PRONÓSTICOS

EL ARTE Y LA CIENCIA DE PREDECIR EVENTOS

FUTUROS
 1 CONCEPTO
CONCEPTO

1.1 HORIZONTES DE TIEMPO

PRONÓSTICOS 2 TIPOS

3 IMPORTANCIA ESTRATEGICA
1 CONCEPTO
CONCEPTO

Es emitir un enunciado sobre lo que es probable que ocurra en el futuro,

basándose en análisis y en consideraciones de juicio para la toma de
decisiones.

1.1 HORIZONTES DE TIEMPO

1.1.1 CORTO PLAZO

1.1.2 MEDIANO PLAZO

1.1.3 LARGO PLAZO

2 TIPOS

1.1.1 ECONOMICOS

1.1.2
TECNOLOGICOS

1.1.3 DE LA DEMANDA

3 IMPORTANCIA ESTRATEGICA

 Administración de la cadena de suministros

 Recursos humanos

 Capacidad
 4 PASOS
PASOS

5 ENFOQUES

PRONÓSTICOS 6 SERIES DE TIEMPO

7 METODOS ASOCIATIVOS
4 PASOS

7
 1 Método
Método intuitivo
intuitivo

2PR Promedios móviles

PRONÓSTICOS 3 Promedio móvil ponderado

4 Suavizamiento exponencial
1 Método
Método intuitivo
intuitivo

Supone que la demanda del siguiente periodo será igual a la

demanda del periodo más reciente.

2 Promedio
Promedio móvil
móvil

Método de pronósticos que utiliza un promedio de los datos de los

“n” periodos mas recientes para pronosticar el siguiente periodo.

Promedio Móvil =
 Ejemplo aplicativo
Ventas promedio
reales de móvil de tres
Mes cobertizos meses
Las ventas de cobertizos para enero 10.00  
almacenamiento se muestran en la febrero 12.00  
columna media de la siguiente tabla. A la
derecha se presenta un promedio móvil
marzo 13.00  
de 3 meses. abril 16.00 11.67
mayo 19.00 13.67
junio 23.00 16.00
julio 26.00 19.33
agosto 30.00 22.67
setiembre 28.00 26.33
octubre 18.00 28.00
noviembr
e 16.00 25.33
diciembre 14.00 20.67
enero   16.00
3 Promedio
Promedio móvil
móvil ponderado
ponderado

La practica de la aplicación de tendencias permiten que las técnicas

de pronostico respondan mas rápido a los cambios , puesto que
puede darse mayor peso a los periodos mas recientes .

Promedio Móvil Ponderado=

Ejemplo aplicativo

La tienda de productos para jardín de

Donna quiere pronosticar las ventas de
cobertizos ponderado los últimos 3 Ponderación  Pesos
meses, dando peso a los datos recientes
Ultimo mes 3.00
para hacerlos mas significativos. En el
método del promedio móvil ponderado se
asigna mas ponderación a los datos Hace dos meses 2.00
recientes, de la siguiente manera.

Hace tres meses 1.00

total 6.00
 Ventas reales de cobertizos promedio ponderado de
Mes tres meses

enero 10.00
febrero 12.00
marzo 13.00
abril 16.00 12.17
mayo 19.00 14.33
junio 23.00 17.00
julio 26.00 20.50
agosto 30.00 23.83

setiembre 28.00 27.50

octubre 18.00 28.33

noviembre 16.00 23.33

diciembre 14.00 18.67

enero 15.33
 Suavizamiento exponencial
Técnica de pronóstico de promedios móviles ponderados donde
los datos se ponderan mediante una función exponencial.

