1

U2: PRONSTICO DE LA DEMANDA.

1. INTRODUCCIN:
Los pronsticos son vitales en toda organizacin empresarial con el fin de tomar decisiones gerenciales
importantes. El pronstico constituye la base de la planificacin a largo plazo.
Produccin lo utiliza para tomar decisiones peridicas para seleccionar los procesos, planificar la
capacidad y disposicin de las instalaciones, as como la planificacin de la produccin su programacin
e inventario.
Debe tenerse en cuenta que un pronstico perfecto es imposible, ya que existen varios factores que no
pueden predecirse con certeza. En consecuencia, en lugar de buscar un pronstico perfecto, es mucho
ms importante establecer una prctica para revisarlos en forma continua y tratar de encontrar y utilizar
el mejor mtodo de pronstico disponible.
Para realizar un pronstico, una buena estrategia es usar dos o tres mtodos y observarlos desde el
punto de vista del sentido comn. Una revisin continua y una actualizacin de los nuevos datos son
bsicos para llevar a cabo un pronstico exitoso.
El propsito de la administracin de la demanda es coordinar y controlar todas las fuentes de
demanda, de manera tal que el sistema productivo pueda utilizarse en forma eficiente, y el producto se
despache en tiempo y forma.
Existen dos fuentes bsicas de demanda: la demanda dependiente y la demanda independiente.
La dependiente es la demanda de un producto o servicio causada por la demanda de otros productos o
servicios. Por ejemplo, si una firma vende 1.000 triciclos, se necesitarn 1.000 ruedas delanteras y
2.000 ruedas traseras. Este tipo de demanda, interna no necesita un pronstico sino simplemente una
tabulacin.
Se denomina demanda independiente, a la cantidad de triciclos que podra vender una firma, ya que
no puede obtenerse directamente de la demanda de otros productos.
Una firma no puede influir mucho sobre la demanda dependiente. Pero, se puede hacer bastante
respecto de la demanda independiente, a saber:
1. Asumir un papel activo para influir en la demanda. La firma puede presionar sus ventas
ofreciendo incentivos a los clientes o a su propio personal, o emprender campaas para
vender productos reduciendo los precios. Inversamente la demanda puede disminuir cuando
se incrementan los precios o cuando se reducen las presiones de venta.
2. Asumir un papel pasivo para responder a la demanda. Existen varios motivos para que una
firma puede tratar de no cambiar la demanda y aceptar lo que ocurra. Si una empresa est
funcionando a su capacidad total, puede desear no hacer nada con respecto a la demanda.
Es necesario aplicar una buena coordinacin para manejar las demandas dependiente, independiente
(activa y pasiva). sta se origina interna y externamente, en forma de ventas de nuevos productos, en
reparacin de partes de productos vendidos por servicio de posventa, en reposicin de existencias de
los depsitos de la fbrica y en el suministro de productos para fabricacin. El principal inters de esta
unidad es el pronstico para artculos independientes.
2. TIPOS DE PRONSTICO:
El pronstico se puede clasificar en cuatro tipos bsicos:
1. Cualitativo: est basado en clculos y opiniones (son subjetivas).
2. Series de tiempo: se basa en la idea de que los datos relacionados con la demanda anterior
pueden utilizarse para predecir la demanda futura (es el enfoque de esta unidad).

2
3. Causal: supone que la demanda est relacionada con otros factores del medio y es analizada
utilizando la tcnica de regresin lineal.
4. Simulacin: permite a los que analizan el pronstico, examinar una serie de supuestos sobre la
condicin de un pronstico.
En el siguiente cuadro se describe parcialmente una variedad de los cuatro tipos bsicos de pronstico.
En esta unidad se examinarn solamente los mtodos de anlisis de las series de tiempo y la tcnica
causal.
Tcnicas de pronsticos:
1. Tcnica Cualitativa: Est basada en clculos y opiniones.
Pronstico fundamental
Se realiza con la informacin de las personas que se encuentran al final
de la lnea jerarqua, combinando las informaciones de cada vendedor.
Investigacin de mercado
Se recopilan los datos de varias encuestas y entrevistas, para probar
hiptesis del mercado. Esto se usa para proyectar las ventas de nuevos
productos a largo plazo.
Consenso de grupo
El intercambio de ideas abierto y libre, en grupos heterogneos produce
mejores pronsticos que los de nivel individual.
Analoga histrica
Es importante en la planificacin de nuevos productos donde se puede
obtener un pronstico mediante el uso de la historia conocida de otro
similar.
Mtodo Delfi
Un grupo de expertos responde a un cuestionario, y un moderador
recopila los resultados y formula un nuevo cuestionario. De esta
manera se realiza un proceso de aprendizaje para el grupo en la
medida en que ste recibe nueva informacin y adems no existe
influencia por presiones del grupo o individuos dominantes.
2. Tcnica de Anlisis de las series de tiempo (mtodo proyectivo). Se basa en la historia de los
eventos ocurridos en el tiempo, los que pueden ser utilizados para predecir el futuro.
Promedio simple
Un periodo de tiempo que contiene una serie de puntos de datos se
promedia dividiendo la suma de los valores de los puntos por el nmero
de los mismos. En consecuencia, cada uno tiene igual influencia.
Promedio ponderado
Los puntos especficos pueden ponderarse ms o menos que los otros,
segn parezca ajustado de acuerdo con la experiencia.
Ajuste exponencial
Los puntos de datos recientes se ponderan ms con una ponderacin
que disminuye de manera exponencial en la medida en que los datos
se hacen antiguos.
Anlisis de regresin
Ajusta una lnea recta a los datos anteriores que se refieren
generalmente al valor de los datos con el tiempo. La tcnica de ajuste
ms comn es la de los cuadrados mnimos.
3. Tcnica Causal. Trata de entender el sistema que rodea la cuestin que est siendo pronosticada.
Por ejemplo, las ventas pueden verse afectadas por la publicidad, la calidad y la competencia.
Anlisis de regresin
Es similar al mtodo de los cuadrados mnimos en las series de tiempo,
pero contiene otras variables basadas en que el pronsticos y las
ocurrencias de otros eventos.

3
4. Tcnica de los Modelos de simulacin
Son modelos dinmicos informatizados que permiten lograr el
pronstico con suposiciones de las variables internas y del medio
externo del modelo. Dependiendo de las variables del modelo, quien
hace el pronstico puede preguntarse: Qu le ocurrira a mi pronstico
si el precio se incrementa un 10 %?, o Qu efecto tendra en mi
pronstico una recesin nacional moderada?
3. COMPONENTES DE LA DEMANDA:
En la mayora de los casos, la demanda de productos y servicios puede dividirse en seis componentes:
1.
2.
3.
4.
5.
6.

demanda promedio para el periodo,

tendencia,
elemento estacional,
elementos cclicos,
variacin aleatoria y
auto correlacin.

La Fig. 2 ilustra una demanda sobre un periodo de cuatro aos, mostrando el promedio, la tendencia,
los componentes estacionases y la aleatoriedad que estn alrededor de la curva de demanda ajustada.

Fig. 2
Los factores cclicos son difciles de determinar ya que el lapso de tiempo no se conoce. La influencia
cclica sobre la demanda puede provenir de eventos como las elecciones polticas, las guerras, las
condiciones econmicas o las presiones sociolgicas.
Las variaciones aleatorias se producen por hechos del azar. Estadsticamente, cuando todas las
causas conocidas de la demanda (promedio, tendencia, estacionalidad, ciclo y autocorrelacin) se
sustraen de la demanda total lo que queda es la porcin inexplicada de la misma. Si no se puede
identificar la causa de este remanente, se supone que es puramente cuestin de azar.
La auto correlacin denota la persistencia del evento. Especficamente, el valor esperado en cualquier
punto est muy correlacionado con sus propios valores anteriores. En la teora de la lnea de espera, la
longitud de dicha lnea est altamente autocorrelacionada. Esto es, si una lnea es relativamente larga
en un tiempo dado, poco tiempo despus se espera que siga siendo larga.
Cuando la demanda es aleatoria, puede variar mucho de una semana a otra. Cuando existe alta
autocorrelacin, se espera que la demanda no cambie mucho de una semana a la siguiente.
Las lneas de tendencia son el punto de partida del desarrollo de un pronstico. Estas lneas se ajustan
de acuerdo a los efectos estacionases, al ciclo y cualquier otro evento esperado que pueda influir el
pronstico final. La Fig.3 muestra los cuatro tipos ms comunes de tendencias.

4
Una tendencia lineal es una relacin continua.
Una curva en S es tpica del crecimiento de un producto y de su ciclo de madurez. El punto ms
importante de la curva en S es el lugar donde la tendencia cambia de un crecimiento lento a uno rpido,
o de rpido a lento.
Una tendencia asinttica se inicia al comienzo, con el ms alto crecimiento de la demanda, pero luego
disminuye. Una curva as puede presentarse cuando una firma entra a un mercado existente con el
objeto de saturar y capturar una gran cuota del mismo.
La curva exponencial es comn en productos con crecimiento explosivo. La tendencia exponencial
sugiere que las ventas continuarn creciendo.
Un mtodo de pronstico ampliamente utilizado es el de representar los datos y luego buscar la
distribucin estndar que mejor se ajuste (lineal, curva en S, asinttica o exponencial).
Algunas veces los datos no parecen ajustarse a ninguna de las curvas estndar. Para estos casos, es
posible obtener un pronstico simple pero en ocasiones efectivo, mediante el mtodo sencillo de
representar grficamente los datos.

Fig.3
4. TCNICAS CUALITATIVAS DEL PRONSTICO:
Pronstico fundamental
Tal como se indica en la Fig.1, el pronstico fundamental forma la proyeccin agregando niveles
sucesivos desde abajo. Aqu se supone que la persona ms cercana al cliente o la utilizacin final del
producto conocen mejor sus necesidades futuras. Aunque esto no es siempre cierto, en muchos casos
es una suposicin vlida y es la base de este mtodo.
Los pronsticos efectuados en este nivel desde abajo, se suman y se pasan al nivel siguiente superior.
ste puede ser el caso de un depsito zonal que incluye los lotes de seguridad y cualquier otro efecto
para ordenar los tamaos y las cantidades almacenadas.

5
Esta cantidad se pasa luego al siguiente nivel, que puede ser un depsito regional. Este procedimiento
se repite hasta que se transforma en una entrada al nivel superior, que para el caso de una firma de
manufactura, sera la entrada al sistema de produccin.
Investigacin de mercado
Con frecuencia, las empresas contratan compaas externas especialistas en investigacin de
mercado, para que se realice este tipo de pronstico. Incluso nosotros pudimos haber sido involucrado
en encuestas de mercado efectuadas por estos especialistas en mrqueting mediante llamadas
telefnicas en las cuales se preguntan las preferencias en cuanto a los productos, a sus ingresos,
hbitos, etc.
La investigacin de mercado se utiliza para investigar productos en el sentido de buscar nuevas ideas,
gustos respecto de los productos existentes, preferencias sobre productos competitivos dentro de una
clase particular. Aqu, los mtodos de recopilacin de datos son principalmente las encuestas y las
entrevistas.
Consenso de grupo
En un consenso de grupo, la idea de que dos cabezas piensan mejor que una se extrapola a aquella
de que un grupo de personas de varias posiciones puede desarrollar un pronstico ms confiable que la
de un grupo ms pequeo. Los pronsticos de grupo se desarrollan a travs de reuniones abiertas con
libre intercambio de ideas con todos los niveles de gerencia y otras personas.
La dificultad que se presenta es que los empleados de niveles inferiores se sienten intimidados por los
niveles de gerencia superiores. Por ejemplo, un vendedor de una determinada lnea de productos puede
tener un buen clculo de la demanda futura, pero no se atreve a refutar un clculo diferente formulado
por el vicepresidente de mrqueting.
La tcnica Delfi se desarroll para tratar de corregir este deterioro de la informacin. Cuando las
decisiones en el pronstico se toman a un nivel alto, se utiliza por lo general el trmino criterio
ejecutivo. El trmino se explica porque un nivel superior de gerencia se halla involucrado.
Analoga histrica
Al tratar de proyectar la demanda de un nuevo producto, se trata de utilizar como modelo un producto
ya existente.
Es posible haber recibido productos publicitarios por correo de una categora similar a la de un producto
comprado a travs de catlogo o pedido por correo.
Si se compra un CD por correo, se recibir ms correo sobre CD y sobre aparatos de CD. Una relacin
causal (enumerada en la Fig.1 parte III) sera que la demanda de CD es causada por la demanda de
aparatos de CD. Una analoga sera proyectar la demanda de aparatos digitales de video analizando la
demanda histrica de VCR estereofnicos.
Los productos se encuentran dentro de la misma categora general de los electrnicos y los clientes
pueden comprarlos a precios similares.
Un ejemplo ms sencillo sera el de las tostadoras y las cafeteras. Una empresa que ya produce
tostadoras y desea producir cafeteras podra utilizar la historia de las tostadoras como modelo de
crecimiento semejante.
Mtodo Delfi
Tal como se mencion en el consenso de grupo, la opinin de una persona de nivel superior tendr ms
peso que la de una de menor nivel.

