Cap.

II – Visión de Futuro

Ing. Pablo Azálgara Neira

1
 2.1 INTRODUCCION
Podemos elegir entre:
• El enfoque normativo
• Las imágenes descriptivas.
• Escenarios posibles futuros
• Un futuro probable
El futuro probable ha sido llamado predicción o
pronóstico.
¿ Qué ocurre al objeto A en el tiempo B si la evolución
se deja continuar sin interferencias?
¿Qué sigue a esto se recurrimos a la manipulación C?
2
 2.1 INTRODUCCION

Todo pronóstico es un cálculo estimativo del nivel de

la demanda de un producto para un período de
tiempo futuro.
Un pronóstico se debe hacer en base a las unidades
que han de quedar comprendidas en un plan o
programa y debe abarcar un período de tiempo
cuando menos tan largo como el período que se
necesita para tomar un acuerdo o decisión y llevarlo
a efecto. El gráfico siguiente muestra algunas de las
decisiones que se basan en los pronósticos.

3
 2.1 INTRODUCCION

El gráfico siguiente muestra algunas de las decisiones que

se basan en los pronósticos.

4
 2.1 INTRODUCCION

Los pronósticos no pueden ser exactos,

Intervienen una serie de factores variables, como es el
gusto, la innovación tecnológica, la densidad demográfica,
la escasez o abundancia, etc,
El pronóstico nos ofrece indicaciones y no la palabra final.
Deben estar basados en fuentes confiables.

5
 2.2. Historia de los futurólogos.

A lo largo de la historia, los dirigentes han sentido la

necesidad de tener consejeros clarividentes.

Para que sirven los pronósticos.- Para planear la

producción

Es un paso vital para la planeación

Los mejores pronósticos serán emitidos por personas que

tengan un entrenamiento especial, aunque sean
susceptibles de errores por la variabilidad de los factores.

6
2.3 Fuentes para el pronóstico.

Existen diferentes métodos para enfocar un

pronóstico de demanda.

Depende de la naturaleza de la empresa, los

productos que fabrica, sus recursos, los sistemas
de información que emplea y la filosofía de su
administración.

7
2.4 Pronósticos basados en opiniones subjetivas.

2.4.1. Método Delphi.

Consiste la utilización de las opiniones e intuiciones, se
siguen los siguientes pasos:
* Se eligen grupos de expertos en el tema.
* Se les hace un grupo de preguntas idénticas sin que se
conozcan entre ellos.
* Se hace un sumario de todas las respuestas recibidas.
• Se le envía a los entrevistados para ver si desean hacer
modificaciones a sus respuestas.
• Se vuelve a seguir el mismo método hasta que
ninguno de los expertos desea modificar sus
apreciaciones
8
2.4 Pronósticos basados en opiniones subjetivas.

Se buscan expertos dentro de la cadena de distribución, se

pueden hacer Focus Group recibiendo las opiniones de:

* Opiniones del consumidor

* Opiniones del cliente
* Opiniones del distribuidor
* Opiniones ejecutivas

9
 2.5. Pronósticos por escenarios para
aplicar un Modelo Causal.
 Es el método más exacto.
 Hay que logra un modelo que muestre como los atributos y
variables dependen entre sí.
 Una de las variables comúnmente usada es el Tiempo.
 Suele ser bastante complicado trabajar con él, por lo que se
requiere emplear computadoras.
 Sistema de notación para describir las relaciones lógicas
entre las variables.
 El modelo sólo es válido en el contexto para el que fue
desarrollado.
 Se pueden emplear pruebas como las que se muestran a
continuación.
10
 2.5. Pronósticos por escenarios para aplicar
un Modelo Causal.

a) Pronósticos basados en pruebas de Mercado

Para la introducción de un nuevo producto o un producto
modificado. El costo de aplicación de este método es bastante
elevado.