Donde:
 EJEMPLO 3:
En enero un vendedor de automóviles predijo que la demanda para febrero
seria de 142 Ford Mustang. La demanda real en febrero fue de 153 automóviles.
Usando la constante de suavizamiento que eligió la administración de α
= 0.20, el vendedor quiere pronosticar la demanda para marzo usando el
modelo de suavizamiento exponencial.
SOLUCION:
Ft-1 = 142

α = 0.20 144.2
At-1 = 153

La constante de la suavización, α, se encuentra por lo regular en un rango de 0.05 a 0.50 para

aplicaciones de negocios. Puede cambiarse para dar más peso a datos recientes, cuando α es
alta más peso de datos anteriores, si α es baja, cuando llega al externo de 1.0, el pronóstico
para el siguiente periodo es considerar exactamente la misma demanda del periodo actual.
Medición del error del pronóstico
El error de pronostico nos dice que tan buen desempeño tiene el
modelo al compararlo consigo mismo usando datos históricos.
Las tres medidas más populares son la MAD, el MCE y el MAPE.

Desviación absoluta
Media(MAD)

Medida del error global de pronóstico para un modelo.

Donde:
n: número de periodos.
EJEMPLO 4
Durante los últimos 8 trimestres, en el puerto de Baltimore se han
descargado de los barcos grandes cantidades de grano. El administrados
de operaciones del puerto probar el uso de la suavización exponencial
para ver que tan bien funciona la técnica para predecir el tonelaje
descargado. Supone que el pronóstico de grano descargado durante el
primer trimestre fue de 175 toneladas se examinan dos valores de α
=0.10 y α =0.50.
  Tonelaje      
  real Pronóstico Pronóstico
Trimestre descargado con α= 0.1 con α= 0.5
1 180 175   175
2 168 175.00+0.1(180-175) = 175.50 177.50
3 159 175.50+0.1(168-175.50)= 174.75 172.75
4 175 174.75+0.1(159-174.75)= 173.18 165.88
5 190 173.18+0.1(175-176.18)= 173.36 170.44
6 205 173.36+0.1(190-173.36)= 175.02 180.22
7 180 175.02+0.1(205-175.02)= 178.02 192.61
8 182 178.02+0.1(180-178.02)= 178.22 186.30
   Tonelaje    
Desviación     Desviación
  real Pronóstico absoluta Pronóstico absoluta
con
Trimestre descargado con α= 0.1 α=0.1 α= 0.5 α=0.5
1 180 175 5.00 175 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.13
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
Suma de desviaciones absolutas 82.46 98.63

MAD= 10.31 12.33

Con base en esta comparación de las dos MAD, se refiere una constante de suavización de α
= 0.10 en lugar de α = 0.50 porque su MAD es más pequeña
 Error cuadrático medio(MSE)

Es una segunda forma de medir el error global de pronostico.

Donde:
n: número de periodos.

EJEMPLO 5
Determina el MSE para el puerto de Baltimore presentado en el ejemplo4.
El administrador de operaciones del puerto de Baltimore quiere calcular
ahora MSE para α =0.10 .
 Tonelaje real Pronostico Pronostico
Trimestre error^2 error^2
descargado con α=.10 con α=.50
1 180 175 25 175 25.00
2 168 175.5 56.25 177.5 90.25
3 159 174.75 248.06 172.75 189.06
4 175 173.18 3.31 165.88 83.17
5 190 173.36 276.89 170.44 382.59
6 205 175.02 898.80 180.22 614.05
7 180 178.02 3.92 192.61 159.01
8 182 178.22 14.29 186.3 18.49
suma de errores al cuadrado 1526.52   1561.63

MSE= 190.815   195.204

¿Este MSE=190.8 es bueno o malo?. Todo depende de los MSE para otros métodos de
pronostico. Un MSE mas bajo es mejor porque es un valor que queremos minimizar . El MSE
exagera los errores porque los eleva al cuadrado.
 Error porcentual absoluto
medio(MAPE

Calcula como el promedio de diferencias absolutas medias

encontradas entre los valores pronosticados y los reales,
expresado como un porcentaje de los valores reales.

Donde:
n: número de periodos.