6
El peor de los casos es cuando las personas de menor nivel se sienten amenazadas y no expresan sus
creencias verdaderas.
Para evitar este problema, el mtodo Delfi oculta la identidad de los individuos que participan en el
estudio, y todas las opiniones tienen el mismo peso.
En el procedimiento, un moderador crea un cuestionario y lo distribuye entre los participantes. Las
respuestas se suman y se le devuelven a todo el grupo junto con una nueva serie de preguntas.
La Rand Corporation desarroll el mtodo Delfi en la dcada de los aos 50. El procedimiento paso a
paso es el siguiente:
1. Escoger a los expertos que van a participar. Debe haber una variedad de personas con
conocimientos en las diferentes reas.
2. A travs de un cuestionario obtener los pronsticos de todos los participantes.
3. Resumir los resultados y redistribuirlos a los participantes junto con las nuevas preguntas
apropiadas.
4. Resumir de nuevo, refinar los pronsticos y condiciones y desarrollar nuevas preguntas.
5. Repetir el paso cuatro si es necesario. Distribuir los resultados finales a todos los
participantes.
La tcnica Delfi puede lograr resultados satisfactorios en tres vueltas. El tiempo requerido es cuestin
del nmero de participantes, y del trabajo que necesitan para desarrollar sus pronsticos y la rapidez
para responder.
Gua para la seleccin de un mtodo de pronstico apropiado
Mtodo
de pronstico

Cantidad
de datos histricos

Ajuste exponencial
Simple

5 a 10 observaciones
para fijar la ponderacin

Modelos de la
tendencia de
regresin

10 a 20 observaciones;
para la estacionalidad,
por lo menos 5 por
trimestre

Tendencia y
estacionalidad

Modelos de
regresin causal

10 observaciones por
variable independiente

Puede manejar
Corto, mediano o
patrones complejos largo.

Largo tiempo para el

desarrollo, corto para
la puesta en ejecucin

Sofisticacin
considerable

Maneja patrones
cclicos y
estacionases
puede identificar
los puntos crticos

Corto tiempo para la

moderacin

Poca sofisticacin

Descomposicin
de las series de
tiempo

Suficiente para ver 2

picos y simas

Patrn
de los datos

Horizonte
de pronstico

Los datos deben

ser estacionarios

Tiempo
de preparacin

Antecedente
del personal

Corto

Corto

Poca sofisticacin

Corto a mediano

Corto

Sofisticacin
moderada

Corto a mediano

Fig. 4
5. ANLISIS DE LAS SERIES DE TIEMPO:
Los modelos de pronstico de las series de tiempo tratan de predecir el futuro en base a los datos
pasados. Por ejemplo, las cifras de ventas recopiladas por cada una de las seis semanas anteriores
pueden utilizarse para proyectar los trimestres futuros. Aun si ambos ejemplos se refieren a las ventas,
es probable que se utilicen diferentes modelos de series de tiempo para el pronstico.
Aunque los trminos tales como corto, mediano y largo plazo son relativos segn el contexto en el cual
se utilizan, en el pronstico a corto plazo se refiere comnmente a menos de tres meses, el mediano
plazo de tres meses a dos aos, y el largo plazo a ms de dos aos.
Por lo general, los modelos a corto plazo se compensan con la variacin aleatoria y se ajustan para los
cambios a corto plazo, tales como las respuestas de los consumidores sobre un nuevo producto.

7
Los pronsticos a mediano plazo son tiles para los efectos estacionases, y los modelos a largo plazo
detectan las tendencias generales y son tambin muy tiles en la identificacin de los principales puntos
crticos. La seleccin de un modelo de pronstico por parte de una firma depende:
1.
2.
3.
4.

Del horizonte de tiempo para realizar el pronstico.

De la disponibilidad de los datos.
De la exactitud requerida.
Del tamao del presupuesto del pronstico.

Al seleccionar un modelo, se deben tener en cuenta otros temas como el grado de flexibilidad de la
firma, ya que cuanto ms grande sea la capacidad para reaccionar con rapidez, menor ser la
necesidad de que el pronstico sea exacto).
Si la decisin sobre una gran inversin de capital va a basarse en un pronstico, ste debe ser
excelente.
Promedio de movimiento simple
Cuando la demanda de un producto no est aumentando ni disminuyendo con rapidez, y si no tiene
caractersticas estacionases, un promedio del movimiento puede ser til para suprimir las fluctuaciones
aleatorias del pronstico.
A menudo los promedios del movimiento estn centralizados, y es ms conveniente utilizar los datos
anteriores para predecir el periodo siguiente. Como ejemplo, un promedio centralizado de cinco meses:
enero, febrero, marzo, abril y mayo, da un promedio centralizado en marzo.
Sin embargo, los cinco meses de datos deben existir ya. Si el objetivo es proyectar para junio, de alguna
manera se debe hacer un pronstico del promedio de movimiento de marzo a junio. Si el promedio no
est centralizado pero se encuentra en el extremo delantero, el pronstico se puede hacer con ms
facilidad, aunque se pierda algo de exactitud.
De esta manera, si la idea es pronosticar junio con un promedio de movimiento de cinco meses, se
puede tomar el promedio de enero, febrero, marzo, abril y mayo. Pasado junio, el pronstico para julio
sera el promedio de febrero, marzo, abril, mayo y junio. As se calcularon las Fig. 5 y 6.
SEMANA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

DEMANDA
800
1.400
1.000
1.500
1.500
1.300
1.800
1.700
1.300
1.700
1.700
1.500
2.300
2.300
2.000

3 SEMANAS

9 SEMANAS

1.067
1.300
1.333
1.433
1.533
1.600
1.600
1.567
1.567
1.633
1.833
2.033

1.367
1.467
1.500
1.556
1.644
1.733

SEMANA
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Fig. 5

Fig.6

DEMANDA
1.700
1.800
2.200
1.900
2.400
2.400
2.600
2.000
2.500
2.600
2.200
2.200
2.500
2.400
2.100

3 SEMANAS
2.200
2.000
1.833
1.900
1.967
2.167
2.233
2.467
2.333
2.367
2.367
2.433
2.333
2.300
2.367

9 SEMANAS
1.811
1.800
1.811
1.911
1.933
2.011
2.111
2.144
2.111
2.167
2.267
2.311
2.311
2.378
2.378

8
Aunque es importante seleccionar el mejor periodo para el promedio de movimiento, existen varios
efectos contradictorios de las diferentes extensiones de los periodos: cuanto ms largo sea el periodo
del promedio de movimiento, mayores sern los elementos aleatorios que se ajusten (lo cual puede ser
aconsejable en muchos casos).
Pero si existe una tendencia en los datos, ya sea creciente o decreciente, el promedio de movimiento
tiene las caractersticas adversas de retrasar la tendencia. En consecuencia, aunque un lapso ms corto
produce una mayor oscilacin, existe un seguimiento ms cercano de la tendencia. De manera inversa,
un lapso ms largo proporciona una respuesta ms ajustada pero retrasa la tendencia.
La frmula de un promedio de movimiento simple es la siguiente:
i=n

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

n

A ti

i =1

Donde:
Ft =
n=
A t-1 =
A t-2, A t-3 y A t-n =

Pronstico para el periodo siguiente.

Nmero de periodos a ser promediado.
Demanda real en el periodo anterior.
Demandas reales de dos, tres y n periodos atrs.

La Fig.6, es una representacin grfica de los datos de la Fig.5, y muestra los efectos de varias
extensiones del periodo de un promedio de movimiento. Se observa que la tendencia de crecimiento
disminuye aproximadamente en la semana 23. El promedio de movimiento de tres semanas responde
mejor al seguir este cambio, que el promedio de nueve semanas, aunque en general el promedio de
nueve semanas es ms uniforme.
La principal desventaja al calcular un promedio de movimiento es que cada uno de los elementos debe
llevarse como dato porque un nuevo periodo de pronstico implica la adicin de nuevos datos y la
disminucin de los datos anteriores. Para un promedio de movimiento de tres o de seis periodos, esto
no es demasiado severo. Pero la representacin grfica de un promedio de movimiento de 60 das para
el tratamiento de cada uno de los 20.000 artculos que hay en inventario implicara una cantidad
considerable de datos.
Promedio de movimiento ponderado
Mientras que el promedio de movimiento simple da igual ponderacin a cada componente de la base
de datos, un promedio de movimiento ponderado permite que todas las ponderaciones se apliquen a
cada elemento, siempre y cuando, la suma de todas ellas sea igual a 1.
Por ejemplo, un almacn puede encontrar que, en un periodo de cuatro meses, el mejor pronstico se
obtiene utilizando el 40% de sus ventas reales para el ltimo mes, el 30% para dos meses atrs, el 20%
para tres meses atrs y el 10% para cuatro meses atrs.
Si las ventas mensuales reales fueron:
Mes 1

Mes 2

Mes 3

Mes 4

Mes 5

100

90

105

95

10%

20%

30%

40%

El pronstico para el mes 5 sera:

F5 = 0,40 (95) + 0,30 (105) + 0,20 (90) + 0,10 (100) =
= 38 + 31,5 + 18 + 10
= 97,5
La frmula del promedio de movimiento ponderado es:
i=n

Ft = Wl. A t-1 + W2. A t-1 + ... + Wn . A t-n

i =1

W i . A ti

9
donde:
W1 = Ponderacin que se le dar a la demanda real para el periodo t 1.
W2 = Ponderacin que se le dar a la demanda real para el periodo t 2.
Wn = Ponderacin que se le dar a la demanda real para el periodo t n.
n = Nmero total de periodos del pronstico.
Aunque muchos periodos pueden ignorarse (sus ponderaciones son cero) y el esquema de ponderacin
puede ir en cualquier orden (los datos ms distantes pueden tener ponderaciones mayores que los ms
recientes), pero la suma de todas stas debe ser igual a 1.
i= n