11
 2.6. Pronósticos aplicando Modelos estadísticos

También se puede presentar el caso que se pueda producir una

asociación estadística entre dos o más variables, por Ej.:
• Una regresión.
• La Curva de Gauss.
• La Curva de seno cíclico.
• La Curva de seno decreciente.
Se suele obtener una buena predicción por estos métodos.
Algunas veces la serie cronológica ha extrapolar incluye
varios tipos de variación simultáneamente.
En este caso se analizan primero la serie cronológica,
dividiéndola en sus componentes.
Se hacen pronósticos separados para los componentes y al
final se recompone el pronóstico. 12
 2.6. Pronósticos aplicando Modelos estadísticos

Suele ser ventajoso usar un método para pronosticar el corto

plazo y otro para el largo plazo.
Una forma de trabajar estos modelos estadísticos es
empleando el:

Pronósticos basados en estudios de Mercado

Recopila datos de varias maneras (Encuestas entrevistas,etc)
para probar hipótesis formuladas con respecto al mercado.
Usado para pronosticar ventas a largo plazo y de nuevo
productos

13
 2.7. Pronósticos basados en la Analogía.

Se trata de reproducir relaciones entre los diversos aspectos,

atributos y variables de los acontecimientos que se predicen.
Se puede tomar prestado un sistema foráneo que ha
alcanzado un estado más maduro en el desarrollo que el que
estamos trabajando.
Al final se hacen las correcciones del caso.
Pronóstico basados en indicadores económicos
Los indicadores describen las condiciones económicas que se
producen durante un periodo dado de tiempo.
En muchos casos se encuentra que hay una relación directa o
correlación, entre ventas de algunos productos y estos
indicadores. 14
 2.7. Pronósticos basados en la Analogía.

Indicadores comúnmente usados:

Precios al Consumidor.
Índice de precios mayoristas
Contratos de Construcción adjudicados
Ingresos Per cápita
Producción de automóviles
Ingresos Agrícolas
Empleos
Producto Nacional Bruto
Depósitos bancarios
Producción de acero
Etc.
15
 2.8. Pronósticos basados en la Extrapolación.

• Es el método más habitual de pronóstico.

• Se basa en que lo que ha sucedido antes seguirá
sucediendo.
• Se parte de una serie cronológica.
• Los valores se extrapolan cuando se tiene más de
dos valores.
• Los cálculos se pueden hacer con un modelo de
regresión.
• Es típico para variables cuantitativas.

16
 2.8. Pronósticos basados en la Extrapolación.

• Se pueden extrapolar tendencias basados en el

mismo principio.
1. Se toman dos observaciones en diferentes momentos.
2. Calculamos la diferencia entre ellas.
3. Se añade esta diferencia al informe de la última
observación.
4. Se obtiene el pronóstico.
• Este método ignora a variables nuevas o
variaciones súbitas que hagan cambiar las
condiciones del pronóstico.

17
2.9. Análisis, Evaluación y Descripción de los
Pronósticos.
• No hay muchos métodos para predecir la fiabilidad
de las predicciones.
• Se puede emplear:
1. La triangulación (emplear varios métodos), para
determinar el rango de incertidumbre.
2. Análisis de sensibilidad.- solo para modelos numéricos.
3. La variación probable.-
4. Una curva difusa.
5. Una escala difusa
6. Explicación verbal
7. Escenarios paralelos

18
2.10. Pronósticos basados en serie histórica de
datos
La demanda futura se basa en la demanda de
periodos del pasado.
1. Demanda con tendencia
2. Demanda con variación estacional
3. Demanda con variaciones cíclicas o ciclos
4. Demanda con variación aleatoria.

1995 1996 1997

Fig. 2.1 Demanda con variación estacional ascendente 19

2.11. Métodos de cálculo de los pronósticos

a. Métodos de regresión matemática

Por regresión lineal
Mínimos cuadrados
Regresión lineal por correlación

Por regresión no lineal

Exponencial
Parabólico

b. Métodos de promedios
Promedios simples
Promedios móviles
20
Promedios móviles con ponderación exponencial.
2.11.1. Mínimos cuadrados.

La recta de pronóstico está definida por la ecuación

y= a + bx
y = valor pronosticado
a = el valor de y en el punto base
b = la pendiente de la recta.

n. xy   x. y
n n

 yi  b. xi b
a i 1 i 1
n. x 2  ( x) 2
n

Se recomienda  x=0 Cambiando año base para ello

21
2.11.1. Mínimos cuadrados (Ejemplo).

"Herramientas Andinas S.A.“

AÑO 2012 2013 2014 2015 2016

Tri. 1 19 28 27 30 32

Tri. 2 37 42 36 43 44

Tri. 3 30 31 28 29 32

Tri. 4 22 18 19 20 22

TOT: 108 119 110 122 130

22
2.11.1. Mínimos cuadrados (Ejemplo).