EJEMPLO 6
• El puerto de Baltimore ahora quiere calcular el MAPE cuando = 0.10.
 Error % Error %
Tonelaje real Pronostico absoluto Pronostico absoluto
Trimestre
descargado con α=.10 100(error/ac con α=.50 100(error/ac
tual) tual)
1 180 175 2.78 175 2.78
2 168 175.5 4.46 177.5 5.65
3 159 174.75 9.91 172.75 8.65
4 175 173.18 1.04 165.88 5.21
5 190 173.36 8.76 170.44 10.29
6 205 175.02 14.62 180.22 12.09
7 180 178.02 1.10 192.61 7.01
8 182 178.22 2.08 186.3 2.36
suma de errores= 44.75   54.04

MAPE 5.59   6.76

El MAPE expresa el error como un porcentaje de los errores reales, sin que esté
distorsionado por un solo valor muy grande.
 Suavizamiento exponencial con
ajuste de tendencia

Como la suavización exponencial es un enfoque tan común en los

negocios, se estudiara con mayor detalle. A continuación se presenta la
razón por la que suavización exponencial debe modificarse cuando está
presente una tendencia.

Suponga que la demanda de un producto o servicio ha venido

aumentando 100 unidades cada mes y que se han obtenido pronosticar
con α = 0.4 con el modelo de suavización exponencial. La tabla siguiente
muestra un retraso considerable en los meses 2, 3,4 y 5 aun cuando
nuestra estimación inicial para el mes 1 es perfecta.
 EJEMPLO 7
Un importante fabrica de Portland quiere pronosticar la
demanda de un equipo para control de la contaminación.
Una revisión de las ventas históricas, como se muestra a
continuación, indica que hay una tendencia creciente.
DEMANDA
MES (t) Ft Tt FITt
REAL(At)
1 12 11.00 2.00 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 - 32.48 2.68 35.16
 40

35 Demanda
Demanda del producto real(At)
30

25
Pronostico incluyendo
20 la tendencia
(FITt) con α=0.2 y
15 β=0.4

10

0
1 2 3 4 5 6 7 8 9

Tiempo(meses)

DEMANDA REAL(At) FITt

Se compara la demanda real (At) contra un pronostico de suavizamiento exponencial que

incluye la tendencia (FITt). El FIT incorpora la tendencia en la demanda real.
Un modelo se suavizamiento exponencial simple tiene un retraso importante.
 Proyecciones de tendencia
Esta
   técnica ajusta una recta de tendencia a una serie de
datos puntuales históricos, y después proyecta dicha recta al
futuro para obtener los pronósticos de mediano y largo plazo,
se pueden desarrollar varias actuaciones matemáticas.

Una recta de mínimos cuadrados se describe en términos de su

intersección con el eje y la altura cruza al eje y su cambio
esperado (pendiente) si se calcula la intersección con el eje y
la pendiente, se puede expresar la recta con la siguiente
ecuación

Donde:
b =pendiente de la recta de regresión
x =valores conocidos de la variable independiente
y =valores conocidos de la variable dependiente
=promedio de los valores x
a= =promedio de los valores y
n =numero de puntos de datos u observaciones
EJEMPLO 8
Se muestra la demanda de energía eléctrica en N, Y Edison durante los
últimos 7 años en mega watts la empresa quiere pronosticar la
demanda para el año siguiente ajustando una recta de tendencia a estos
datos.
DEMANDA DE CARGA
AÑO PERIODO(X) x^2 XY
ELECTRICA(Y)
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
  ∑x = 28 ∑y ==692 ∑140
10.54 ∑xy = 3063

= 56.7

DEMANDA EN 2008
= 141.2
 160

Demanda de energía (megawatts)

140 f(x) = 10.54x + 56.71
120
100
80
60
40
20
0
2001 2002 2003 2004 2005 2006 2007 2008 2009

Tiempo(años)

Demanda real de Energia

Linear (Demanda real de Energia)

Para evaluar el modelo, se grafica la demanda histórica y la recta de tendencia, en este caso
debemos tener cuidado y tratar de comprender el cambio de la demanda del año 6 al año 7
Variaciones estacionales en los datos

Las variaciones estacionales en los datos son movimientos regulares

ascendentes localizados en una serie de tiempo y que se relacionan con
acontecimientos recurrentes como el clima las variaciones.