Wi

=1

i=1

Supongamos que las ventas para el mes 5 pasaron realmente a 110. Entonces, el pronstico para el
mes 6 sera:
F6 = 0,40 (110) + 0,30 (95) + 0,20 (105) + 0,10 (90)
= 44+28,5+21+9
= 102,5
Seleccin de las ponderaciones: La experiencia, la prueba y el error, son las formas ms sencillas
para escoger las ponderaciones. Como norma general, el pasado ms reciente es el indicador ms
importante de lo que se espera en el futuro, y en consecuencia debe tener una mayor ponderacin.
Los ingresos o la capacidad de la planta en el ltimo mes, por ejemplo, seran un mejor clculo para el
prximo mes, que los ingresos o la capacidad de la planta de varios meses atrs.
Sin embargo, si los datos son estacionales, las ponderaciones deben establecerse en consecuencia.
Las ventas de vestidos de bao en diciembre del ltimo ao deben tener una mayor ponderacin que
las de julio (en el hemisferio sur).
El promedio de movimiento ponderado tiene una ventaja sobre el promedio de movimiento simple en el
hecho de ser capaz de variar los efectos de los datos anteriores. Pero, es ms costoso de usar que el
mtodo de ajuste exponencial, que se examinar a continuacin.
Ajuste exponencial
En los mtodos anteriores de pronstico (promedio de movimiento simple y ponderado) el principal
inconveniente es la necesidad de manejar continuamente una gran cantidad de datos histricos.
En dichos mtodos, en la medida en que se agrega una nueva porcin de datos, la observacin anterior
disminuye y se calcula el nuevo pronstico.
En muchas aplicaciones, las ocurrencias ms recientes son ms indicativas del futuro que las que se
encuentran en un pasado ms distante. Si esta premisa es vlida, el ajuste exponencial puede ser el
mtodo ms lgico y fcil de utilizar.
La razn por la cual este mtodo se llama ajuste exponencial es que cada incremento del pasado
disminuye en (1 - ). Si es 0,05, las ponderaciones para los diferentes periodos seran las siguientes:
Ponderacin en = 0,05
0

Ponderacin ms reciente

(1 - )

0,0500
1

Datos anteriores en un periodo de tiempo

(1 - )

0,0475

Datos anteriores en dos periodos de tiempo =

(1 - )

0,0451
3

Datos anteriores en tres periodos de tiempo =.......

(1 - )

En consecuencia, los exponentes 0, 1, 2, 3,... le dan su nombre.

0,0429

10
El ajuste exponencial es la ms utilizada de todas las tcnicas de pronstico. Es parte integral de todos
los programas de pronstico computarizados y se usa ampliamente en los pedidos de inventario en las
firmas minoristas, las compaas mayoristas y las agencias de servicios.
Las tcnicas del ajuste exponencial son muy aceptadas por los siguientes motivos:
1.
2.
3.
4.
5.

Los modelos exponenciales son exactos.

La formulacin de un modelo exponencial es fcil.
El usuario puede entender cmo funciona.
Se requieren pocos clculos para utilizarlo.
Los requerimientos de almacenamiento en la PC son pocos debido al uso limitado de datos
histricos.
6. Las pruebas de exactitud del desempeo del modelo son fciles de calcular.
En el mtodo de ajuste exponencial, slo se necesitan tres datos para proyectar el futuro:
1.
2.
3.

el pronstico ms reciente,
la demanda real registrada durante ese periodo,
y una constante de ajuste alfa ().

Esta constante de ajuste determina el nivel de uniformidad y la velocidad de reaccin a las diferencias
entre los pronsticos y las demandas reales. El valor de la constante () est determinado tanto por la
naturaleza del producto como por el sentido del gerente de lo que constituye una buena tasa de
respuesta.
Por ejemplo, si una firma produce un artculo estndar con una demanda relativamente estable, la tasa
de reaccin a las diferencias entre la demanda real y la pronosticada tendera a ser pequea, quizs de
slo 5 o 10 %.
Sin embargo, si la firma estuviera presentando un crecimiento, sera aconsejable tener una tasa de
reaccin ms alta, tal vez de 15 a 30 %, para darle mayor importancia a la reciente experiencia de
crecimiento.
Cuanto ms rpido sea el crecimiento, ms alta deber ser la tasa de reaccin. Algunas veces, los
usuarios del promedio de movimiento simple se pasan al ajuste exponencial pero siguen conservando
los mismos pronsticos del promedio de movimiento simple. En este caso, = 2/(n + l), siendo n el
nmero de periodos de tiempo.
La ecuacin para un solo pronstico de ajuste exponencial es simplemente:
Ft = Ft-1 + (A t-1 F t-1)
Donde:
F t = Al pronstico de ajuste exponencial para el periodo t
F t-1 = Al pronstico de ajuste exponencial para el periodo anterior
A t-1 = La demanda real durante el periodo anterior

= La tasa de respuesta deseada o constante de ajuste

La ecuacin indica que el nuevo pronstico es igual a al anterior ms una porcin de error, la diferencia
entre el pronstico anterior y lo que realmente ocurri.
Para demostrar el mtodo, supongamos que la demanda a largo plazo para el producto objeto del
estudio es relativamente estable y la constante de ajuste se considera apropiada ( = 0,05).
Si el mtodo exponencial se utilizara como una poltica continua, se habra realizado un pronstico para
el ltimo mes. Supongamos que el pronstico del ltimo mes (F t-1) era de 1.050 unidades. Si la
demanda real fue de 1.000 y no de 1.050, el pronstico para este mes sera el siguiente:

11
Ft = Ft-1 + (A t-1 F t-1)
= 1.050 + 0,05 (1.000 1.050)
= 1.050 + 0,05 (-50)
= 1.047,5 unidades
Dado que el coeficiente de ajuste es pequeo, la reaccin del nuevo pronstico a un error de 50
unidades es disminuir el pronstico del mes siguiente en slo 2,5 unidades.
El ajuste exponencial simple tiene el defecto de un retraso en la demanda. En la Fig.7 se presentan los
datos reales representados como una curva uniforme para indicar los efectos retardados de los
pronsticos exponenciales.
El pronstico se retarda durante un aumento o disminucin pero se excede cuando se presenta un
cambio de direccin.
Obsrvese que cuanto ms alto sea el valor de alfa, ms de cerca sigue el pronstico a la demanda
real.
Para rastrear ms de cerca a la demanda real se puede aadir un factor de tendencia. Esto se
denomina pronstico adaptable, cuyos efectos se explican mas adelante.

Fig. 7
Efectos de tendencia en el ajuste exponencial: Una tendencia ascendente o descendente en los
datos recopilados durante una secuencia de periodos de tiempo hace que el pronstico exponencial se
quede siempre detrs (ya sea que se encuentre encima o debajo) de la demanda real.
Los pronsticos de ajuste exponencial pueden corregirse en cierto grado mediante la adicin de un
ajuste de tendencia.
Para corregir la tendencia se necesitan dos constantes de ajuste. Adems de la constante de ajuste alfa
() , la ecuacin de la tendencia utiliza tambin una constante de ajuste delta ().
Delta () reduce el impacto del error que se presenta entre la realidad y el pronstico. Si no se
incluyeran alfa y delta, la tendencia reaccionara excesivamente hacia los errores.
Para lograr que la ecuacin de la tendencia funcione la primera vez que se utilice, el valor de la misma
debe registrarse manualmente.
Este valor de tendencia inicial puede ser una estimacin razonada o un clculo basado en los datos
anteriormente observados.
La ecuacin para calcular el pronstico que incluye la tendencia (Forecast Including Trend) (FIT) es la
siguiente:
FITt = Ft + Tt

12
Ft = FIT t-1 + (A t-1 FITt-1)
Tt = T t-1 +

. . (A t-1

FITt-1)

Donde:
Ft
Tt
FITt
FITt-1
A t-1

= El pronstico ajustado exponencialmente para el periodo t.

= La tendencia ajustada exponencialmente para el periodo t.
= El pronstico que incluye la tendencia para el periodo t.
= El pronstico que incluye la tendencia realizada para el periodo anterior.
= La demanda real para el periodo anterior.
= Constante de ajuste.
= Constante de ajuste.

Ejemplo 1: Pronstico que incluye la tendencia. Supongamos un pronstico inicial (Ft-1) de 100
unidades, una tendencia (Tt-1) de 10 unidades, un alfa de 0,20 y un delta de 0,30. Si la demanda real
(At-1) fuera de 115 en lugar de las 100 pronosticadas, calcular el pronstico para el prximo periodo.
Solucin: Sumando el pronstico inicial y la tendencia, se tiene lo siguiente:
FIT t-1 = F t-1 + T t-1 = 100 + 10 = 110
La A t-1 se da como 115, en consecuencia,
F t = FIT t-1 + . (A t-1 - FIT t-1)
T t = T t-1 +

. . (A t-1

- FIT t-1)

110 + 0,2 ( 115 110 ) = 111

= 10 + (0,2)(0,3)(115 110) = 10,3

FIT t = F t + T t = 111 + 10,3 = 121,3

Si en lugar de 121,3 la demanda real fuera de 120, la secuencia se repetira y el pronstico para el
siguiente periodo sera:
F t+1 = 121,3 + 0,2 (120 121,3) = 121,04
T t+1 = 10,3 + (0,2)(0,3)(120 121,3) = 10,22
FIT t+1 = 121,04 + 10,22 = 131,26

Seleccin del valor apropiado para alfa: El ajuste exponencial requiere que a la constante de ajuste
alfa () se le d un valor entre 0 y 1.
Si la demanda real es estable (como por ejemplo, la demanda de energa o de alimentos), se pondra un
alfa pequeo para disminuir los efectos de los cambios a corto plazo o aleatorios.
Si la demanda real se incrementa o reduce rpidamente (como en el caso de los artculos de moda o de
los pequeos artefactos nuevos), se pondra un alfa grande para tratar de mantener el ritmo de los
cambios.
Existen dos enfoques para controlar el valor de alfa.
El primer enfoque utiliza dos o ms valores predeterminados de alfa. Se mide la cantidad de error entre
el pronstico y la demanda real. Dependiendo del grado de error, se utilizan diferentes valores de alfa.
Si el error es grande, alfa es 0,8; si el error es pequeo, alfa es 0,2.
El segundo enfoque emplea una seal de rastreo para los valores calculados para alfa.
Un alfa de rastreo calcula si el pronstico est manteniendo el ritmo de los cambios genuinos hacia
arriba o hacia abajo de la demanda (contrarios a los cambios aleatorios).

13
En esta aplicacin, el alfa de rastreo se define como el error real ajustado exponencialmente dividido
por el error absoluto ajustado exponencialmente. Alfa cambia de un periodo a otro dentro de la gama
posible de 0 a 1.
Errores en el pronstico
La palabra error, se refiere a la diferencia entre el valor del pronstico y lo que realmente ha ocurrido.
En estadstica, estos errores se llaman residuales. Mientras que el valor del pronstico se encuentre
dentro de los lmites de la seguridad, como se analiza ms adelante en la "medicin del error", no se
trata realmente de un error. Pero el uso comn llama error a esta diferencia.
La demanda de un producto se genera a travs de la interaccin de una serie de factores demasiados
complejos de describir con exactitud en un modelo.
En consecuencia, todos los pronsticos contienen con certeza algn error. Al analizar los errores en el
pronstico, es conveniente distinguir entre las fuentes del error y la medicin del error
Fuentes de error
Los errores pueden provenir de una gran variedad de fuentes. Una fuente comn que muchos
desconocen es el hecho de proyectar las tendencias pasadas hacia al futuro. Por ejemplo, cuando se
habla de errores estadsticos en el anlisis de regresin stos se refieren a las desviaciones de las
observaciones hechas con base en la lnea de regresin.
Es comn adjuntar una banda de seguridad (lmites de control estadstico) a la lnea de regresin para
reducir el error no explicado. Pero cuando se utiliza esta lnea de regresin como dispositivo para el
pronstico, proyectndolo hacia el futuro, el error puede no ser correctamente definido por la banda de
seguridad pronosticada.
Esto se debe a que el intervalo de seguridad est basado en los datos anteriores; puede o no contener
los puntos de los datos proyectados, y en consecuencia, no puede emplearse con la misma seguridad.
De hecho, la experiencia ha demostrado que los errores reales tienden a ser ms grandes que aquellos
pronosticados en un modelo de pronstico. Los errores pueden clasificarse como sistemticos o
aleatorios.
Los errores sistemticos se presentan cuando se comete una equivocacin consistente. Las fuentes
de estos errores son, por ejemplo, una falla en la inclusin de las variables correctas, la utilizacin de
relaciones equivocadas entre las variables, el empleo de una lnea de tendencia incorrecta, el cambio
errneo de la demanda estacional de donde ocurre normalmente y la existencia de alguna tendencia
secular no detectada.
Los errores aleatorios se pueden definir como aquellos que no se pueden explicar con el modelo de
pronstico utilizado.
Medicin del error
Los trminos comunes empleados para describir el grado de error son:

error estndar,
error medio cuadrtico y la
desviacin media absoluta.

