.5
7.5
174.75
15.75
173.18
1.82
173.36
16.64
175.02
29.98
178.02
1.98
178.22
3.78
errores al cuadrado
MSE

Trimestre

Descarga
(ton) Reales

180

168

159

175

190

6
7
8

205
180
182

Suma de

Pronostico
= 0.10

(Error)2
(5)2 =25
(7.5)2=56.25
248.06
3.31
276.89
898.80
3.92
14.29
1526.52
190.82

Este Mtodo de clculo de error, no es muy recomendable, ya que exagera mucho este
mismo por la elevacin al cuadrado que se realiza, por lo que depender mucho de las
desviaciones, estn tienen que ser pequeas para ser mejor y as minimizarlo.

Error Porcentual absoluto medio

El problema tanto con el MAD y el MSE es que sus valores dependen de la magnitud del
elemento que se pronostica. Si el elemento pronosticado se mide en millares, los valores
de MAD y del MSE pueden ser muy grandes. Para evitar este problema, podemos usar el
error porcentual absoluto medio (MAPE). Este se calcula como el promedio de las
diferencias absolutas encontradas entre los valores pronosticados y los reales, y se
expresa como un porcentaje de los valores reales. Es decir, si hemos pronosticado n
periodos y los valores reales corresponden a esa misma cantidad de periodos, el MAPE
se calcula como:

MAPE = ni=1 100 l Reali Pronosticoil /

Reali
n

Ejemplo: El Puerto ahora quiere calcular MAPE cuando alfa = 0.10

Trimestre
1
2
3
4
5

6
7
8

Desviacion
Pronostico
absoluta
para Error porcentual absoluto
= 0.10
= 0.10
100(lErrorl/actual)
180
175
180-175= 5
100*(5/180)=2.78%
168-175.5=
168
175.5
7.5
100*(7.5/168)=4.46%
159
174.75
15.75
9.91%
175
173.18
1.82
1.04%
190
173.36
16.64
8.76%
205
175.02
29.98
14.62%
180
178.02
1.98
1.10%
182
178.22
3.78
2.08%
Suma de Errores
44.75%
MAPE
5.59%

Descarga
(ton) Reales

En conclusin:
MAPE expresa el error como un porcentaje de los errores
reales, sin que se distorsione por un solo valor muy grande.
Es quizs el mtodo ms fcil de interpretar.

II.5.- MONITOREO Y CONTROL DE PRONSTICO

Una manera de supervisar los pronsticos para asegurar que sean buenos es emplear
una seal de control. Una Seal de control es una medida de que tan bien predicen
los pronsticos los valores reales. Conforme los pronsticos se actualizan
semanales, mensuales o trimestrales, los nuevos datos disponibles de la
demanda se comparan con los valores pronosticados.
La seal de control se calcula como la RSFE (suma continua de errores del
pronstico) dividida entre la MAD (desviacin absoluta media).
Seal de control = __RSFE__
MAD
Seal de control = Sumatoria (Demanda real del periodo i Demanda pronosticada del
periodo i)
MAD

Las seales de control positivas indican que la demanda es

mayor que el pronstico.
Las seales de control negativas indican que la demanda fue
menor que el pronstico.
Una buena seal de control (una con RSFE baja), tiene casi
tanto error positivo como negativo para as equilibrarse entre
si para que la seal de control se centre muy cerca de cero.
Cuando se tiene una RSFE alta, sea que se tiene una
tendencia consistente a ser mayores o menores a los Datos
reales, se le llama error de sesgo.
Un sesgo ocurre cuando, por ejemplo, se usan variables o la
recta de tendencia incorrecta, o si se aplica de manera
incorrecta un ndice estacional.
Una vez calculadas las seales de control, se comparan para
determinar los lmites de control.
Si una seal de control excede el lmite inferior o superior,
existe un problema con el mtodo de pronstico y se debe
reevaluar la forma que se est pronosticando.
Si el modelo en uso es de suavizamiento exponencial, quiz la
constante de suavizamiento necesita reajustarse.