A continuación se presentan los pasos que seguiría una compañía que

tiene estaciones de un mes:

1. Encontrar la demanda histórica promedio de cada estación .

2. Calcular la demanda promedio de todos los meses.

3. Calcular el índice estacional .

4. Estimar la demanda total anual para el siguiente año.

5. Dividir esta estimación de la demanda total anual entre el numero de

estaciones , después multiplicarla por el índice estacional.
 EJEMPLO 9
Un distribuidos de Moines de computadora portátiles Sony quiere
desarrollar índices mensuales para las ventas, se dispone de los datos
mensuales de los tres últimos años.

DEMANDA
DEMANDA DEMANDA INDICE
PROMEDIO PROMEDIO ESTACIONAL(
2005-2007 MENSUAL(a) b)
MES 2005 2006 2007

ENERO 80 85 105 90 94 0.957

FEBRERO 70 85 85 80 94 0.851
MARZO 80 93 82 85 94 0.904
ABRIL 90 95 115 100 94 1.064
MAYO 113 125 131 123 94 1.309
JUNIO 110 115 120 115 94 1.223
JULIO 100 102 113 105 94 1.117
AGOSTO 88 102 110 100 94 1.064
SEPTIEMBRE 85 90 95 90 94 0.957
OCTUBRE 77 78 85 80 94 0.851
NOVIEMBRE 75 82 83 80 94 0.851
DICIEMBRE 82 78 80 80 94 0.851
demanda
Promedio total de   1128    
Si se espera que la demanda de las computadoras para el próximo
año sea de 1200unidades, se usarían estos índices estacionales
para pronosticar la demanda mensual como sigue:

MES DEMANDA MES DEMANDA

ENERO
ENERO 96 JULIO
JULIO 112
FEBRERO 85 AGOSTO 106
FEBRERO AGOSTO
MARZO 90 SEPTIEMBRE 96
MARZO SEPTIEMBRE
ABRIL 106 OCTUBRE 85
ABRIL
MAYO 131 OCTUBRE
NOVIEMBRE 85
MAYO
JUNIO 122 NOVIEMBRE
DICIEMBRE 85
JUNIO DICIEMBRE

Piensa en estos índices como porcentajes de las ventas promedio. Las ventas promedio (sin
estacionalidad) serian 94, las ventas fluctúan entre 85% y 131% del promedio.
EJEMPLO 10
El hospital de San Diego quiere mejorar sus pronósticos aplicando tanto
tendencia como índices estacionales a los datos recopilados durante 66
meses. Se pronosticaran los “días-paciente” para el año próximo.
Solución: Usando los datos recopilados en 66 meses se
obtuvo.

10.2
10
Ŷ = 8090 + 21.5x 9.8 9.68 9.72 9.77
9.59 9.64
9.53 9.55 9.7 9.75
9.6
Dias-Pciente

9.62 9.66
9.57
9.4

Donde: 9.2
9
ŷ = días-paciente
x = tiempo, en meses

Mes
 La tabla siguiente proporciona los índices estacionales basados en los
mismos 66 meses. A propósito, esos datos estacionales resultaron típicos
para los hospitales de todo Estados Unidos.
Mes Índice de Mes Índice de
estacionalidad estacionalidad
Enero 1.04 Julio 1.03
Febrero 0.97 Agosto 1.04
Marzo 1.02 Septiembre 0.97
Abril 1.01 Octubre 1.00
Mayo 0.99 Noviembre 0.96
Junio 0.99 Diciembre 0.98
1.06 10200
1.04 1.04 1.04 10067
Indice para los dias-paciente

1.03 10000

Dias-paciente internado
9915 9948
1.02 1.02
1.01 9800 9764
1 1 9690 9723
0.99 0.99 9600 9571
0.98 0.98 95199541
0.97 0.97 9400 9410
0.96 0.96 9355
9264
9200
0.94

0.92 9000

0.9 8800
67 68 69 70 71 72 73 74 75 76 77 78 67 68 69 70 71 72 73 74 75 76 77 78

Mes
Mes
(periodo = 67 dias para enero y 78 para diciembre)
(periodo = 67 para enero hasta 78 para diciembre)