Adems, las seales de rastreo pueden utilizarse para indicar cualquier riesgo positivo o negativo en el
pronstico.
El error estndar se analiza en la seccin sobre regresin lineal. Dado que el error estndar es la raz
cuadrada de una funcin, es conveniente utilizar la funcin misma la cual se denomina error medio
cuadrtico.

14
La Desviacin Media Absoluta (MAD, Mean Absolute Deviation); es el error promedio en los
pronsticos, mediante el uso de valores absolutos. Es valiosa porque, al igual que la desviacin
estndar, mide la dispersin de algn valor observado con base en algn valor previsto.
La MAD se calcula utilizando las diferencias entre la demanda real y la demanda pronosticada
independientemente del signo. Es igual a la suma de las desviaciones absolutas dividida por el nmero
de puntos de los datos; en forma de ecuacin sera:
n

MAD

At Ft

| /

i=1

donde:
t
=
A =
F =
n =

||

Nmero de periodos
Demanda real durante el periodo
Demanda pronosticada para el periodo
Nmero total de periodos
Smbolo utilizado para indicar el valor absoluto independientemente de los signos positivos y
negativos

Cuando los errores que se presentan en el pronstico se distribuyen normalmente la desviacin media
absoluta MAD se relaciona con la desviacin estndar de la siguiente manera:
1 desviacin estndar =

V/2

x MAD, o aproximadamente

= 1,25 MAD
A la inversa
1 MAD = desviacin estndar de 0.8
La desviacin estndar es la medida ms larga. Si la MAD de una serie de puntos fuera de 60 unidades,
la desviacin estndar sera de 75 unidades. En la forma estadstica usual, si los lmites de control se
fijaran en ms o menos 3 desviaciones tpicas (O + - 3,75 MAD), el 99,7 de los puntos recaera dentro
de esos lmites.
Una seal de rastreo (TS, tracking signal) es una medida que indica si el promedio de pronstico est
manteniendo el ritmo de los cambios reales en la demanda, ya sean hacia arriba o hacia abajo.
Cuando se utiliza en los pronsticos, la seal de rastreo es el nmero de desviaciones medias absolutas
en que el valor del pronstico se encuentra por encima o por debajo de la demanda real.
La Fig.8 indica una distribucin normal con una media de cero y una MAD igual a 1. Si se calcula la
seal de rastreo y se encuentra que es igual a menos 2, es posible observar que el modelo de
pronstico est suministrando pronsticos que se encuentran un poco por encima de la media de las
demandas reales.
Una seal de rastreo puede calcularse mediante la suma aritmtica de las desviaciones del pronstico
divididas por la desviacin media absoluta:
RSFE
TS =
MAD
Donde:
RSFE (Running Sum of Forecast Errors) es la suma continua de los errores de pronstico, considerando
la naturaleza de los mismos (por ejemplo, los errores negativos cancelan los positivos y viceversa).

15

Fig.8
MAD es el promedio de todos los errores de pronstico (independientemente del hecho de que las
desviaciones sean positivas o negativas). Es el promedio de las desviaciones absolutas.
La Fig.9 ilustra el procedimiento para calcular la MAD y la seal de rastreo para un periodo de seis
meses en el cual el pronstico se haba fijado en un nivel constante de 1.000 y las demandas reales se
registraron segn se indica. En este ejemplo, el pronstico, en promedio, estaba errado en 66,7
unidades y la seal de rastreo era de 3,3 desviaciones medias absolutas.
Se puede llegar a una mejor comprensin de lo que significan la MAD y la seal de rastreo
representando los puntos en una grfica. Aun cuando ste no es un mtodo completamente legtimo
desde el punto de vista del tamao de la muestra, se representa grficamente cada mes en la Fig.10
para mostrar el desplazamiento de la seal de rastreo.
Ntese que sta se desplaz de menos 1 MAD a ms de 3 MAD. Esto ocurri por cuanto la demanda
real era ms grande que el pronstico en cuatro de los seis periodos. Si la demanda real no cae por
debajo del pronstico para contrarrestar la RSFE continuamente positiva, la seal de rastreo seguira
aumentando y llegara a la conclusin de que suponer una demanda de 1.000 es un mal pronstico.
Clculo de la Desviacin Media Absoluta (MAD), la Suma Continua de Errores de Pronstico (RSFE) y
la Seal de Rastreo (TS) en base al pronstico y los datos reales
Mes
1
2
3
4
5
6

Pronstico de la
demanda
1.000
1.000
1.000
1.000
1.000
1.000

Demanda
real
950
1.070
1.100
960
1.090
1.050

Desviacin

RSFE

-50
+70
+100
-40
+90
+50

-50
+20
+120
+80
+170
+220

Desviacin
absoluta
50
70
100
40
90
50

Para el mes 6 la MAD = 400 / 6 = 66,7

Para el mes 6 la TS = RSFE = 220
MAD
66,7

3,3 MAD

Fig. 9

TS

Fig. 10

Suma de las desviaciones

absolutas
50
120
220
260
350
400

MAD
50
60
73,3
65
70
66,7

TS = RSFE
MAD
-1
0,33
1,64
1,2
2,4
3,3

16
Los lmites aceptables para la seal de rastreo dependen del tamao de la demanda que se est
proyectando (los artculos de alto volumen o de altos ingresos deben ser monitoreados con mas
frecuencia) y de la cantidad de tiempo de disponibilidad del personal (los lmites aceptables ms
estrechos hacen que ms pronsticos queden fuera de los lmites, y en consecuencia requieren ms
tiempo de investigacin). La Fig.11 muestra el rea que se encuentra dentro de los lmites de control
para una gama de uno a cuatro MAD.
En un modelo de pronstico perfecto, la suma de los errores de pronstico reales sera cero; los errores
que resulten en las sobreestimaciones se contrarrestan con aquellos de las subestimaciones. La seal
de rastreo sera entonces cero, lo cual indica un modelo no sesgado que no domina ni retarda la
demanda real.
Con frecuencia, la MAD se utiliza para proyectar los errores. Sera aconsejable entonces hacer que la
MAD fuera ms sensible a los datos recientes. Una tcnica muy til para hacerlo es calcular una MAD
exponencialmente ajustada como pronstico para la gama de error del siguiente periodo.
El procedimiento es similar al ajuste exponencial nico ya examinado en la presente unidad. El valor de
pronstico de la MAD es suministrar una gama de error. En el control de inventario, es til en la fijacin
de niveles de reservas seguros.
MAD t
Donde:
MAD t =

=
A t1 =
F t1 =

|A t -1 -

F t -1| + (1 - ) MAD t - 1

Proyeccin de la MAD para el periodo t

Constante de ajuste (normalmente dentro de la gama de 0,05 a 0,20)
Demanda real durante el periodo t - 1
Demanda pronosticada para el periodo t - 1

Lmites de control
Nmero de

Nmero relativo de desviaciones

Porcentaje de puntos situados dentro de los

MAD

tpicas

lmites de control

0,798

57,048

1,596

88,946

2,394

98,334

3,192

99,856

Fig.11
Anlisis de la regresin lineal
La regresin se puede definir como una relacin funcional entre dos o ms variables correlacionadas.
Se utiliza para predecir una variable dada la otra. La relacin se desarrolla normalmente en base a los
datos observados.
stos se deben representar primero grficamente para ver si parecen lineales o si al menos, partes de
ellos son lineales. La regresin lineal se refiere al tipo especial de regresin en la cual la relacin entre
las variables forma una lnea recta.
La lnea de regresin lineal tiene la forma de: Y = a + b.X, donde Y es el valor de la variable
dependiente que se est resolviendo, a es la ordenada en el origen de Y, b es la inclinacin y X es la
variable independiente. (En el anlisis de la serie de tiempos, X es la unidad de tiempo).
La regresin lineal es til en el pronstico a largo plazo de las principales ocurrencias y de la
planificacin total. Por ejemplo, la regresin lineal sera de gran utilidad para proyectar las demandas de
familias de productos.

17
Aunque la demanda de cada uno de los productos de una familia puede variar mucho durante un
periodo de tiempo, la demanda de la totalidad de la familia de productos es sorprendentemente
uniforme.
La principal restriccin para el uso del pronstico de regresin lineal es como su nombre lo indica, que
los datos anteriores y los pronsticos futuros, se asume que estn sobre una lnea recta. Aunque esto
limita su aplicacin, si se emplea un periodo de tiempo ms corto, el anlisis de regresin lineal puede
ser utilizado. Por ejemplo, pueden existir segmentos cortos del periodo ms largo que son ms o menos
lineales.
La regresin lineal se utiliza tanto para el pronstico de la serie de tiempos como para el pronstico de
relacin casual. Cuando la variable dependiente (normalmente el eje vertical de un grfico) cambia
como resultado del tiempo (representado como el eje horizontal) se trata del anlisis de la serie de
tiempos.
Si una variable cambia debido a la variacin en otra variable, se trata de una relacin casual, como por
ejemplo, el nmero de muertes por cncer pulmonar se incremento con el nmero de personas que
fuman.
Ejemplo 2: Ajuste manual de una lnea de tendencia. Las ventas de una lnea de productos para una
firma, durante los 12 trimestres de los ltimos tres aos, fueron las siguientes:
Trimestre
1
2
3
4
5
6

Ventas
600
1.550
1.500
1.500
2.400
3.100

Trimestre
7
8
9
10
11
12

Ventas
2.600
2.900
3.800
4.500
4.000
4.900

La firma desea pronosticar todos los trimestre del cuarto ao, o sea los trimestres 13, 14, 15 y 16. Los
datos se representan en una curva ajustada manualmente, y se utiliza simplemente la vista o la
aproximacin heurstica ocular (ocular heuristic approximation OHA).
Solucin: El procedimiento es bastante sencillo: Se coloca una regla de plstico transparente de un
lado al otro de los puntos de los datos y se traza una recta, y sta es la lnea de regresin. El paso
siguiente es determinar la ordenada en el origen a y la inclinacin b.