No existe una respuesta nica, pero intentan encontrar valores

razonables en otras palabras, limites que no sean tan bajos
como para enviar la seal con el mnimo error de pronostico ni
tan altos que dejen pasar pronsticos maos de manera regular.
Para que un pronstico este bajo control, se espera que el 89%
de los errores caiga dentro de 2 MAD, el 98% dentro de 3
MAD o el 99.9% dentro de 4 MAD. Por consiguiente, El lmite
de control sugerido es de 4 MAD.

Ejemplo:
Se requiere saber el desempeo del pronstico de ventas, los limites
aceptables son de 4 MAD.
Solucin:
Usando el pronstico y los datos de demanda para los ltimos 6 trimestres,
desarrollamos una seal de control en la tabla siguiente:

Trimestr
e

Demand
a Real

Demand
a
pronosti
cada

90

100

95

100

115

100

5
6

RSFE

Error
Absoluto
del
pronostico

Error absoluto
acumulado del
pronostico

MAD

seal de
control
(RSFE/MAD)

Error
90-100=10
95-100=5

-10
-10+(-5)=15

10

10

10+5=15

10/1=10
15/2=7.
5

100

15

-15+15=0

15

15+15= 30

30/3=10

110

-10

-10

10

40

10

-1

125

110

15

15

55

11

0.45

140

110

30

35

30

85

14.17

2.47

-10/10=-1
-15/7.5=-2

Error de pronostico = (demanda real Demanda

pronosticada)
RSFE = Error de pronostico acumulado
Error absoluto de pronostico = Error de pronostico
(positivos todos).
MAD = error absoluto acumulado del pronostico
n periodo actual
Seal de control = ___RSFE_ _
MAD
La seal de control oscila de -2 MAD a +2.5 MAD, por lo que concluimos que
est dentro de los lmites aceptables (4 MAD).

Anlisis de regresin Lineal

Puede definirse la regresin como una relacin funcional entre dos o mas
variables correlacionadas. Se utiliza para pronosticar una variable con respecto a
la otra. Por lo general, la relacin se desarrolla a partir de datos observados.
Primero es necesario graficar los datos para ver si aparecen lineales o si por lo
menos partes de los datos son lineales. La regresin lineal se refiere a la clase de
regresin especial en la que la relacin entre las variables forma una recta.
La recta de la regresin lineal tiene la forma:

Y = a +bX,
Dnde:
Y = el valor de la variable dependiente que se despeja.
a = es la secante (punto donde la recta cruza en el eje y)
b = es la pendiente (si es numero positivo se inclina a la derecha o
asciende, si es negativa esta se inclina a la izquierda o desciende)
X = variable independiente (en anlisis de serie de tiempo, las X son
las unidades de tiempo)

La regresin lineal es til para el pronstico a largo plazo de

eventos importantes, as como la planeacin agregada. Y este mtodo
tambin depende de los datos histricos pasados.

Error Estndar Estimado

Para determinar el error estndar estimado (que es la diferencia que nuestro
pronstico podr tener con respecto a los datos reales), o la forma en que la recta
se adapta a los datos es:

Sy,x = y2 - ay bxy
n-2
raz cuadrada de la divisin

Coeficiente de correlacin para rectas de regresin (r)

La ecuacin de regresin es una forma de expresar la naturaleza de la relacin
que hay entre dos variables. Las rectas de regresin no son relaciones de causa
y efecto, simplemente describen relaciones entre variables. La ecuacin de
regresin muestra la forma en que una variable se relaciona con el valor y los
cambios de otra variable.
Otra forma de evaluar la relacin entre dos variables consiste en calcular el
coeficiente de correlacin. Esta medida expresa el grado o la fuerza de la
relacin lineal entre ambas variables. Dicho coeficiente (r) puede ser cualquier
nmero entre +1 y -1,
La ecuacin para r es:
r=

n xy x*y__

___

[n x2 (x)2 ] [n y2 (y)2]

Ejemplo:
Las ventas de una lnea de productos en una empresa durante los 12 trimestres
de los ltimos 3 aos son las siguientes:
TRIMESTRE
1
2
3
4
5
6

VENTAS

TRIMESTRE

VENTAS

600
1550
1500
1500
2400
3100

7
8
9
10
11
12

2600
2900
3800
4500
4000
4900

Se desea pronosticar los cuatro trimestres del cuarto ao ( trimestre 13,14,15,16).

