PRONÓSTICO

Jacobs, F. R., Chase, R. B.(2018). Administración de operaciones:

producción y cadena de suministros. McGraw-Hill.
https://ebooks724.corhuila.elogim.com:443/?il=7742
 ALMACÉN DE DATOS DE WALMART
El éxito tener el producto apropiado en el anaquel correcto
al precio más bajo, se debe al almacenamiento de datos.

Puntos de venta
Niveles de inventario
Analizar tendencias
Productos en tránsito
Manejar inventarios
Estadísticas de mercado
Entender a los clientes.
Características demográficas
Finanzas
Devoluciones de productos
Desempeño de los
proveedores.
 PRONOSTICO
Base de la planificación corporativa de largo plazo
 Ventas
 Finanzas
 Producción
 Contabilidad
 Selección de procesos
 Presupuestos
 Planificación de capacidades
 Costos
 Distribución de instalaciones
 Marketing
 Planificación de la producción
 Planificar productos
 Programación
 Inventario
 ELEGIR EL MÉTODO DE
PRONÓSTICO
Pronósticos tácticos
Pronósticos estratégicos
• Procesos cotidianos
• Análisis de demanda de alto nivel
• Programación semanal
• Establecer la estrategia para
satisfacer la demanda
 ADMINISTRACIÓN DE
LA DEMANDA
• Demanda independiente
• Demanda dependiente
No se deriva directamente de la
Es la demanda de un demanda de otros productos
producto o servicio
provocada por la demanda
de otros productos o
servicios.

Adoptar un papel pasivo y

tan solo responder a la Adoptar un papel activo para
demanda influir en la demanda
 TIPOS DE PRONÓSTICOS
• Cualitativo • Análisis de series de
tiempo

 Relaciones causales  Simulación

COMPONENTES DE LA
DEMANDA
 TIPOS COMUNES DE
TENDENCIAS

Tendencia de curva S
Tendencia lineal

Tendencia asintótica Tendencia exponencial

 ANÁLISIS DE SERIES DE TIEMPO

Tratan de predecir el futuro con • El horizonte de tiempo que se va

base en información anterior. a pronosticar.
• CORTO PLAZO: menos de tres • La disponibilidad de los datos.
meses. • La precisión requerida.
• MEDIANO PLAZO: tres meses a • El tamaño del presupuesto para
dos años. el pronóstico.
• Largo plazo: mayor de dos años. • La disponibilidad de personal
calificado.
 ANÁLISIS DE REGRESIÓN
La regresión se define como una
LINEAL
relación funcional entre dos o más
variables correlacionadas. Con ella se
pronostica una variable con base en
otra.
Primero es necesario graficar los datos
Y = a + bX
Y es el valor de la variable dependiente
a es la secante en Y
b es la pendiente
X es la variable independiente

Error estándar Método de mínimos cuadrados

 Ejercicio 1
Las ventas de una línea de productos de una empresa durante
los 12 trimestres de los últimos tres años son las siguientes:
Trimestre Ventas Trimestre Ventas
1 600 7 2600
2 1550 8 2900
3 1500 9 3800
4 1500 10 4500
5 2400 11 4000
6 3100 12 4900

 La compañía quiere pronosticar cada trimestre del cuarto año; es decir, los
trimestres 13, 14, 15 y 16.
MÍNIMOS CUADRADOS

 Para datos impares

 REGRESIÓN
EXPONENCIAL

• Para datos impares

• 
 DESCOMPOSICIÓN DE UNA SERIE
DE TIEMPO

Descomposición: identificar y
Serie de tiempo: Datos separar los datos de la serie de
ordenados en forma tiempo en estos componentes.
cronológica que pueden
contener uno o más
componentes de la demanda:
tendencia, estacional, cíclico,
autocorrelación o aleatorio.
 DESCOMPOSICIÓN DE
UNA SERIE DE TIEMPO

Variación estacional aditiva La variación estacional aditiva Variación estacional multiplicativa En la variación estacional
simplemente supone que la cantidad estacional es una multiplicativa, la tendencia se multiplica por los factores
constante sin importar la tendencia ni la cantidad estacionales.
promedio.
Pronóstico: tendencia y estacional = Tendencia × Factor estacional
Pronóstico: tendencia y estacional = Tendencia + Estacional

Factor (o índice) estacional: Cantidad de corrección necesaria en una serie

temporal para ajustarse a la estación del año.
 DESCOMPOSICIÓN DE
UNA SERIE DE TIEMPO
Proporción simple