Fig.12
La ordenada en el origen a donde la lnea corta el eje vertical, parece ser de 400. La inclinacin b es la
tg de la recta respecto del eje horizontal, que segn la Fig.12 y considerando dos puntos de la lnea, se
calcula de la siguiente forma:
b = (4.950 - 750) / (12 - 1) = 382
La ecuacin de la regresin ajustada manualmente es, por consiguiente,

18
Y = 400 + 382 X
Los pronsticos para los trimestres 13 a 16 son:
Trimestre

Pronstico

13

400 + 382(13) = 5.366

14

400 + 382(14) = 5.748

15

400 + 382(15) = 6.130

16

400 + 382(16) = 6.512

Estos pronsticos estn basadas slo en la lnea y no se identifican ni se ajustan a los elementos
estacionases o cclicos.
Mtodo de los mnimos cuadrados: La ecuacin de los mnimos cuadrados para la regresin lineal es
la misma que se utiliz en el ejemplo ajustado manualmente:
Y=a+bx
donde:
Y = Variable dependiente calculada por la ecuacin
y = Punto de los datos variables dependientes y reales
a = La ordenada de origen de Y
b = Inclinacin de la lnea
x = Periodo de tiempo

Fig.13
El mtodo de los mnimos cuadrados trata de ajustar la lnea a los datos que minimizan la suma de los
cuadrados de la distancia vertical entre cada uno de los puntos de los datos y su punto correspondiente
en la lnea.
En la Fig.12 se indican los datos de los 12 puntos. Si se traza una lnea recta a travs del rea general
de los puntos, la diferencia entre el punto y la lnea es: y - Y. La Fig.13 muestra estas diferencias. La
suma de los cuadrados de las diferencias entre los puntos de los datos representados y los puntos de la
lnea es la siguiente:
( y1 Y 1 ) 2 + ( y2 Y 2 ) 2 + ..... + ( y12 Y12 ) 2 =

La mejor lnea para utilizar es la que minimice este total.

Como antes, la ecuacin de la lnea recta es:

19
Y=a+bx
Previamente se determin a y b grficamente. En el mtodo de los mnimos cuadrados, las ecuaciones
para a y b son:
a = y* b x* , adems: b = x.y n.x*.y*
x2 n. x*2
donde:
a = Ordenada en el origen de y
b = Inclinacin de la lnea
y* = Promedio de todas las y
x* = Promedio de todas las x
x = Valor de x en cada punto de los datos
y = Valor de y en cada punto de los datos
n = Nmero de los puntos de los datos
Y = Valor de la variable dependiente calculada con la ecuacin de regresin
La Fig.14 indica los clculos realizados para los 12 puntos de los datos de la Fig.12 como parte del
ejemplo. Obsrvese que la ecuacin final para Y muestra una ordenada en el origen de 441,6 y una
inclinacin de 359,6. La inclinacin indica que para cada cambio de unidad en X, Y cambia en 359,6.
Basadas estrictamente en la ecuacin, los pronsticos para los periodos 13 a 16 seran las siguientes:
Y13
Y14
Y15
Y16

= 441,6 + 359,6 (13) =

= 441,6 + 359,6 (14) =
= 441,6 + 359,6 (15) =
= 441,6 + 359,6 (16) =

5.116,4
5.476,0
5.835,6
6.195,2

El error estndar del clculo o qu tan bien se ajusta la lnea a los datos sera.

Adems:

El error estndar del clculo se despeja con base en la segunda y ltima columnas de la Fig.14;

En la seccin siguiente sobre descomposicin de una serie de tiempos se analiza la posible existencia
de componentes estacionases.

(1) x
(2) y
(3) xy
1
600
600
2
1.550
3.100
3
1.500
4.500
4
1.500
6.000
5
2.400
12.000
6
3.100
18.600
7
2.600
18.200
8
2.900
23.200
9
3.800
34.200
10
4.500
45.000
11
4.000
44.000
12
4.900
58.800
x = 78 y = 33.350 xy = 268.200

(4) x2
1
4
9
16
25
36
49
64
81
100
121
144
x2 = 650

(5) y2
360.000
2.402.500
2.250.000
2.250.000
5.760.000
9.610.000
6.760.000
8.410.000
14.440.000
20.250.000
16.000.000
24.010.000
y2 = 112.502.500

(6) Y
801,3
1.160,9
1.520,5
1.880,1
2.239,7
2.599,4
2.959,0
3.318,6
3.678,2
4.037,8
4.397,4
4.757,1

Fig.14

En consecuencia:
x* = 6,5 = 78 / 12
y* = 2.779,17 = 33.350 / 12
a = 441,6666
b = 359,6153
Y = 441,66 + 359,6x
Sxy = 363,9

20
Descomposicin de las series de tiempo
Las series de tiempo puede definirse como datos ordenados cronolgicamente que pueden contener
uno o ms componentes de la demanda: tendencia, estacionalidad, ciclicidad, autocorrelacin y
aleatoriedad. La descomposicin de las series de tiempo significa identificar y separar los datos de la
series de tiempo en esos componentes.
En la prctica, es relativamente fcil identificar la tendencia (incluso sin anlisis matemtico, es
normalmente fcil representar grficamente y observar la direccin del movimiento) y el componente
estacional (comparando el mismo periodo ao tras ao). Es mucho ms difcil identificar los ciclos (estos
pueden durar meses o aos), la autocorrelacin y los componentes aleatorios (el predictor normalmente
llama aleatoria a cualquier cosa sobrante que no pueda identificarse con otro de los componentes).
Cuando la demanda contiene tanto efectos estacionases como efectos de la tendencia al mismo
tiempo, la pregunta es cmo se relacionan entre s. En esta descripcin se examinan dos tipos de
variaciones estacionases: la aditiva y la multiplicativa.
Variacin estaciona aditiva y multiplicativa sobrepuesta a la tendencia de cambio

Fig.15
Variacin estacional aditiva. La variacin estacional aditiva supone simplemente que la cantidad
estacional es constante independientemente de la cantidad de la tendencia o del promedio.
Pronstico que incluye la tendencia y el factor estacional = Tendencia + factor estacional
La Fig.15A muestra un ejemplo de la tendencia creciente con cantidades estacionases constantes.
Variacin estacional multiplicativa. En la variacin estacional multiplicativa, la tendencia se multiplica
por los factores estacionases.
Pronstico que incluye la tendencia y el factor estacional = Tendencia x factor estacional.
La Fig.15B muestra que la variacin estacional se incremento en la medida en que la tendencia
aumenta por cuanto su tamao depende de la misma.
La variacin estacional multiplicativa es la experiencia usual. En esencia, indica que cuanto mas grande
sea la cantidad bsica pronosticada, mayor ser la variacin que alrededor de esta es posible esperar.
Factor estacional. Un factor estacional es la cantidad de correccin necesaria en las series de tiempo
para ajustarse a una estacin del ao.
Usualmente se asocia el trmino estacional con un periodo del ao caracterizado por una actividad
determinada. La palabra cclico se utiliza para indicar los periodos diferentes de aquellos recurrentes en
el ao de una actividad repetitiva.

21
Los siguientes ejemplos muestran cundo se determinan y utilizan los ndices estacionases para
proyectar
1. un simple clculo basado en los anteriores datos estacionales y
2. la tendencia e ndice estacional con base en una lnea de regresin ajustada manualmente.
Luego sigue un procedimiento ms formal para la descomposicin de los datos y el pronstico utilizando
la regresin de los mnimos cuadrados.
Ejemplo 3: Proporcin simple. Supongamos que en los aos anteriores, una firma vendi un
promedio de 1.000 unidades anuales de una lnea de productos determinada. En promedio se vendieron
200 unidades en primavera, 350 en verano, 300 en otoo y 150 en invierno. El factor estacional es el
coeficiente de la cantidad vendida durante cada estacin dividido por el promedio de las cuatro
estaciones.
Solucin. En este ejemplo, la cantidad anual dividida igualmente durante las cuatro estaciones es
1.000 / 4 = 250. Los factores estacionases son, por consiguiente:

Primavera
Verano
Otoo
Invierno
Total

Ventas promedio
de aos anteriores
200
350
300
150
1.000

Promedio de ventas para cada

estacin (1.000/4)
250
250
250
250

Factor
estacional
200/250 = 0,8
350/250 = 1,4
300/250 = 1,2
150/250 = 0,6

Utilizando estos factores, si se espera que la demanda para el ao prximo sea de 1.100 unidades, el
pronstico sera de la siguiente manera:
pronstico
de ventas
Primavera
Verano
Otoo
Invierno
Total

Promedio de ventas
para cada estacin
(1.100/4)
275 x
275 x
275 x
275 x

Factor
estacional
0,8
1,4
1,2
0,6

=
=
=
=

Pronstico
estacional para
el ao prximo
220
385
330
165

1.100

El factor estacional puede actualizarse peridicamente en la medida en que se tengan nuevos datos. El
ejemplo siguiente muestra el factor estacional y la variacin estacional multiplicativa.
Ejemplo 4: Clculo de la tendencia y del factor estacional en base a una lnea recta ajustada
manualmente. Aqu se debe calcular la tendencia al igual que los factores estacionales.
Solucin. Este problema se soluciona mediante el simple trazado de una lnea recta a travs de los
puntos de los datos y la medicin de la tendencia y la ordenada en el origen con base en la grfica.
Suponga que la historia de los datos es la siguiente:
Trimestre Cantidad
I-1996
300
II-1996
200
III-1996
220
IV-1996
530

Trimestre
I-1997
II-1997
III-1997
IV-1997

Cantidad
520
420
400
700

Primero se hace la representacin grfica como la Fig.16, y luego se traza una lnea recta a travs de
los datos utilizando simplemente la vista. La ecuacin para la lnea es la siguiente:
Tendencia t = 170 + 55 t
A continuacin es posible obtener un factor estacional comparando los datos reales con la lnea de
tendencia, como en la Fig.17. El factor estacional se desarroll promediando los mismos trimestres de
cada ao.
El pronstico de 1998 se calcula incluyendo la tendencia y los factores estacionases (FITS) de la
manera siguiente:

22
FITS t
I - 1998
II - 1998
III - 1998
IV - 1998

= Tendencia x Factores estacionases

FITS9 = [ 170 + 55 (9) ] 1,25 = 831

FITS10 = [ 170 + 55 (10) ] 0,78 = 562
FITS11 = [ 170 + 55 (11) ] 0,69 = 535
FITS12 = [ 170 + 55 (12) ] 1,25 = 1.038

Representacin grfica de la historia de la demanda trimestral

Fig.16
Clculo de un factor estacional en base a los datos reales y la lnea de tendencia:

Fig.17
Descomposicin mediante la regresin de los mnimos cuadrados
Descomposicin de las series de tiempo significa encontrar los componentes bsicos de tendencia,
estacionalidad y ciclos de la serie. Los ndices se calculan para las estaciones y los ciclos.
El procedimiento de pronstico reversa entonces el proceso proyectando la tendencia y ajustndola
mediante los ndices estacionales y cclicos, que han sido determinados en el proceso de
descomposicin. De manera ms formal, el proceso es el siguiente:
1 . Descomponer las series de tiempo en sus componentes.
a. Encontrar el componente estacional.
b. Encontrar el componente tendencial.
2.

Proyectar los valores futuros de cada componente.

a. Proyectar el componente de tendencia hacia el futuro.
b. Multiplicar el componente de tendencia por el estacional.