Se observa que usando la tendencia, el pronóstico para septiembre es de 9702, pero con el
que ajuste de tendencia y estacionalidad el pronóstico es de 9411 al combinar los datos de
tendencia y estacionalidad el hospital pudo pronosticar mejor los días-pacientes
hospitalizados. El personal requerido. Y el presupuesto vital para garantizar la efectividad de
las operaciones.
EJEMPLO 11
La administración de Davi´s Departament Store uso
regresión de series de tiempo para pronosticar las ventas al
menudeo de los siguientes trimestres.
Las ventas estimadas son de 100000; 120000; 140000 y
160000 dólares para los trimestres respectivos. Se ha
encontrado que los índices estacionales para los cuatro
trimestres son de 1.30, 0.90, 0.70 y 1.15, respectivamente.

Solució
n:

Ahora el pronostico con tendencia en línea recta está ajustando para reflejar los cambios
estacionales
 7.1 ANALISIS
ANALISIS DE
DE REGRESION
REGRESION Y
Y CORRELACION
CORRELACION

7.2 USO
USO DE
DE ANALISIS
ANALISIS DE
DE REGRESION
REGRESION

METODOS
ASOCIATIVOS 7.3 ERROR
ERROR ESTANDAR
ESTANDAR DE
DE LA
LA ESTIMACION
ESTIMACION

COEFICIENTES
COEFICIENTES DE
DE CORRELACION
CORRELACION
7.4
PARA
PARA RECTAS
RECTAS DE
DE REGRESION
REGRESION

7.5 ANALISIS
ANALISIS DE
DE REGRESION
REGRESION MULTIPLE
MULTIPLE
7 METODOS
METODOS ASOCIATIVOS
ASOCIATIVOS

7.1 ANALISIS DE REGRESION Y CORRELACION

 Casi siempre consideran varias variables.

 Determinar dichas variables.
 Se construye un modelo estadístico que se usa para pronosticar el elemento de
interés.
 Enfoque más poderoso que los métodos de series de tiempo.
 El modelo de pronósticos asociativo cuantitativo más común es el análisis de
regresión lineal.
7.2 USO DEL ANALISIS DE REGRESION

y= valor de la variable dependiente.

a= intersección en el eje y.
b= pendiente de la recta de regresión.
x= variable independiente.
 7.3 ERROR ESTANDAR DE LA ESTIMACION

mide la variabilidad o dispersión de los valores observados alrededor de la línea de

regresión

y = valor de y de cada dato puntual

= valor calculado de la variable independiente, a partir de la ecuación de regresión

n = número de datos datos puntuales
7.4 COEFICIENTES DE CORRELACION PARA RECTAS DE REGRESION

Dónde:

r = coeficiente de correlación
Ejemplo 13
El vicepresidente de operaciones de Nodel quiere conocer el error asociado
con la recta de regresión calculada en el ejemplo 12

Ventas ,y Nomina, X X² xy Y²
1 2 1 1 2 4
2 3 3 9 9 9
3 2,5 4 16 10 6,25
4 2 2 4 4 4
5 2 1 1 2 4
6 3,5 7 49 24,5 12,25
15 18 80 51,5 39,5
Solución:
La única cifra que necesitamos y que no es posible despejar para calcular es .

(en millones)

Entonces el error estándar de la estimación es de 306000 dólares en ventas

Interpretación:

Cuanto mayor sea el error estándar de la estimación, más grande será la

dispersión (o esparcimiento) de puntos alrededor de la línea de regresión. Por el
contrario, si Se= 0, se espera que la ecuación de estimación sea un estimador
“perfecto” de la variable dependiente, en este caso todos los puntos caerían
directamente sobre la línea de regresión y no habría puntos dispersos, como se
muestra en la siguiente figura:
Interpretación:

suponiendo que los puntos observados tienen una distribución normal

alrededor de la recta de regresión, podemos esperar que:

• 68% de los puntos están dentro de ± 1se

• 95.5% de los puntos están dentro de ± 2se
• 99.7% de los puntos están dentro de ± 3se
El error estándar de la estimación se mide a lo largo del eje “Y”, y no
perpendicularmente desde la recta de regresión. Las suposiciones son:
1. Los valores observados para Y tienen distribución normal alrededor
de cada valor estimado de yˆ
2. La varianza de las distribuciones alrededor de cada valor posible de yˆ
es la misma. Si esta segunda suposición no fuera cierta, entonces el
error estándar en un punto de la recta de regresión podría diferir del
error estándar en otro punto.