Ventas Promedio de ventas por Factor

pasadas cada temporada (1 000/4) estacional
Primavera 200 250 200/250 = 0.8
Verano 350 250 350/250 = 1.4
Otoño 300 250 300/250 = 1.2
Invierno 150 250 150/250 = 0.6
Total 1 000
 DESCOMPOSICIÓN DE
UNA SERIE DE TIEMPO
PROPORCIÓN SIMPLE
Ventas Promedio de ventas Factor Pronóstico
pasadas por cada temporada (1 estacional estacional del
100/4) próximo año
Primavera 200 275 0.8 220
Verano 350 275 1.4 385
Otoño 300 275 1.2 330
Invierno 150 275 0.6 165
Total 1 100
Cálculo de la tendencia y el factor estacional a
partir de una recta ajustada a mano
Se resuelve el problema con solo ajustar a mano una recta que cruce todos los
puntos de datos y mida la tendencia y la secante de la gráfica. Suponga que el
historial de datos es
y = 170 + 55x

Trimestre Cantidad Trimestre Cantidad

I-2008 300 I-2009 520
II-2008 200 II-2009 420
III-2008 220 III-2009 400
IV-2008 530 IV-2009 700
 y = 55x + 170
6000

5000
800
f(x) = 359.615384615385 x + 441.666666666667
R² = 0.933186101557578
700
4000
600

500
3000
400

300

2000 200

100

1000 0
0 1 2 3 4 5 6 7 8 9

0
1 2 3 4 5 6 7 8 9 10 11 12
 Factor estacional
Trimestre Cantidad Periodo Tendencia Razón de real (promedio del mismo
=170+55t ÷ tendencia trimestre en ambos
años)
I-2008 300 1 225 1,33 1,25
II-2008 200 2 280 0,71 0,78
III-2008 220 3 335 0,66 0,69
IV-2008 530 4 390 1,36 1,25
I-2009 520 5 445 1,17  
II-2009 420 6 500 0,84  
III-2009 400 7 555 0,72  
IV-2009 700 8 610 1,15  
Cálculo de la tendencia y el factor estacional a
partir de una recta ajustada a mano
• PFTEt = Tendencia × Estacional
• I-2010 PFTE9 = [170 + 55(9)]1.25 = 831
• II-2010 PFTE10 = [170 + 55(10)]0.78 = 562
• III-2010 PFTE11 = [170 + 55(11)]0.69 = 535
• IV-2010 PFTE12 = [170 + 55(12)]1.25 = 1 038
 Descomposición con regresión por
mínimos cuadrados

1. Descomponer las series de tiempo en sus componentes.

a) Encontrar el componente estacional.
b) Descontar las variaciones de temporada de la demanda.
c) Encontrar el componente de la tendencia.
2. Pronosticar valores futuros de cada componente.
a) Pronosticar el componente de la tendencia en el futuro.
b) Multiplicar el componente de la tendencia por el componente estacional.
 Descomposición con regresión
por mínimos cuadrados
Paso 1. Determinar el factor (o índice) estacional . Paso 2. Descontar las variaciones de temporada de los datos
originales.
Paso 2. Descontar las variaciones de temporada de los datos originales.
Paso 3. Trazar una recta de regresión por mínimos cuadrados para los datos con descuento de variaciones de
temporada.
Y = a + bx
yd = Demanda con descuento de las variaciones de temporada
x = Trimestre
Y = Demanda calculada con la ecuación de regresión Y = a + bx
a = Secante de Y
b = Pendiente de la recta
Paso 4. Proyectar la recta de la regresión a través del periodo por pronosticar
Paso 5. Crear el pronóstico final mediante el ajuste de la recta de la regresión según el factor estacional.
Descomposición con regresión
por mínimos cuadrados
 Descomposición con regresión por
mínimos cuadrados
Promedio de los Demanda no
Periodo Trimestre Demanda Factor
mismos trimestres de estacional estacional x2 x yd
(x) real (y)
cada año (yd)
1 I 600 2266,7 0,82 735,7 1 735,7
2 II 1550 3050,0 1,10 1412,4 4 2824,7
3 III 1500 2700,0 0,97 1544,0 9 4631,9
4 IV 1500 3100,0 1,12 1344,8 16 5379,0
5 I 2400 2266,7 0,82 2942,6 25 14713,2
6 II 3100 3050,0 1,10 2824,7 36 16948,4
7 III 2600 2700,0 0,97 2676,2 49 18733,6
8 IV 2900 3100,0 1,12 2599,9 64 20798,9
9 I 3800 2266,7 0,82 4659,2 81 41932,7
10 II 4500 3050,0 1,10 4100,4 100 41004,1
11 III 4000 2700,0 0,97 4117,3 121 45290,1
12 IV 4900 3100,0 1,12 4392,9 144 52714,5
78 33350 33350 12 33350 650 265707
 Descomposición con regresión
por mínimos cuadrados
6000