Año Y X X2 XY

2012 108 0 0 0
2013 119 1 1 119
2014 110 2 4 220
2015 122 3 9 366
2016 130 4 16 520
Suma 589 10 30 1225
23
2.11.1. Mínimos cuadrados (Ejemplo).

5x1225 - 10x589
b= 2
= 4.7
5x30 - (10)

589 10
a= - 4.7 * = 108.4
5 5
Y= 108,4 + 4.7 X

Y2017 = 108.4 + 4.7(5) = 131.9

24
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
Este método es empleado cuando los datos usados
representan a indicadores económicos que tienen relación
directa con la serie histórica de la demanda de los
productos de la empresa.
Para la aplicación de este método se debe tener en
consideración lo siguiente:
1.- Este tipo de pronóstico depende del uso adecuado de
los índices que se van ha tomar y que la conclusión de las
variables que afectan al pronóstico sean los más altos.

25
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
2.- Se debe tratar de encontrar un indicador económico
que esté relacionado con las ventas del producto y que sea
anterior a la misma, tal como:
a.- El número de contrato de construcciones adjudicados
en un período puede determinar la cantidad de material de
construcción que se venderá en el período siguiente.
b.- Como el ingreso agrícola en un año puede indicar la
cantidad de equipo agrícola que se venderá en el año
siguiente.

26
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.
ANALISIS DE CORRELACION
Para hallar el coeficiente de correlación :
nXY  XY
r
nX 2  ( X) 2 nY 2  ( Y) 2

También se puede usar el coeficiente de determinación

(r2) que representa el porcentaje de variación explicada
por las variable utilizadas:
[ nXY  XY]2
r 
2
[ nX 2  ( X) 2 ][ nY 2  ( Y) 2 ]

27
2.11.2. METODO DE REGRESION LINEAL
POR CORRELACION PARA PRONOSTICOS.

Valor del Coef. Interpretación Valor de Coeficiente

de correlación de determinación
0,91 - 1,0 Correlación muy alta 0.83 - 1,0
0,71 - 0,9 Correlación alta 0,50 - 0,82

0,41 - 0,7 Correlación moderada 0,17 - 0,49

0,21 - 0,4 Correlación baja 0,04 - 0,16

0,0 - 0,2 Correlación muy leve 0,00 - 0,04

28
Problema

Año Vtas. Indice Año Vtas Vtas

1 2.1 104 6 2.7 109

2 1.9 101 7 3.6 120

3 2.3 106 8 1.4 98

4 1.5 99 9 0.9 90

5 1.2 95 10 2.0 103

29
Solución

INDICE Vta (Y) XY X2 Y2

104 3.1 322.4 10816 9.61
101 1.9 191.9 10201 3.61
106 2.3 243.8 11236 5.29
99 1.5 148.5 9801 2.25
95 1.2 114 9025 1.44
109 2.7 294.3 11881 7.29
120 3.6 432 14400 12.96
98 1.4 137.2 9604 1.96
90 0.9 81 8100 0.81
103 2 206 10609 4
1025 20.6 2171.1 105673 49.22
30
Solución

,  1025 * 20,6
10 * 21711
r
10 * 105673  (1025) 2 10 * 44,02  (20,6) 2

r = 0.99330869 (Correlación muy alta)

El coeficiente de correlación hallado nos indica que
la recta a determinar servirá para pronosticar las
ventas por medio del índice económico usado.
A continuación se calculan los parámetros, como en
el método de Regresión Lineal.
31
Solución

10 * 2067.1- 1025*19.6
b= 2
 0.09517
10 *105673 - (1025)

a = Y - bX ; X =102.5 Y =1.96
a = Y - bX ; X =102.5 Y =1.96  a =1.96 - 0.09517 *102.5
a = -7.7949
Ye =-7.7949 + 0.09517X
De esta manera podemos predecir que el
volumen de ventas para un índice económico de
128 será de 43,869 unidades
32
 2.11.3. Método de regresión exponencial de
pronósticos
Y = abx, Y varía con la tasa constante b en cada periodo
log y = log a + x log b
n ( x. log y)   x. (log y)
 (log y )   x.(log b) log b 
log a 
n n. x 2  ( x) 2
LogY = Loga + x logb
Y

