Módulo 4: Pronósticos

Pronosticar es el arte y ciencia de predecir los eventos futuros. Se puede emplear datos
históricos y su proyección mediante modelos matemáticos.
Puede ser una proyección subjetiva o intuitiva, o combinación de ambas.

Horizontes de tiempo del pronóstico

1. Corto plazo: t < 1 año, por lo general es menor a 3 meses. Ej: compras, programar
trabajos, niveles de mano de obra, niveles de producción.
2. Mediano plazo: 3 meses < t < 3 años. Ej: ventas, producción, presupuesto, flujo de
efectivo.
3. Largo plazo: t ≥ 3 años. Ej: fabricación de nuevos productos, gastos de capital, expansión
de instalaciones.

Los de mediano y largo plazo se distinguen del corto plazo por tres características:
• Los de mediano y largo plazo apoyan aspectos más generales.
• El corto plazo utiliza metodologías diferentes. Técnicas matemáticas como: promedios
móviles, suavizamiento exponencial y extrapolación de tendencias.
• Los a corto plazo tienden a ser más precisos.
 Módulo 4: Pronósticos

Otro punto a tomar en cuenta es el ciclo de vida del producto, ya que no se

venden a un nivel constante a lo largo de su vida, la mayoría pasan por 4 etapas:

Tipos de Pronósticos
1. Económicos: abordan el ciclo del negocio al predecir tasas de inflación y otros
indicadores de planeación.
2. Tecnológicos: se refieren a las tasas de progreso tecnológico. (nacimiento de
nuevos productos)
3. De demanda: también llamados pronósticos de ventas, orientan la producción,
la capacidad y los sistemas de programación de la empresa, sirven como
entrada en la planeación financiera, de marketing y de personal.
 Módulo 4: Pronósticos

Importancia estratégica del pronóstico

Los buenos pronósticos son importantes para el negocio, ya que es una forma de
estimar la demanda hasta que se conoce la demanda real, por lo tanto, son una guía
en las decisiones. También es necesario considerar el efecto que provoca en
diferentes actividades de la empresa.

Recursos humanos: la contratación, capacitación y el despido de trabajadores

dependen de la demanda anticipada.

Capacidad: cuando es inadecuada los faltantes que resultan pueden significar

entregas pocos confiables, pérdidas de clientes, pérdidas de participación de
mercado.

Administración de la cadena de suministro: buenas relaciones con el proveedor,

ventaja de precio con los materiales, partes y/o MP.
 Módulo 4: Pronósticos

Pasos en el sistema de pronósticos

1. Determinar el uso.
2. Seleccionar los aspectos a pronosticar.
3. Determinar el horizonte de tiempo.
4. Seleccionar los modelos.
5. Recopilar los datos para elaborar el pronóstico.
6. Realizar el pronóstico.
7. Validar e implementar los resultados.

Enfoques de pronósticos

1. Cuantitativos: utilizan una variedad de modelos matemáticos que se apoyan en datos

históricos y/o en variables causales para pronosticar la demanda.

2. Cualitativos: utilizan factores como la intuición, las emociones, experiencias personales y

el sistema de valores de quien toma las decisiones para el pronóstico.
 Módulo 4: Pronósticos

Métodos cualitativos

1. Jurado de opinión: son en base a las opiniones de un grupo de expertos o

administradores de alto nivel, en combinación con modelos estadísticos.
2. Método Delphi: hay 3 tipos de participantes: los que toman la decisión (grupo
de expertos), el personal (ayudan a la elaboración) y los entrevistados (entregan
información).
3. Composición de la fuerza de ventas: cada vendedor estima sus ventas en sus
región.
4. Encuesta en el mercado de consumo: es mediante solicitud de información a
clientes o posibles consumidores acerca de sus planes de compras futuras.
 Módulo 4: Pronósticos

Métodos cuantitativos

1. Enfoque intuitivo.
2. Promedios móviles. Modelo de series de
tiempo
3. Suavizamiento exponencial.
4. Proyección de tendencias.
Modelo asociativo
5. Regresión lineal.

Modelos de series de tiempo: predicen bajo el supuesto que el futuro es en función

del pasado.