5000
f(x) = 359.615384615385 x + 441.666666666667
R² = 0.933186101557578
4000

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12
 Descomposición con regresión por
mínimos cuadrados

Y de la
Periodo
(x) Trimestre recta de la Factor Pronóstico (Y ×
regresión estacional factor estacional)
13 I 5003,3 0,82 4080,7
14 II 5345,5 1,10 5866,4
15 III 5687,7 0,97 5525,7
16 IV 6029,9 1,12 6726,0
 PROMEDIO MÓVIL SIMPLE
Cuando la demanda de un producto no crece ni baja con rapidez, y si no tiene
características estacionales, un promedio móvil puede ser útil para eliminar las
fluctuaciones aleatorias del pronóstico.

Ft = Pronóstico para el siguiente periodo

n = Número de periodos por promediar
At−1 = Suceso real en el periodo pasado
, , y = Sucesos reales hace dos periodos, hace tres periodos y así
sucesivamente, hasta hace n periodos
 Ejercicio 1
Las ventas de una línea de productos de una empresa durante
los 12 trimestres de los últimos tres años son las siguientes:
Trimestre Ventas Trimestre Ventas
1 600 7 2600
2 1550 8 2900
3 1500 9 3800
4 1500 10 4500
5 2400 11 4000
6 3100 12 4900

 La compañía quiere pronosticar cada trimestre del cuarto año; es decir, los
trimestres 13, 14, 15 y 16.
Trimestre Ventas 3 meses 4 meses 5 meses

1 600      
2 1550      
3 1500      
4 1500 1217    
5 2400 1517 1288  
6 3100 1800 1738 1510
7 2600 2333 2125 2010
8 2900 2700 2400 2220
9 3800 2867 2750 2500
10 4500 3100 3100 2960
11 4000 3733 3450 3380
12 4900 4100 3800 3560
    4467 4300 4020
 PROMEDIO MÓVIL
PONDERADO
Permite asignar cualquier importancia a cada elemento, siempre y cuando
la suma de todas las ponderaciones sea igual a uno.

= Ponderación dada al hecho real para el periodo t − 1

= Ponderación dada al hecho real para el periodo t − 2
= Ponderación dada al hecho real para el periodo t − n
n = Número total de periodos en el pronóstico
 Ejercicio 1
Las ventas de una línea de productos de una empresa durante
los 12 trimestres de los últimos tres años son las siguientes:
Trimestre Ventas Trimestre Ventas
1 600 7 2600
2 1550 8 2900
3 1500 9 3800
4 1500 10 4500
5 2400 11 4000
6 3100 12 4900

 La compañía quiere pronosticar cada trimestre del cuarto año; es decir, los
trimestres 13, 14, 15 y 16.
Trimestre Ventas 3 meses 4 meses 5 meses
1 600      
2 1550      
3 1500       w1 6 4 5
4 1500 1425    
5 2400 1505 1420   w2 3 3 4
6 3100 2040 1865 2620 w3 1 2 3
7 2600 2730 2410 4160 w4   1 2
8 2900 2730 2600 3560
9 3800 2830 2800 3900
w5     1
10 4500 3410 3220 4460   10 10 15
11 4000 4130 3780 5160
12 4900 4130 4000 5520
    4590 4440 6160
 SUAVIZACIÓN EXPONENCIAL
• En el método de suavización exponencial solo se necesitan tres piezas de
datos para pronosticar el futuro: el pronóstico más reciente, la demanda
real que ocurrió durante el periodo de pronóstico y una constante de
suavización alfa α.

La ecuación para un solo pronóstico de uniformidad exponencial es simplemente

= + α (− )
Donde:
= Pronóstico suavizado exponencialmente para el periodo t
= Pronóstico suavizado exponencialmente para el periodo anterior
= Demanda real en el periodo anterior
α = Índice de respuesta deseado, o constante de suavización
 EJEMPLO