Y
x
ab
=
Y

X X

Se recomienda  x=0, para facilitar Cálculo 33

a = ant.log (Log a)
En el problema de Herramientas Andinas S.A.
Año X Y X2 log Y X log Y
2002 -2 108 4 2.03342376 -4.06684751
2003 -1 119 1 2.07554696 -2.07554696
2004 0 110 0 2.04139269 0
2005 1 122 1 2.08635983 2.08635983
2006 2 130 4 2.11394335 4.2278867
0 589 10 10.3506666 0.17185206

10.350
log a = = 2.07 => a = ant.log 2.07 = 117.5
5
0.172
log b = = 0.0172 => b = ant. log 0.0172 = 1.0404
10
Pronóstico para 2002:
Y98 = 117.5 * (1.0404) 3 = 132.32
Representa a un pronóstico de 132.32 unidades 34
2.11.4. Regresión parabólica para pronósticos
Cuando la recta de mínimos cuadrados no es un estimador de
la tendencia, puede ser factible usar la parábola como línea
de tendencia por ser más flexible que una recta.
La ecuación de una parábola es:

Ye = a + bX + cX2
Ye = a + b1 X1 + b 2 X 2
Y - cX 2
XY nX 2 Y - X 2 Y
a= b = c=
n X 2 nX 4 - ( X 2 ) 2

35
2.11.5. Promedios Simples

En la ecuación Y = a + bX, cuando b es igual a cero la

recta es horizontal. Por tanto el pronóstico para el
siguiente período es el promedio simple de todos los
valores de Y. Y
YE =
n
El cálculo del valor promedio se asocia más a menudo
con variaciones estacionales. Por lo general las
variaciones de las temporadas fluctúan sobre un valor
promedio. Los índices obtenidos pueden combinarse
con los pronósticos obtenidos por otros métodos así
obtener el pronóstico para la temporada.
36
 Ejemplo: Caso de Herramientas Andinas S.A.

Año Tri.1 Tri. 2 Tri. 3 Tri. 4 TOTALES

2012 190 370 300 220 1080
2013 280 420 310 180 1190
2014 270 360 280 190 1100
2015 300 430 290 200 1220
2016 320 440 320 220 1300
Suma 1360 2020 1500 1010 5890

Promedio 272 404 300 202 294.5

promedio simple por trimestre

IT =
promedio de trimestres

37
 Ejemplo: Caso de Herramientas Andinas S.A.

272 404
I T1 = = 0.92 I T2 = = 1.37
294.5 294.5
202 300
I T4 = = 0.69 I T3 = = 1.02
294.5 294.5
1 319 000 000
E T1 =  0.92 = 303 370 000
4
1 319 000 000
E T2 = 1.37 = 451 757 500
4
1 319 000 000 TOTAL: 1 319 000 000
E T3 = 1.02 = 336 345 000
4
1 319 000 000
E T4 =  0.69 = 227 527 500
4
38
2.11.6. Promedios Móviles

A.- Promedio Móvil Simple.

EN + FE + MA FE + MA + AB
AB = ; MA =
3 3
B.- Promedio móvil Porcentual
AB = 0.2EN + 0.3FE + 0.5MA
MA = 0.2FE + 0.3MA + 0.5AB
JU = 0.2MA + 0.3AB + 0.5MA
AB = 0.2AB + 0.3MA + 0.5JU

C.- Promedio Móvil Ponderado

4EN + 5FE + 6MA 4FE + 5MA + 6AB
AB = ; MA =
15 15 39
2.11.6. Promedios Móviles

Por lo general no tiene validez si no se combina con un

índice de temporada.
Es común usar los promedios móviles con los índices de
temporada.
El valor de índice de temporada se obtiene dividiendo la
demanda real entre el promedio movible centrado para
ese período.