Modelos asociativos: incorporan variables o factores que pueden influir en la cantidad

a a pronosticar.
 Módulo 4: Pronósticos

Pronósticos de series de tiempo

Se basa en una secuencia de datos puntuales igualmente espaciados (semana,
mes, trimestre, etc.) Analizar una serie de tiempo significa desglosar los datos
históricos en componentes y luego proyectarlos al futuro. Una serie de tiempo posee
4 componentes:
1. Tendencia: movimiento gradual hacia arriba o debajo de los datos en el tiempo.
2. Estacionalidad: es un patrón de datos que se repite después de un periodo.

3. Ciclos : son patrones detectados que ocurren cada cierta cantidad de años y
usualmente están sujetos al ciclo comercial.
4. Variaciones aleatorias: son señales generadas en los datos por casualidad o
situaciones inusuales.
 Módulo 4: Pronósticos

Enfoque intuitivo
Es la forma más simple de pronosticar, es suponer que la demanda del siguiente
periodo será igual a la demanda del periodo más reciente.
 Módulo 4: Pronósticos

Promedios móviles
Usa un número de valores de datos históricos reales para generar un pronóstico.
Son muy útiles si podemos suponer que la demanda del mercado permanecerá
relativamente estable en el tiempo.

Promedio móvil 
 Demanda en los n periodos previos
n

Ejemplo:
Una tienda de suministros de jardín quiere hacer un pronóstico con el promedio
móvil de 3 meses, incluyendo un pronóstico para las ventas de cobertizos el próximo
enero. A continuación se presentan en la siguiente tabla las ventas
Módulo 4: Pronósticos
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Cuando se presenta una tendencia o un patrón localizable, pueden utilizarse en

forma arbitraria ponderaciones para dar más énfasis en los valores recientes. Un
promedio móvil ponderado puede expresarse matemáticamente de la siguiente
forma:

Promedio móvil Ponderado   (Ponderación para el periodo n ) x (Demanda en el periodo n)

 Ponderaciones
Ejemplo:
Una tienda de suministros de jardín quiere hacer un pronóstico ponderando los
últimos 3 meses, dando más peso a los datos recientes, para lo cual asigna las
ponderaciones de la siguiente forma:
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Suavizamiento exponencial
Es un sofisticado método de pronóstico de promedios móviles ponderado que sigue siendo
fácil de usar. Implica mantener muy pocos registros de datos históricos. Se expresa de la
siguiente forma:

Ft  Ft -1    A t 1  Ft -1 

Ejemplo:
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 método de suavizamiento exponencial.
 Módulo 4: Pronósticos

Nota: para la elección correcta de la constante α se debe tener en cuenta que se debe
elegir valores altos para cuando el promedio subyacente tiene probabilidad de cambiar,
se deben emplear valores bajos cuando el promedio en que se basa es bastante
estable.
 Módulo 4: Pronósticos

Medición de error del pronóstico

La exactitud de cualquier modelo de pronósticos puede determinarse al comparar
los valores pronosticados con los valores reales. El error del pronóstico se define
como:
Error de pronóstico= Demanda real-Valor pronosticado.

Error  A t  Ft
En la práctica se usan varias medidas para calcular el error global del pronóstico.
Las medidas más populares son: MAD (mean absolute deviation), MSE (mean
squared error) y el MAPE (mean absolute percent error ).

Desviación absoluta media (MAD): Su valor se calcula sumando los valores

absolutos de los errores individuales del pronóstico y dividiendo el resultado entre el
número de periodos con datos (n):

MAD   Real - Pronóstico

n
 Módulo 4: Pronósticos

Ejemplo:
Durante los últimos 8 trimestres, en el puerto de Valparaíso se han descargado de
los barcos grandes cantidades de grano. Usted es el administrador del puerto y
quiere probar el uso de suavizamiento exp. Para ver que tan bien puede predecir el
tonelaje descargado. Supone que el pronóstico de grano descargado durante el
primer trimestre fue de 175 Ton. Se examinan 2 valores de α: α=0,10 y α=0,50.
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Medición de error
Error cuadrático medio (MSE): Es el promedio de los cuadrados de las diferencias
encontradas entre los valores pronosticados y los observado. Su fórmula es:

MSE   ( Errores pronóstico) 2

n
Ejemplo: Del ejemplo anterior usted quiere calcular el MSE para α=0,10.
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Medición de error
Error porcentual absoluto medio (MAPE): Se utiliza para evitar el problema que
sucede con el MAD y MSE, el cuál es que dependen de la magnitud del elemento a
pronosticar. Se calcula como el promedio de las diferencias absolutas encontradas
entre los valores pronosticados y los reales, y se expresa como un porcentaje de los
valores reales.
n

100 Real i  Pronóstico i Re ali

MAPE  i 1
n
Ejemplo: Ahora usted como administrador quiere calcular el MAPE para α=0,10.
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Suavizamiento exponencial con ajuste de tendencia

El método de Suavizamiento exponencial simple anteriormente visto, como cualquier
técnica de promedios móviles, falla en sus respuesta a las tendencias. Por lo tanto,
se debe ajustar este pronóstico por uno más complejo haciendo ajustes para
encontrar la tendencia. La nueva fórmula es:
FITt = Pronóstico suavizado+tendencia suavizada;
Ft = α( Demanda real del último periodo) + (1 − α)(Pronóstico del último periodo
+ Tendencia estimada para el último periodo)
Tt = β( Pronóstico de este periodo – Pronóstico del último periodo
+ (1 − β)(Tendencia estimada para el último periodo)
donde :
Ft = pronóstico suavizado exponencialmente de la serie de datos incluidos en el
periodo t.
Tt = tendencia suavizada exponencialmente en el periodo t
At = demanda real en el periodo t
α = constante de suavizamiento para el promedio (0 ≤ α ≤ 1)
β = constante de suavizamiento para la tendencia (0 ≤ β ≤ 1)
 Módulo 4: Pronósticos

Ft    A t 1   (1   ) Ft 1  Tt -1  Pronóstico suavizado

Tt  β Ft  Ft -1   (1  β)Tt 1 Tendencia suavizada

FITt  Ft  Tt Pronóstico incluyendo tendencia

Ejemplo: Un importante fabricante 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:
Módulo 4: Pronósticos
Módulo 4: Pronósticos
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Proyecciones de tendencias
Esta técnica ajusta una recta de tendencia a una serie de datos puntuales históricos,
y después proyecta dicha recta al futuro para obtener un pronóstico de mediano y
largo plazo. Existen proyecciones exponenciales y cuadráticas, pero veremos sólo
lineales.
Podemos aplicar el método de “mínimos cuadrados”, que consiste en un método
estadístico preciso que resulta en una línea recta que minimiza la suma de los
cuadrados de las diferencias verticales o desviaciones de la recta hacia cada una de
las observaciones reales.
 Módulo 4: Pronósticos

Los estadísticos han desarrollado ecuaciones que se utilizan para encontrar los
valores de a y b para cualquier recta de regresión. La pendiente b se encuentra
mediante:

b  xy  nx y
donde:  x  nx
b = pendiente de la recta de regresión
2 2

Σ = signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
= promedio de los valores de x
ȳ= promedio de los valores de y
n = número de puntos de datos u observaciones.

La intersección con el eje y, a, puede calcularse como sigue:

a  y  bx
 Módulo 4: Pronósticos

Ejemplo: Se muestra en la siguiente tabla la demanda eléctrica en New York durante

el periodo 2001-2007en mega watts. Una empresa quiere pronosticar la demanda para
2008 ajustando una recta de tendencia de datos:
Módulo 4: Pronósticos
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Variaciones estacionales en los datos

Son movimientos en los datos regulares ascendentes o descendentes localizados
en una serie de tiempo y relacionados con acontecimientos recurrentes como el
clima o vacaciones, ej: demanda de leña, demanda de cerveza. Puede aplicarse en
forma horaria, diaria, semanal, mensual o otros patrones recurrentes.
La presencia de estacionalidad hace necesario ajustar los pronósticos con una recta
de tendencia, por lo que debemos analizar los datos para detectar los patrones de
estacionalidad. En lo que se denomina modelo estacional multiplicativo , los
factores estacionales se multiplican por una estimación de la demanda promedio
para producir un pronóstico estacional. A continuación aplicaremos lo explicado en
el siguiente ejemplo:
Ejemplo: Un distribuidor de computadores portátiles quiere desarrollar índices
mensuales para las ventas. Se dispone de datos mensuales para los años 2005-
2007.
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Método Asociativo de Pronósticos

A diferencia de los pronósticos de series de tiempo, los modelos asociativos casi

siempre consideran varias variables relacionadas con la cantidad que se desea
predecir. Una vez determinadas dichas variables, se construye un modelo
estadístico que se utiliza para pronosticar el elemento de interés.