Suponga que el pronóstico del mes pasado (Ft−1) fue de 1 050 unidades. Si la
demanda real fue de 1 000 en lugar de 1 050, el pronóstico para este mes sería:
= + α(− )
= 1 050 + 0.05(1 000 − 1 050)
= 1 050 + 0.05(−50)
=1 050 – 2,5
= 1 047.5 unidades
Efectos de la tendencia en la
suavización exponencial
 SUAVIZACIÓN EXPONENCIAL
CON TENDENCIA
La ecuación para calcular el pronóstico con la tendencia (PIT) es
=+
Para corregir la tendencia
= + α( − )
se necesitan dos
= + δ( − )
constantes de suavización. donde:
Además de la constante = Pronóstico suavizado exponencialmente para el periodo t
de suavización , la = Tendencia suavizada exponencialmente para el periodo t
ecuación de la tendencia = Pronóstico con la tendencia para el periodo t
= Pronóstico con la tendencia hecha para el periodo anterior
utiliza una constante de = Demanda real del periodo anterior
suavización delta (δ) . α = Constante de suavización
δ = Constante de suavización
 EJEMPLO
Suponga una Ft inicial de 100 unidades, una tendencia de 10 unidades, un
alfa de 0.20 y una delta de 0.30. Si la demanda real resulta ser de 115 en
lugar de los 100 pronosticados, calcule el pronóstico para el periodo
siguiente.
• =+
• = + α( − )
• = + 0,2( − ) =111
• = + δ( − )
• = + 0,3(− ) =10,3
• = +10,3=121,3
 ERRORES DE PRONÓSTICO
Diferencia entre el pronóstico y la
realidad, límites de confianza

Desviación absoluta media (DAM) Error porcentual absoluto medio (EPAM)

t = Número del periodo

A = Demanda real
F = Demanda pronosticada
n = Número total de períodos

Señal de seguimiento
 EJEMPLO

Mes Pronóstico de Real Desviación SCEP Desv. abs. Suma de desv. abs. SS =
la demanda DAM* SCEP/DAM
1 1000 950 -50 -50 50 50 50,00 -1,00
2 1000 1070 70 20 70 120 60,00 0,33
3 1000 1100 100 120 100 220 73,33 1,64
4 1000 960 -40 80 40 260 65,00 1,23
5 1000 1090 90 170 90 350 70,00 2,43
6 1000 1050 50 220 50 400 66,67 3,30
SEÑAL DE SEGUIMIENTO

SS = SCEP/DAM
4.00

3.00

2.00

1.00

0.00
0 1 2 3 4 5 6 7

-1.00

-2.00
 PRONÓSTICO DE
RELACIONES CAUSALES

El pronóstico de relación causal recurre a variables independientes

distintas del tiempo para predecir la demanda. Se trata de una relación
causal en la que un hecho causa otro. Si se sabe del elemento de causa con
mucha anticipación, se puede usar como base para el pronóstico.
 Pronóstico mediante una
relación causal
• Carpet City Store en Carpenteria lleva registros anuales de sus ventas de
alfombras (en yardas cuadradas), además del número de licencias para
casas nuevas en esta área.
Cantidad de casas nuevas
Año Licencias Ventas
(en yardas cuadradas) 20000
18000
1999 18 13000 16000
f(x) = 344.221105527638 x + 6698.49246231156

2000 15 12000 14000

2001 12 11000 12000
2002 10 10000 10000
2003 20 14000 8000
2004 28 16000 6000
2005 35 19000 4000

2006 30 17000 2000

0
2007 20 13000 5 10 15 20 25 30 35 40
 TÉCNICAS CUALITATIVAS DE
PRONÓSTICO
• En general, las técnicas de pronóstico cualitativo aprovechan el conocimiento de
expertos y requieren mucho juicio.
• INVESTIGACIÓN DE MERCADO La investigación de mercados se utiliza sobre todo
para la investigación de productos con el objetivo de buscar nuevas ideas, conocer
los gustos y disgustos relacionados con los productos existentes, los productos
competitivos preferidos en una clase en particular, etc.
• GRUPOS DE CONSENSO En un grupo de consenso , la idea de que dos cabezas
piensan más que una se extrapola a la idea de que un grupo de personas que ocupan
diversas posiciones elaboran un pronóstico más confiable que un grupo más
reducido.
 TÉCNICAS CUALITATIVAS DE
PRONÓSTICO
• ANALOGÍA HISTÓRICA Al tratar de pronosticar la demanda de un nuevo
producto, una situación ideal sería contar con un producto existente o
genérico como modelo. Existen muchas formas de clasificar estas analogías;
por ejemplo, productos complementarios, productos sustituibles o
competitivos, y productos como función del ingreso.
• MÉTODO DELPHI Como se apuntó en la sección sobre los grupos de consenso,
es probable que la afirmación u opinión de una persona de un nivel superior
pese más que la de una persona de nivel inferior. Oculta la identidad de los
individuos que participan en el estudio. Todos tienen el mismo peso.
La vida siempre fue primero,
lo demás son accesorios.