Pronóstico =  Promedio Movil Centrado Recientex Indice de Temporada para el periodo

Pr onostico  PMC  I t
40
Año Trimestre Ventas PM4P PMC IE IEA Ye Y-Ye RM
(Y)
1 T1 73 1.04251508 76.1036005 -3.10360048

3.96915777
T2 83 0.98957160 82.1344427 0.8655573
75.25 6.41256989
T3 81 76.625 1.05709625 1.06848164 86.5470126 -5.54701259
78.00 11.9833845
T4 64 76.875 0.83252033 0.89943169 57.5636281 6.43637189
75.75 10.0076382
2 T1 84 75.625 1.11074380 1.04251508 87.5712663 -3.5712663
75.50 4.34296799
T2 74 76.250 0.97049180 0.98957160 73.2282983 0.77170169
77.00 6.25023264
T3 80 75.375 1.06135987 1.06848164 85.478531 -5.47853096
73.75 12.5183127
T4 70 73.625 0.95076401 0.89943169 62.9602182 7.03978176
73.50 10.0583521
3 T1 71 74.250 0.95622896 1.04251508 74.0185703 -3.01857033
75.00 3.77984361
T2 73 73.625 0.99151104 0.98957160 72.2387267 0.76127328
72.25 6.65069406
T3 86 1.06848164 91.8894208 -5.88942078
11.8229511
T4 59 0.89943169 53.0664697 5.93353034
TOTAL 87.7961046
41
 Tabla . Cálculo de un índice de temporada ajustado.
Trimestre T1 T2 T3 T4
1.05709625 0.83252033
1.11074380 0.97049180 1.06135987 0.95076401
0.95622896 0.99151104
Suma 2.06697276 1.96200284 2.11845612 1.78328433
Promedio 1.03348638 0.98100142 1.05922806 0.89164217
Índice 1.04251508 0.98957160 1.06848164 0.89943169
Ajust.

Indice Promedio =1.03348638 + 0.98100142 +1.05922806 + 0.89164217 = 3.96535802

Nro de Promedios 4
fa = = = 1.00873615
Indices Promedio 3.96535802
Pronósticos.
T1=(Promedio móvil centrado mas reciente para T1) x (Índice de estacionalidad ajustado)

Prom. Móv. Ind. Est. Aju. Pronóstico

T1= 74.250 1.04251508 77.4067443

T2= 73.625 0.98957160 72.8572090
T3= 75.375 1.06848164 80.5368034
T4= 73.625 0.89943169 66.2206581
42
2.11.7. Modelo de promedios exponenciales ponderados.

Proviene de la ecuación = Ft=  Dt-1+(1-)Ft-1

Ft= Ft-1+(Dt-1 +Ft-1 )

Ft = pronóstico para el periodo siguiente
Ft-1 = pronóstico para el periodo anterior
 = constante de atenuación ( 0 <= <= 1 )
Dt = Valor real en el periodo en curso (Dt)

El nuevo pronóstico de la demanda(Ft ) es igual al

pronóstico anterior más una porción del error ( la diferencia
entre el pronóstico anterior y lo que en realidad ocurrió

43
Modelo de promedios exponenciales ponderados.

Si llamamos el primer pronóstico F0 y los pronósticos

subsiguientes están indicados por F1, F2, etc; una serie de
procedimiento es:
periodo 1 : F1 = D0 + (1-  ) F0
periodo 2 : F2 =  D1 + (1 -) F1
=  D1 +  (1 -  ) D1 + ( 1 -  )² F0
En general.
Ft =  Dt-1 +  (1 - )Dt-2 +  (1 - )² Dt-3 +......... + (1 -
)t-1 Dt-t + (1 - )tF0
en donde :
Ft = pronóstico para el periodo t
Dt = Datos Históricos Dt-t = Pronóstico inicial F0
44
2.12. Comparación y control de los pronósticos por serie
de tiempo

Se han considerado dos tipos básicos de métodos de

pronóstico. Las ecuaciones por ajuste de línea recta
suministran un medio para extrapolar pronósticos a varios
periodos en el futuro.
Los procedimientos iterativos se basan en datos oportunos
para hacer el pronóstico siguiente.
Se debe usar el criterio para pronosticar

45
2.12. Comparación y control de los pronósticos por serie
de tiempo
para el caso de métodos de regresión matemática se
recomienda usar la la fórmula

Sy 
 (Y  Y f ) 2

En donde
Sy = Error estándar de la estimación
Y = datos históricos
YF = ajustado calculado o puntos pronosticados.
V = número de grados de libertad(cuando n<30)
Se escoje el modelo que tiene menor Sy 46
47