23
Obsrvese que el componente aleatorio no est incluido en la lista, implcitamente se suprime este
componente de la serie de tiempos al hacer el promedio como en el paso 1.
Es intil tratar de realizar un pronstico del componente aleatorio en el paso 2, a menos que se tenga
informacin de algn evento inusitado, tal como un conflicto laboral que pueda afectar la demanda de
productos.
La Fig.18 muestra la descomposicin de una serie de tiempos mediante la utilizacin de la regresin de
los mnimos cuadrados y de los mismos datos bsicos empleados en ejemplos anteriores.
Cada punto de los datos corresponde a la utilizacin de un solo trimestre del periodo de tres aos (12
trimestres). El objetivo es proyectar la demanda para los cuatro trimestres del cuarto ao.
Paso 1. Determinar el factor estacional. En la Fig.18 se hace un resumen de todos los clculos
necesarios. La columna 4 muestra un promedio de los mismos trimestres en el periodo de tres aos.
Por ejemplo, los primeros trimestres de los tres aos se suman y se dividen por tres. Luego, se obtiene
un factor estacional dividiendo ese promedio por el promedio general para los 12 trimestres que es:
33.350 2.779,1666
12
stos se ingresan a la columna 5.
Demanda desestacionalizada:

(1)
(2)
(3)
Periodo Trimestre Demanda
(X)
real (y)

(4)
Promedio de los mismos
trimestres de cada ao

(5)
Factor
estacional

(6)
Demanda
Desestacionalizada

yd = (3) / (5)
1
2
3
4
5
6
7
8
9
10
11
12
78

I
II
III
IV
I
II
III
IV
I
II
III
IV

600
1.550
1.500
1.500
2.400
3.100
2.600
2.900
3.800
4.500
4.000
4.900
33.350

(600+2.400+3.800) / 3 = 2.266,7
(1.550+3.100+4.500) / 3 = 3.050
(1.500+2.600+4.000) / 3 = 2.700
(1.500+2.700+4.900) / 3 = 3.100

0,82
1,10
0,97
1,12
0,82
1,10
0,97
1,12
0,82
1,10
0,97
1,12
12,03

735,7
1.412,4
1.544,0
1.344,8
2.942,6
2.824,7
2.676,2
2.599,9
4.659,2
4.100,4
4.117,3
4.392,9
33.350,1

(7)
2

(8)
(1) x (6)

1
735,7
4
2.824,7
9
4.631,9
16
5.379,0
25
14.713,2
36
16.948,4
49
18.733,6
64
20.798,9
81
41.932,7
100 41.004,1
121 45.290,1
144 52.714,5
650 265.706,9

Fig.18
X* = 78 / 12 = 6,5 (valor medio de x).
b = x . yd - n . x* y*d
x2 - n . x*2

265.706,9 12 . (6,5) 2.779,2 = 342,2

650 12 . (6,5)2

y*d = 33.350 / 12 = 2.779,2 ( valor medio de yd )

a = y*d bx* = 2.779,2 342,2 (6,5) = 554,9
Por lo tanto: Y = a + bx = 554,9 + 342,2x
Los totales de las columnas 3 y 6 deben ser iguales a 33.350, y las diferencias se deben a que las cifras
se han redondeado. La columna 5 se redonde a dos cifras decimales.
Cabe notar que los factores estacionases son idnticos para los trimestres similares de cada ao.
Paso 2. Desestacionalizar los datos originales. Para suprimir el efecto estacional en los datos, se
dividen los datos originales por el factor estacional. Este paso se denomina desestacionalizacin de la
demanda y se muestra en la columna 6 de la Fig.18.

24
Paso 3. Desarrollar una lnea de regresin de mnimos cuadrados para los datos desestacionalizados.
El propsito aqu es desarrollar una ecuacin para la lnea de tendencia Y que luego se modifica con el
factor estacional. El procedimiento es el mismo al utilizado anteriormente.
Y=a+bx
donde:
Yd = Demanda desestacionalizada
X = Trimestre
Y = Demanda calculada utilizando la ecuacin de regresin Y = a + bx
a = Ordenada en el origen de y
b = Inclinacin de la lnea
Los clculos de los mnimos cuadrados realizados mediante la utilizacin de las columnas 1, 7 y 8 de la
Fig.18 se indican en la parte inferior del mismo.
La ecuacin desestacionalizada final para los datos es Y = 554,9 + 342,2 x. La lnea recta se muestra
en la Fig.19.
Paso 4. Realizar el pronstico final multiplicando la lnea de regresin por el factor estacional. Recordar
que la ecuacin Y ha sido desestacionalizada. Ahora, se reversa el procedimiento multiplicando los
datos trimestrales derivados por el factor estacional para ese trimestre:
Periodo Trimestre
x
13
I
14
II
15
III
16
IV

Y con base en la
lnea de regresin
5.003.5
5.345,7
5.687,9
6.030,1

Factor
Pronstico
estacional (Y x factor estacional)
0,82
4.102,87
1,10
5.880,27
0,97
5.517,26
1,12
6.753,71

Ahora el pronstico est completo, el procedimiento es el mismo que el empleado en el ejemplo anterior
ajustado manualmente. Sin embargo, en el presente ejemplo se sigue un procedimiento ms formal y se
calcula tambin la lnea de regresin de los mnimos cuadrados.

Fig.19
Rango de error. Cuando se traza una lnea recta a travs de los puntos de los datos y luego se utiliza
para hacer un pronstico, los errores pueden derivar de dos fuentes. En primer lugar, estn los errores
usuales, similares a la desviacin estndar de cualquier conjunto de datos. En segundo lugar, hay
errores que se presentan porque la lnea est equivocada. La Fig.20 muestra este rango de errores. En
lugar de desarrollar estadsticas, se mostrar brevemente por qu se ampla el rango.
Primero, se visualiza una lnea que tiene algn error en el sentido de que se inclina demasiado hacia
arriba. Entonces, se calculan los errores estndares de la lnea, luego se visualiza otra lnea que se
incline demasiado hacia abajo. Esta tambin tiene un error estndar.

25
El rango total de error en este anlisis consta de los errores resultantes de ambas lneas y tambin de
todas las dems lneas posibles. El cuadro muestra cunto se ampla el rango de error a medida que se
avanza en el futuro.

Fig.20
6.- PATRONES ESTACIONALES (mtodo estacional multiplicativo).
Muchas organizaciones tienen una demanda estacional para sus bienes o servicios. Los patrones
estacionases consisten en movimientos ascendentes o descendentes de la demanda, que se repiten
con regularidad, medidos en periodos de menos de un ao (en horas, das, semanas, meses o
trimestres).
En este contexto, dichos periodos de tiempo se llaman estaciones. Por ejemplo, la llegada de los
clientes a un establecimiento de comida rpida durante un da cualquiera puede alcanzar un punto
mximo entre las 11 y las 13 hs., y de nuevo entre las 17 y las 19 hs. En este caso, la duracin del
patrn estacional es de un da y cada hora del da es una estacin.
En forma similar, la demanda de cortes de cabello suele alcanzar un punto mximo los sbados,
semana tras semana. En este caso, el patrn estacional dura una semana y las estaciones son los das
de la semana.
Tambin es posible que los patrones estacionases duren un mes, como en el caso de las solicitudes
semanales de renovacin para licencias de conductor, o tal vez un ao, como sucede con los
volmenes mensuales de la correspondencia procesada en la oficina de correos y la demanda mensual
de neumticos para automvil.
Disponemos de varios mtodos para pronosticar series de tiempo que presentan patrones estacionases.
Describiremos el mtodo estacional multiplicativo, en el cual los factores estacionases se multiplican
por una estimacin de la demanda promedio y as se obtiene un pronstico estacional.
El procedimiento en cuatro pasos, descrito aqu, requiere el uso de promedios simples de la demanda
pretrita, pero tambin podran usarse otros mtodos ms refinados para calcular promedios, como los
mtodos de promedio mvil o de suavizacin exponencial. La siguiente descripcin est basada en un
patrn estacional con un ao de duracin y estaciones equivalentes a un mes, aunque el procedimiento
se puede aplicar con cualquier patrn estacional y con estaciones de cualquier duracin.
1. Para cada ao, calcular la demanda promedio por estacin, dividiendo la demanda anual entre el
nmero de estaciones incluidas en el ao. Por ejemplo, si la demanda total de un ao determinado es
de 6.000 unidades y cada mes representa una estacin, la demanda promedio por estacin ser de
6.000/12 = 500 unidades.
2. Para cada ao, dividir la demanda real correspondiente a una estacin entre la demanda promedio
por estacin. El resultado as obtenido ser un ndice estacional para cada una de las estaciones del

26
ao, el cual indica el nivel de la demanda en relacin con la demanda promedio. Por ejemplo,
supongamos que la demanda para marzo fue de 400 unidades. Entonces, el ndice estacional de marzo
es 400/500 = 0.80, lo cual indica que la demanda de marzo es 20% inferior a la demanda promedio por
mes. En forma similar, la presencia de un ndice estacional de 1,14 para abril implica que la demanda
de abril es 14% mayor que la demanda promedio por mes.
3. Calcular el ndice estacional promedio para cada estacin, usando los resultados del paso 2. Sumar
los ndices estacionases para una estacin dada y divdalos entre el nmero de aos que abarquen los
datos. Por ejemplo, supongamos que hemos calculado tres ndices estacionases para abril: 1,14, 1,18 y
1,04. El ndice estacional promedio para abril es (1,14 + 1,1 8 + 1,04)/3 = 1,12. ste es el ndice que
usaremos para pronosticar la demanda de abril.
4. Calcular el pronstico de cada estacin para el ao siguiente. Comenzar con el clculo de la
demanda promedio por estacin para el ao siguiente. Usar el mtodo emprico, los promedios mviles,
la suavizacin exponencial, la suavizacin exponencial ajustada a la tendencia, o bien, la regresin
lineal, para elaborar el pronstico correspondiente a la demanda anual. Dividir luego la demanda anual
entre el nmero de estaciones incluidas en el ao. Encontrar finalmente el pronstico estacional,
multiplicando el ndice estacional por la demanda promedio por estacin.
Veamos un ejemplo de aplicacin:
Una empresa de limpieza de alfombras, necesita un pronstico trimestral del nmero esperado de
clientes para el ao siguiente. El negocio de la limpieza de alfombras es estacional, con un punto
mximo en el tercer trimestre y uno mnimo en el primer trimestre. Los datos de la demanda trimestral
registrada en los cuatro aos ms recientes es:
Trimestre
1
2
3
4
Total

Ao 1 Ao 2 Ao 3 Ao 4
45
70
100
100
335
370
585
725
520
590
830
1160
100
170
285
215
1000 1200 1800 2200

Se desea hacer un pronstico de la demanda de clientes para cada uno de los trimestres del ao 5,
basndose en su estimacin de que la demanda total durante el ao 5 ser de 2600 clientes.
Solucin
Paso 1. El nmero promedio de clientes por estacin es:
Ao 1
Ao 2
Ao 3
Ao 4
1000/4 = 250 120014 = 300 1800/4 = 450 2200/4 = 550

Paso 2. Los ndices estacionases son:

Trimestre
1
2
3
4
Total

Ao 1
45/250 = 0,18
335/250 = 1,34
520/250 = 2,08
100/250 = 0,40
1.000

Ao 2
70/300 = 0,23
370/300 = 1,23
590/300 = 1,97
170/300 = 0,57
1.200

Ao 3
100/450 = 0,22
585/450 = 1,30
830/450 = 1,84
285/450 = 0,63
1.800

Ao 4
100/550 = 0,18
725/550 = 1,32
1.160/550 = 2,11
215 /550 = 0,39
2.200

Paso 3. Observemos la forma en que los ndices estacionases de cada trimestre fluctan de un ao a
otro a causa de los efectos aleatorios. Por eso es necesario calcular el ndice estacional promedio para
cada trimestre.
Trimestre
1
2
3
4

ndice estacional promedio

(0,1 8 + 0,23 + 0,22 + 0,18)/4 = 0,20
(1,34 + 1,23 + 1,30 + 1,32)/4 = 1,30
(2,08 + 1,97 + 1,84 + 2,11)/4 = 2,00
(0,40 + 0,57 + 0,63 + 0,39)/4 = 0,50

Paso 4. Observemos que la demanda anual ha aumentado con un incremento promedio de 400 clientes
por ao. Si se prolonga esa tendencia y se proyecta una demanda anual de 2.200 + 400 = 2.600 clientes en
el ao 5, la demanda promedio estimada por trimestre es de 2.600/4 = 650 clientes en el ao 5. A
continuacin, se elaboran los pronsticos trimestrales multiplicando los factores estacionales por la
demanda promedio por trimestre.