RAZONAMIENTO: La interpretación del error estándar de la

estimación es similar a la desviación estándar; a saber, 1
desviación estándar = 0.6827. Entonces existe una posibilidad
de ventas del 68.27% de estar a $306 000 de la estimación
puntual de $3250 000
Ejemplo 14
Observamos la relación que hay entre las ventas de renovación de casa de la
compañía constructora Nodel Y la nómina pagada en el ara west Bloomfield.
El vicepresidente ahora quiere conocer la fuerza de asociación entre nomina
local y las ventas

Solución:

Ventas ,y Nomina, X X² xy Y²
1 2 1 1 2 4
2 3 3 9 9 9
3 2,5 4 16 10 6,25
4 2 2 4 4 4
5 2 1 1 2 4
6 3,5 7 49 24,5 12,25
15 18 80 51,5 39,5
Solución:
Interpretación:

El siguiente esquema representa adecuadamente la intensidad y la

dirección del coeficiente de correlación muestral.

RAZONAMIENTO: Este r de 0.901 parece indicar que hay una correlación

significativa y ayuda a confirmar la relación estrecha que existe entre dos
variables
7.4 ANALISIS DE REGRESION DE REGRESION MULTIPLE

Dónde:

y = variable dependiente, ventas

a = una constante, la intersección

X1 y x2 = valores de la dos variables independientes, nómina del área y tasas de

interés respectivamente

= coeficiente de las dos variables independientes

 Ejemplo 15
USO DE UNA ECUACION DE REGRESION MULTIPLE
La constructora Nodel quiere ver el impacto de una segunda variable independiente, las tasas de interés,
sobre sus ventas
MÉTODO La nueva recta de regresión múltiple para Nodel, calculada con un programa de computadora es
ŷ = 1.8 + 0.3x1 - 5x2
El nuevo coeficiente de correlación es 0.96, lo cual implica que al agregar la variable x2, tasas de interés,
de aun más fuerza a la relación lineal.

SOLUCIÓN Ahora podemos estimar las ventas e Nodel si sustituimos los valores de la nómina y de la tasa de interés para el próximo año. Si la nómina de
WEST BLOOMFIELD va a ser de 6 mil millones de dólares de tasa de interés 0.12 (12%), entonces las ventas pronostican como:

ŷ = a + b1x1 + b2x2
ŷ : Variable dependiente.
a: una constante.
x1: nomina del area.
x2: tasas de interes.
b1 y b2: coeficientes de las dos variables independientes.
ŷ = 1.8 + 0.3x1 - 5x2

x1= 6 mil millones de dólares

x2= 12% tasa de interés
a= 1.8
b1= 0.3
b2= 5.0
ŷ=3 mil millones
RAZONAMIENTO

Al usar ambas variables nomina y tasa de interés, Nodel

tiene ahora un pronostico de venta de 3 millones de
dólares y un coeficiente de correlación mas alto. Esto
sugiere una relación mas fuerte entre las dos
variables y una estimación mas precisa de las
ventas.
 1 Señal
Señal de
de control
control

2 Sesgo

Monitoreo y 3 Monitoreo
Control de
Pronósticos 3.1 Suavización adaptable

3.2 Pronóstico enfocado

3.3 pronósticos en el sector servicios

1 Señal
Señal de
de Control
Control

Es una medida de qué tan bien predicen los pronósticos los valores reales

2 Sesgo
Sesgo

Un pronóstico que está consistentemente arriba o consistentemente

debajo de los valores reales de una serie de tiempo.