Uso del análisis de regresión para pronosticar

Utilizamos el mismo modelo matemático para proyección de tendencias. Las
variables dependientes que deseamos pronosticar seguirán siendo ŷ. Pero la
variable independiente (x), ya no necesita ser el tiempo. Usamos la ecuación:

ŷ = a + bx ; donde
ŷ = valor de la variable dependiente
a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente
 Módulo 4: Pronósticos

Ejemplo: Nodel una empresa contratista se dedica a remodelar casas antiguas en

West Bloomfield , con el tiempo la empresa ha encontrado que sus ingresos por ventas
(en dólares) depende de la nómina del área de West Bloomfield, la administración
quiere establecer una relación matemática para predecir las ventas. Nodel ha
preparado la siguiente tabla, la cual muestra los ingresos y la cantidad de dinero que ha
percibido por los trabajadores en West Bloomfield durante los últimos 6 años.
Módulo 4: Pronósticos
Módulo 4: Pronósticos
 Módulo 4: Pronósticos

Error estándar de la estimación

Del ejemplo anterior el pronóstico de ventas de 3.250.000 USD, se conoce como

estimación puntual de y, siendo en realidad la media o el valor esperado de una
distribución de valores posibles de ventas. Para medir la exactitud de las
estimaciones de regresión, se debe calcular el error estándar de la estimación Sy,x.
Este cálculo se llama desviación estándar de la regresión , y mide el error desde
la variable dependiente (y), hasta la recta de regresión, en lugar de hasta la media.

S y, x  (y  y ) c
2 ; donde

n2
y = valor de y de cada dato puntual
yc = valor calculado de la variable dependiente, a partir de la ecuación de regresión
n = número de datos puntuales
 Módulo 4: Pronósticos

S y, x 
 y 2
 a  y  b xy
n2

Ejemplo: del ejemplo de Nodel , ahora la administración quiere conocer el

error asociado con la recta de regresión calculada en el ejemplo anterior.
 Módulo 4: Pronósticos

Coeficiente de correlación para rectas de regresión

La ecuación de regresión es una forma de expresar la naturaleza de la relación que
hay entre dos variables. Otra forma de evaluar la relación es calcular el coeficiente
de correlación. Esta medida expresa la fuerza de la relación lineal. Usualmente
identificado como r, puede ser cualquier valor entre +1 y -1. otra medida es el
coeficiente de determinación , el cual r2
 Módulo 4: Pronósticos

Su ecuación es: n  xy   x  y
r
n  x 2    x  2  n  y 2    y  2 
   

Ejemplo: con los datos de la empresa Nodel, calcular la fuerza de la

asociación entre la nómina local y las ventas.
 Módulo 4: Pronósticos

Monitoreo y control de Pronósticos

Las empresas necesitan saber por que la demanda real difiere de la proyectada, por
lo tanto, se deben supervisar los pronósticos que tan buenos son, una manera es
con la llamada señal de control , y se calcula como la RSFE (running sum of the
forecast errors: suma continua de errores del pronóstico) dividida entre la MAD.

Las señales positivas indican que la demanda es mayor que el pronóstico, las
negativas que es menor.
 Módulo 4: Pronósticos

¿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 dejen pasar pronósticos malos de manera
regular. Una MAD equivale aproximadamente a 0.8 desviaciones estándar, ±2 MAD
= ±1.6 desviaciones estándar, ±3 MAD = ±2.4 desviaciones estándar, y ±4 MAD =
±3.2 desviaciones estándar; lo cual sugiere que para que un pronóstico esté “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.5

Ejemplo: Una pastelería desea evaluar el desempeño de sus pronósticos de

ventas ,usando los datos de las demandas de los últimos 6 trimestres.
Módulo 4: Pronósticos