27
Trimestre
1
2
3
4

Pronstico
650(0,20) = 130
650(1,30) = 845
650(2,00) = 1.300
650(0,50) = 325

Al final del ao, el factor estacional promedio para cada trimestre puede ser actualizado. Calculamos el
promedio de todos los factores estacionases histricos correspondientes a ese trimestre, o bien, si
deseamos tener cierto grado de control sobre los patrones de demanda anteriores, entonces
calcularemos un promedio mvil o un solo promedio suavizado exponencialmente.
El mtodo estacional multiplicativo recibe su nombre de la forma en que se calculan y utilizan los
factores estacionases. El hecho de multiplicar el factor estacional por una estimacin de la demanda
promedio durante el periodo implica que el patrn estacional depende del nivel de la demanda.
Las crestas y los valles son ms pronunciados cuando la demanda promedio es alta; situacin tpica
que a menudo enfrentan las empresas que producen bienes y servicios caracterizados por una
demanda estacional.
La figura (a) muestra una serie de tiempo con un patrn estacional multiplicativo. Observemos cmo va
aumentando la amplitud de las estaciones, lo cual refleja una tendencia ascendente de la demanda.
Sucede lo contrario cuando la demanda tiene una tendencia descendente.
Otra opcin resultara si utilizamos el mtodo estacional aditivo, en el cual los pronsticos
estacionases se obtienen sumando una constante (p. ej., de 50 unidades) a la estimacin de la
demanda promedio por estacin.
Este enfoque se basa en la suposicin de que el patrn estacional es constante, cualquiera que sea la
demanda promedio. La figura (b) muestra una serie de tiempo con un patrn estacional aditivo. En este
caso, la amplitud correspondiente a las estaciones se mantiene siempre idntica, independientemente
de cul sea el nivel de la demanda.

7. PRONSTICO DE LA RELACIN CAUSAL :

Para que sea valiosa desde el punto de vista del pronstico, cualquier variable independiente debe ser
un indicador anticipado. Por ejemplo, se puede esperar que un periodo extenso de das lluviosos
incremente las ventas de paraguas e impermeables.
La lluvia produce la venta de elementos para lluvia. Esto es una relacin causal, en la cual una
ocurrencia causa la otra. Si el elemento causante se puede prever con anticipacin, puede utilizarse
como base del pronstico.
El primer paso en el pronstico de la relacin causal es encontrar las ocurrencias que constituyan
realmente las causas.
Con frecuencia, los indicadores anticipados no son relaciones causales pero, de manera indirecta,
pueden sugerir la ocurrencia de algunas otras cosas. Otras relaciones no causales parecen existir slo
como coincidencia.

28
Un estudio realizado hace algunos aos mostraba que la cantidad de alcohol vendida en Suecia era
directamente proporcional a los salarios de los profesores. Presumiblemente, esta era una relacin
falsa. A continuacin se muestra un ejemplo de un pronstico que utiliza una relacin causal.
Ejemplo : 5. Pronstico que utiliza una relacin causal. La Europea, ha conservado los registros de
sus ventas (en metros cuadrados) en alfombras de cada ao, junto con el nmero de permisos para la
construccin de nuevas viviendas en la zona.
Nmero de permisos
Ventas
para la construccin
(en metros cuadrados)
Ao
de viviendas.
Y
X
89
18
13.000
90
15
12.000
91
12
11.000
92
10
10.000
93
20
14.000
94
28
16.000
95
35
19.000
96
30
17.000
97
20
13.000

Fig.21

El gerente de operaciones de La Europea considera que sera posible proyectar las ventas si se
conocieran los planes de construccin de viviendas para ese ao. Los datos se representan
grficamente en la Fig.21, con:
x = Nmero de permisos para la construccin de vivienda
y = Ventas de alfombras
Dado que los puntos parecen estar en lnea recta, el gerente decidi utilizar la relacin lineal
Y=a+bx
Este problema se resuelve trazando manualmente una lnea. Tambin es posible resolver esta ecuacin
utilizando la regresin de los mnimos cuadrados como se hizo anteriormente.
Solucin: El pronstico de la lnea ajustada manualmente causa una intercepcin del eje Y en cerca de
7.000 metros cuadrados. Esto puede interpretarse como la demanda cuando no se estn construyendo
nuevas viviendas, que probablemente representa el reemplazo de las alfombras viejas. Para calcular la
inclinacin, se eligen dos puntos de la siguiente manera:

29
Ao x
1992
1996

10 10.000
30 17.000

Con base en el lgebra, la inclinacin se calcula as:

b = y(96) - y(92) = 17.000 10.000 = 7.000 = 350
x(96) - x(92)
30 10
20
El gerente interpret la inclinacin como el nmero promedio de metros cuadrados de alfombra
vendidos para cada una de las viviendas nuevas construidas en el rea. La ecuacin del pronstico es,
en consecuencia:
Y = 7.000 + 350 x
Ahora supongamos que hay 25 permisos para construccin de viviendas en 1998. El pronstico de las
ventas para 1998 sera, por consiguiente,
Y (98) = 7.000 + 350 (25) = 15.750 metros cuadrados.
En este problema, el tiempo que transcurre entre el momento de la presentacin del permiso ante la
agencia competente y la visita del nuevo propietario a La Europea para comprar las alfombras
constituye una relacin causal factible para el pronstico.
Anlisis de regresin mltiple
Otro mtodo de pronstico es el anlisis de regresin mltiple, en el cual se considera una serie de
variables, junto con los efectos de cada una en el artculo de inters. Por ejemplo, en el campo de los
suministros para el hogar, los efectos del nmero de matrimonios, la construccin de viviendas, los
ingresos disponibles y la tendencia, pueden expresarse mediante una ecuacin de regresin mltiple,
de la siguiente manera:
S = B + Bm (M) + Bh (H) + Bi (I) + Bt (T)
donde:
S =Ventas brutas en el ao
B =Ventas bsicas; punto de partida desde el cual otros factores tienen influencia
M =Matrimonios durante el ao
H =Construccin de viviendas durante el ao
I =Ingresos personales disponibles en el ao
T =Tendencia del tiempo (primer ao = 1, segundo = 2, tercero = 3, etc.)
Bm, Bh, Bi y Bt representan la influencia, sobre las ventas previstas, del nmero de matrimonios y de
construcciones de viviendas, de los ingresos y la tendencia.
Realizar el pronstico mediante la regresin mltiple es conveniente cuando una serie de factores
influencian a una variable de inters, en este caso las ventas. Su dificultad radica en el clculo
matemtico. Por fortuna, existen programas de computador estndar para el anlisis de regresin
mltiple, los cuales evitan la necesidad de clculos manuales.
7. SELECCIN DEL MTODO DEL PRONSTICO :
La primer pregunta es: Usted necesita un sistema de pronstico? El sistema puede ir desde
herramientas sencillas y poco costosas, como los modelos de los promedios de movimiento y el ajuste
exponencial implementados en una hoja de desarrollo, hasta programas costosos que requieren
muchos recursos y personal.
Una empresa utiliza el pronstico en la planificacin de su inventario y los niveles de produccin, al igual
que en el desarrollo de nuevos productos, en el personal y en los presupuestos.

30
En los productos, es poco costoso desarrollar pronsticos utilizando el promedio de movimiento simple,
el promedio de movimiento ponderado o el ajuste exponencial. Estos mtodos se podran aplicar al gran
volumen de artculos estndar del inventario llevados por una firma.
La eleccin de algunos de estos mtodos se basa en las condiciones de mercado. Los promedios de
movimiento ponderan cada periodo de la misma manera, el ajuste exponencial pondera ms el pasado
y el promedio de movimiento ponderado permite que el predictor determine las ponderaciones. Cul es
el mejor?. Para probar se podra utilizar cada mtodo sobre datos simples y medir los errores mediante
la MAD o la RSFE como se analiz anteriormente.
En cualquier caso, todos los predictores deben pasarse al rea apropiada para hacer que alguno se
familiarice con el ajuste del producto o modifique el pronstico. Al utilizar el anlisis de regresin, es
importante garantizar que los datos se ajusten al modelo. Si no es as, las extrapolaciones crearn
serios errores.
Se realiz una encuesta sobre usuarios y usos de los mtodos de pronstico. Hubo 150 respuestas de
compaas manufactureras y de servicios que variaban en tamao de 10 a ms de 500 millones de $.
Los cuestionarios se dirigieron a los Gerentes de Pronsticos / Marqueting de manera que los hallazgos
formulados en la Fig.22 registran sus opiniones.
Debido al nfasis del Marqueting, la opinin de los ejecutivos y del personal de ventas, y la encuesta de
los clientes, estuvo muy cerca del tope de la lista. Igualmente, los indicadores de pronstico valiosos
son las tendencias y la cuota de mercado.
Al comparar las empresas manufactureras y las de servicios, las primeras tienden a ser ms cuidadosas
y proveen ms interacciones al circular y ajustar el pronstico. Los pronsticos ms importantes son por
lneas de productos y por ciclos de vida de los mismos. Los fabricantes tienden a utilizar ms tcnicas
cuantitativas y se sienten ms satisfechos con el proceso de pronstico. Tambin tienden a valorar ms
el pronstico y el nivel de exactitud de lo que lo hacen las firmas prestadoras de servicios.
Mencionadas (%)

Opinin de los ejecutivos

Fuerza de ventas
Encuesta de los clientes
Tendencias
Participacin del mercado
Regresin
Econometra
Ingenuidad
Encuesta de la industria
Modelo propio de computacin
Primaca / retardo
Correlacin simple
Correlacin mltiple
Probabilista
Series de tiempo
Grfica 3
Movimiento ponderado
Ajuste exponencial
Regresin lineal simple
Regresin lineal mltiple
Regresin no lineal mltiple
Ciclo de vida de los productos

a
86%
68
72
91
70
52
52
41
45
68
38
42
34
40
45
28
46
36
38
35
32
47

Importancia
del promedio
b
6
5
4.7
5.6
4.6
4.2
4.2
2.0
3.2
5.2
3
3.6
1.8
3.7
4.3
1.4
3.8
2.8
4.0
3.6
2.5
3.0

Tasa
de utilizacin,
c
2.9
2.2
2.2
2.9
2.5
1.7
1.4
1.1
1.4
2.2
0.8
1.2
0.6
0.6
1.5
1.45
1.4
0.9
1.3
1.0
0.6
1.3

a. Porcentaje de encuestados mencionados como usuarios de la tcnica.

b. Coeficiente de importancia del promedio basado en 1 = bajo, 4 = medio, 7 = alto.
c. Puntaje de utilizacin basado en 3 = utilizado regularmente, 2 = utilizado frecuentemente, 1 = utilizado
previamente y 0 = no utilizado nunca.
Las firmas prestadoras de servicios tienden a involucrar a ms personas y tienen un porcentaje ms alto
de implicacin de ejecutivos. Estas firmas tambin tienden a:
1) considerar el promedio de movimiento ponderado como una tcnica importante y
2) utilizar el pronstico subjetivo mucho ms que las empresas manufactureras.