3 Monitoreo
Monitoreo

Una manera de supervisar los pronósticos para asegurar que sean buenos es
emplear una señal de control.
 Señal de control =

donde MAD =
 Señal de control
Una medida de qué
tan bien predicen el
pronóstico los valores
reales.

Sesgo
Un pronóstico que
está
consistentemente
arriba o
consistentemente
debajo de los
valores reales de
una serie de
tiempo.
Ejemplo 16
• CÁLCULO DE LA SEÑAL DE CONTROL EN CARLSON BAKERY
Carlson Bakery quiere evaluar el desempeño de su pronostico de ventas de bollos.

MÉTODO Desarrolle una señal de control para el pronóstico y vea si se conserva dentro de los límites aceptables, los cuales se definen como ±4 MAD.

SOLUCIÓN Usando el pronostico y los datos de demanda para las ventas de croissants
en los últimos 6 trimestres, se desarrollará una señal de control en la siguiente tabla:

Dema Señal de
Demanda
Trimestre nda Error RSFE MAD Control
Pronosticada |Error Error Absoluto
real (RSFE/MAD)
Absoluto del Acumulado del
pronostico| pronostico

1 90 100 -10 -10 10 10 10 -1

2 95 100 -5 -15 5 15 7.5 -2

3 115 100 15 0 15 30 10 0

4 100 110 -10 -10 10 40 10 -1

5 125 110 15 5 15 55 11 0.45

6 140 110 30 35 30 85 14.17 2.47

Al final del trimestre 6, MAD = = 14.2
•
y Señal de control = = = 2.5 MAD

RAZONAMIENTO Como la señal de control oscila de -2 MAD

a +2.5 MAD (entre 1.6 y 2.0 desviaciones
estándar), podemos concluir que está dentro de los
límites aceptables.
• ¿Cómo deciden las empresas cuáles deben ser los límites de
control superior e inferior?

No, existe una respuesta única, pero intentan encontrar valores

razonables (en otras palabras, límites que no sean tan bajos como
para enviar la señal con el mínimo error de pronóstico ni tan altos
que dejan pasar pronósticos malos de manera regular).

MAD Desviación Estándar

1 0.8
±2 ±1.6
±3 ±2.4
±4 ±3.6

lo cual se sugiere que para que un pronóstico 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.
3.1 Suavización
Suavización adaptable
adaptable

• Un enfoque del pronóstico de suavización exponencial en el cual la

constante de suavización se modifica de manera automática para mantener
los errores a un nivel mínimo.
• Por ejemplo, cuando se aplica a la suavización exponencial, primero se
seleccionan los coeficientes α y β según los valores que disminuyen al
mínimo el error de pronóstico y después se ajustan de acuerdo con éstos
cuando la computadora captan una señal de control errática. Este proceso
se llama suavización adaptable.

3.2 Pronóstico
Pronóstico enfocado
enfocado

• Pronóstico que prueba una variedad de modelos computarizados y

selecciona el mejor para una aplicación en particular. El pronóstico
enfocado se basa en 2 principios:
• Los modelos de pronósticos sofisticados no siempre son mejores que los
sencillos.
• No existe una técnica única que deba empelarse para todos los productos
o servicios.
3.4 PRONÓSTICOS
PRONÓSTICOS EN
EN EL
EL SECTOR
SECTOR SERVICIOS
SERVICIOS

Los pronósticos en el sector servicios presentan retos inusuales. Una técnica

importante en el sector comercial es el seguimiento de la demanda manteniendo
buenos registros a corto plazo.

• Tiendas de especialidad al menudeo

Las tiendas de especialidad al menudeo, como las florerías, pueden tener otros
patrones de demanda poco comunes y estos patrones variarán de acuerdo con los
días festivos.

• Restaurantes de comida rápida

Los restaurantes de comida rápida están preparados no sólo para enfrentar las
variaciones de la demanda por semana, día y hora sino, incluso, para las
variaciones de cada 15 minutos que influyen en las ventas.
En consecuencia, necesitan pronósticos detallados de la demanda.