Solucin:
Se debe graficar los datos en una grfica de dispersin

Podemos notar que existe una relacin positiva entre la variable dependiente
(ventas) y la variable independiente (Tiempo). Esto significa, que conforme pasa el
tiempo, mayores sern nuestras ventas.

Ahora encontraremos la recta de tal manera que los errores o acercamiento de los
puntos con la recta sean mnimos.
Ecuacin de la recta:
Y = a +bx
Para encontrar a y b utilizaremos el mtodo de mnimos cuadrados, siendo las
ecuaciones:
Dnde:

a = Secante de Y

a= -

b XX

b = xy - n XX *
x2 nXX2

b = pendiente de la recta
= promedio de todas las y
XX = promedio de todas las x

x= valor de x de cada punto de datos

y= valor de y de cada punto de datos
n = nmero de puntos de datos
Y= valor de la variable dependiente
calculada con la ecuacin de regresin.

Anlisis de regresin de mnimos cuadrados.

TRIMESTRE VENTAS
(X)
(y)

1
2
3
4
5
6
7
8
9
10
11
12

600
1550
1500
1500
2400
3100
2600
2900
3800
4500
4000
4900

xy
600
3100
4500
6000
12000
18600
18200
23200
34200
45000
44000
58800

x= 78

y=
33350

xy=
268200

X2
1
4
9
16
25
36
49
64
81
100
121
144

360000
2402500
2250000
2250000
5760000
9610000
6760000
8410000
14440000
20250000
16000000
24010000

x2
=650

y2=
112502500

PRONOSTI
CO
Y = a+ bx
801.3
1160.9
1520.5
1880.1
2239.7
2599.4
2959
3318.6
3678.2
4037.8
4397.4
4757.1

X = 78/12 = 6.5
= 33350/12 = 2779.17

Teniendo los datos del anlisis de mnimos cuadrados, podemos calcular nuestra a
y b dndonos como resultado:
b = (268200) (12)(6.5)*(277917) =
359.62

a= - b XX

650 (12)* (6.5)2

b = xy - n XX *
x2 nXX2

a = 2779.17 (359.62 * 6.5) =

441.67

Teniendo dichos valores, podemos pronosticar nuestros datos para el trimestre13,

14, 15 y 16.
Y13= 441.67+359.62 (13) = 5116.73
Y14 = 441.67+359.62 (14) = 5476.35
Y15 = 441.67+359.62 (15) =5835.97

Y16 = 441.67+359.62 (16) = 6195.59

Graficamos nuevamente con nuestros pronsticos para verificar la recta resultante
dndonos como resultado:

De tal manera que con nuestros resultados, trazamos la mejor recta, esa con la
que nuestros mrgenes de error que ocurren entre pronostico y datos reales sean
mnimos.

Nuestro error estndar de estimacin:

Sy,x = y2 - ay bxy
n-2

Sy,x = 112502500 (441.67*33350) (359.62*268200)

= 363.9
12-2

Nuestro error estndar de estimacin ser de 363.9.

Nuestra correlacin entre variables es:

r=

n xy x*y__

___

[n x2 (x)2 ] [n y2 (y)2]
r = ____12*268200 78*33350______
= 0.97
[12*650 - 782 ] [12*112502500 - 333502]

Nuestro resultado de correlacin fue de .97, lo que indica que existe una fuerte
correlacin positiva entre las variables X y Y.