31
Debido a las diferentes tcnicas que cada una utiliza, las firmas prestadoras de servicios tambin
reportaron que su proceso de pronstico era ms engorroso que el de las empresas manufactureras.
Adicionalmente, las firmas prestadoras de servicios se sienten menos satisfechas con sus pronsticos.
8. PRONSTICO ENFOCADO:
El pronstico enfocado es creacin de Bernie Smith. El lo utiliza principalmente en el manejo del
inventario de los bienes terminados. Smith establece fuertes argumentos en el sentido de que los
enfoques estadsticos utilizados en el pronstico no ofrecen los mejores resultados, y que las tcnicas
simples que funcionan bien con los datos anteriores, tambin resultan buenas para proyectar el futuro.
Metodologa del pronstico enfocado
El pronstico enfocado simplemente ensaya varias reglas que parecen lgicas y fciles de comprender
para proyectar los datos pasados hacia el futuro. Cada una de estas reglas se utiliza en un programa de
simulacin de computador para proyectar efectivamente la demanda y luego ver qu tan bien se
desempea esa regla al compararse con lo que en efecto ha ocurrido. En consecuencia, los dos
componentes del sistema de pronstico enfocado son:
(1) varias reglas de pronstico simple y
(2) una simulacin por computador de estas reglas sobre los datos anteriores.
Estas son reglas sencillas y de sentido comn que se integran y luego se prueban para ver si deben
conservarse. A continuacin se presentan algunos ejemplos de estas reglas de pronstico:
1.

El pronstico de lo que se vender en los prximos tres meses, es igual a lo que se vendi en los
ltimos tres meses,
P [ao actual (4-5-6)] = D [ao actual (1-2-3)]

2.

El pronstico de lo se vender en los prximos tres meses, es igual a lo que se vendi en los
ltimos tres meses, ms o menos un X % de lo vendido en los ltimos tres meses.
P [ao actual (4-5-6)] = D [ao actual (1-2-3)] +/- X % D [ao actual (1-2-3)]

3.

Para tener en cuenta los efectos estacionales, lo que se venda en los prximos tres meses de este
ao, es igual a lo que se vendi en el mismo periodo de tres meses del ao pasado.
P [ao actual (1-2-3)] = D [ao pasado (1-2-3)]

4.

Tambin, para tener en cuenta los efectos estacionales, lo que se venda en los prximos tres
meses de este ao, es igual a lo que se vendi en el mismo periodo de tres meses del ao pasado,
ms o menos un X % de lo vendido en los mismos tres meses del ao pasado.
P [ao actual (1-2-3)] = D [ao pasado (1-2-3)] +/- X %

5.

Cualquier cambio de porcentaje presentado en los ltimos tres meses del presente ao, comparado
con los mismos tres meses del ao pasado, ser el mismo cambio porcentual que se tendr para
los prximos tres meses del presente ao.
P [ao actual (4-5-6)] = D [ao actual (1-2-3)] . D [ao pasado (4-5-6)]
D [ao pasado (1-2-3)]

Estas reglas de pronstico no son absolutas. Si una nueva regla parece funcionar bien, se agrega. Si
una de ellas no funciona, se suprime.
La segunda parte del proceso es una simulacin por computadora. Para utilizar el sistema debe
contarse con una historia de datos, por ejemplo, 18 a 24 meses de datos. El proceso de simulacin
emplea entonces cada una de las reglas del pronstico para predecir algunos datos del pasado
reciente. La regla que funcione mejor para predecir el pasado es la que se usa para predecir el futuro.

32
Ejemplo 6. Demanda en unidades de asadores. La tabla siguiente muestra la demanda de unidades de
asadores durante un periodo de 18 meses. (Trate de conjeturar cul sera la demanda para julio, agosto
y septiembre del presente ao y compare sus conjeturas con los datos reales presentados
posteriormente).
Mes
Ao pasado Ao actual
1
Enero
6
72
2
Febrero
212
90
3
Marzo
378
108
4
Abril
129
134
5
Mayo
163
92
6
Junio
96
137
7
Julio
167
120
8
Agosto
159
151
9 Septiembre
201
86
10
Octubre
153
113
11 Noviembre
76
97
12 Diciembre
30
40

Solucin: Para ser breves se usarn solamente dos reglas para demostrar el mtodo: la 1 y la 3. En la
prctica se podran emplear todas.
Utilizando el pronstico enfocado primero se proyecta la regla 1: lo vendido en los ltimos tres meses es
lo que se vender en los prximos tres meses. En primer lugar, se prueba esta regla en los tres ltimos
meses.
P [ao actual (4-5-6)] = D [ao actual (1-2-3)] = 72 + 90 + 108 = 270
Dado que realmente fue 363 (134 + 92 + 137), el pronstico resultante fue 270/363 = 74%, o sea un
26% ms bajo que la demanda real.
Ensayando ahora con la regla 3: el cambio porcentual que hubo durante los ltimos tres meses del ao
pasado, ser el cambio porcentual durante los siguientes tres meses del ao pasado.
P [ao actual (4-5-6)]

D [ao actual (1-2-3)] . D [ao pasado (4-5-6)]

D [ao pasado (1-2-3)]

= 72+90+108 x (129+163+96)
6+212+378

= 270 . (388) =
596

176

Dado que realmente ocurri en los periodos 4-5-6 del presente ao una demanda de 363 (134+92+37),
o sea que el pronstico 176/363 = 48%, o sea 52% ms bajo que la demanda real.
Dado que la regla 1 funcion mejor en la prediccin de los ltimos tres meses, se utilizara para predecir
los periodos 7-8-9 del presente ao. La regla 1 seala que lo vendido en los ltimos tres meses es lo
que probablemente se venda en los prximos tres meses.
P [ao actual (7-8-9)] = D [ao actual (4-5-6)] = 134 + 92 + 137 = 363
La demanda real para el periodo 7-8-9 fue de 357, como se observa en la tabla. sta muestra la historia
completa de la demanda para el presente ao y sirve como base de comparacin.
Los compradores o el personal de control del inventario, que tienen la responsabilidad de estos
artculos, revisan luego y modifican (si es necesario) los pronsticos realizados mediante el uso de la
lgica de pronstico enfocado. Cuando observan los pronsticos realizados por el computador, ellos
saben qu mtodo se utiliz y pueden aceptarlos o cambiarlos si no estn de acuerdo con ellos. Los
compradores cambian cerca del ocho por ciento de los pronsticos porque saben lo que el computador
no sabe (como, por ejemplo, la causa de una gran demanda previa, o el hecho de que el prximo
pronstico sea demasiado alto por cuanto un competidor est introduciendo un producto competitivo).
En todas las simulaciones de pronstico que se ha desarrollado utilizando variaciones del ajuste
exponencial (incluyendo el ajuste adaptable), el pronstico enfocado es el que ha dado mejores
resultados.

33
Desarrollo de un sistema de pronstico enfocado
A continuacin se presentan algunas sugerencias para desarrollar un sistema de pronstico enfocado:
1. No trate de aadir un ndice estacional. Permita que el sistema de pronstico encuentre por s
mismo la estacionalidad, especialmente, con los nuevos artculos, porque ste no puede
aplicarse hasta que llene el conducto y el sistema est estable. Las reglas de pronstico pueden
manejarlo.
2. Cuando una pronstico est anormalmente alto o bajo (como dos o tres veces el periodo anterior
o el ao anterior si existe estacionalidad), imprima un indicador tal como la letra R y pdale a la
persona afectada por esta demanda que lo revise. No pase por alto las demandas inusitadas
porque stas pueden, de hecho, constituir cambios vlidos en el patrn de demanda.
3. Permita que las personas que vayan a utilizar los pronsticos (como los compradores o los
responsables del inventario) participen en la creacin de las reglas. Smiht desarrollaba su juego
de "puede ser usted ms listo que el pronstico enfocado" con todos los compradores de la
compaa. Mediante la utilizacin de dos aos de datos y de 2.000 artculos, el pronstico
enfocado realiza predicciones para los ltimos seis meses. Se solicita a los compradores que
proyecten los ltimos seis meses utilizando las reglas que prefieran. Si stas son
considerablemente mejores que las reglas de pronstico existentes, se agregarn a la lista.
4. Mantenga la sencillez de las reglas. As, los usuarios del pronstico las entendern fcilmente y
confiarn en ellas.
En resumen, parece ser que el pronstico enfocado tiene un mrito considerable cuando la demanda se
genera por fuera del sistema, tal como ocurre con la demanda de productos finales, de repuestos y de
materiales y proveedores utilizados en una gran variedad de productos.
El tiempo del computador no es aparentemente muy largo puesto que Smith proyecta 100.000 artculos
mensuales utilizando sus reglas de pronstico enfocado.
9. PROGRAMAS DE PC:
En el mercado existen muchos programas de pronstico. La mayora estn disponibles para
microcomputadoras y utiliza bases de datos de redes compartidas. Las principales compaas, tales
como Wal-Mart, estn usando ahora programas que funcionan con Intemet. En el futuro se
desarrollarn normas que ofrezcan una forma estandarizada para que fabricantes y comerciantes
trabajen juntos en la realizacin de pronsticos a travs de Intemet.
La gran mayora de frmulas de pronsticos sofisticados son bastante fciles de entender. Cualquiera
que pueda usar una hoja de clculo como Excel de Microsoft, puede crear un programa de pronstico
en su PC. Dependiendo de los conocimientos que se tengan sobre la hoja de clculo, un programa
sencillo puede escribirse en un tiempo que va desde unos pocos minutos a un par de horas.
La forma como este pronstico vaya a ser utilizado por la firma puede constituir un gran desafo. Si se
va a proyectar la demanda de muchos artculos, esto se convierte en un problema de manejo de datos y
no en un problema de lgica del pronstico.
10. CONCLUSIN:
Como se muestra en el recuadro, el desarrollo de un sistema de pronstico no es fcil. Sin embargo,
debe hacerse porque el pronstico es fundamental en cualquier esfuerzo de planificacin.
A corto plazo, el pronstico es necesario para predecir los requerimientos de materiales, productos,
servicios y otros recursos que se necesitan para responder a los cambios en la demanda. Los
pronsticos permiten ajustar los programas y hacer variaciones en la mano de obra y los materiales.

34
A largo plazo, el pronstico es necesario como base para los cambios estratgicos, tales como el
desarrollo de nuevos mercados, el desarrollo de nuevos productos y servicios y la creacin o expansin
de nuevas instalaciones.
Con los pronsticos a largo plazo, que llevan a grandes compromisos financieros, hay que tener gran
cuidado al derivar el pronstico. Deben utilizarse varios enfoques. Los mtodos causases, tales como el
anlisis de regresin o el anlisis de regresin mltiple, son beneficiosos y proporcionan una base de
estudio. Es necesario considerar los factores econmicos, las tendencias de los productos, los factores
de crecimiento y la competencia, al igual que muchas otras posibles variables, y el pronstico debe
ajustarse para que refleje la influencia de cada una de ellas.
El pronstico a corto y mediano plazo (tal como el requerido para el control de inventario y para la
programacin del personal y los materiales) puede satisfacerse con modelos ms simples como el
ajuste exponencial con un rasgo adaptable o un ndice estacional.
En estas aplicaciones, normalmente se proyectan miles de artculos. En consecuencia, la rutina del
pronstico debe ser sencilla y de rpida ejecucin con la ayuda de una PC.
Las rutinas tambin deben detectar y responder con rapidez a los cambios definidos a corto plazo en la
demanda y, a la vez, ignorar las demandas falsas que se presentan en ocasiones. El ajuste exponencial
es una tcnica efectiva cuando es monitoreado por la gerencia para controlar el valor de alfa.
El pronstico enfocado parece ofrecer un mtodo razonable para el pronstico a corto plazo, por
ejemplo mensual o trimestral pero, en todo caso, inferior a un ao. Si hay una cosa que ofrezca el
pronstico enfocada es el monitoreo cercano y la respuesta rpida.
En resumen, proyectar es difcil. Un pronstico perfecto es como llegar al hoyo de golf en un slo tiro:
esto es magnfico pero slo es posible estar satisfecho cuando se gana la copa o, para llevar ms lejos
la analoga, aterrizar sobre el prado. La filosofa ideal es crear el mejor pronstico que pueda
razonablemente hacerse y luego igualarlo manteniendo la flexibilidad del sistema para dar cuenta de los
errores que inevitablemente se presentan.