Presentación

Pronóstico
Unidad I

Clase #1
Dr. José A. Castillo Montes
PROPÓSITO DEL TEMA

Identifique o defina:
Pronóstico, tipos de pronósticos

Características y métodos
cuantitativos para pronosticar
variables económicas: demanda,
ventas, producción o servicios
 ¿QUÉ ES PRONOSTICAR?

Es el proceso de estimació n en situaciones de

incertidumbre

“Es una estimació n cuantitativa o cualitativa de

uno o varios factores (variables) que
conforman un evento futuro, con base en
informació n actual o del pasado”.

El propó sito del manejo de la demanda es coordinar y controlar todas

las fuentes de la demanda, con el fin usar con eficiencia el sistema
productivo y entregar el producto a tiempo.

ADMINISTRACIÓN DE LA DEMANDA

¿De dónde proviene la demanda del producto o servicio de

una empresa? y ¿qué puede hacer una compañía para
administrarla?
Existen dos fuentes bá sicas de la demanda: dependiente e
independiente.
La demanda dependiente es la demanda de un producto o servicio
provocada por la demanda de otros productos o servicios.
. La demanda independiente, porque no se deriva directamente de la
demanda de otros productos.

Usos de los pronósticos en la empresa

• En el área de marketing se
pronostica có mo va a crecer el
mercado, cuá l va a ser la participació n
propia y de los competidores, cuá l será
la tendencia de precios, cuá les será n los
nuevos productos que sacudirá n el
mercado…
• En el área de producción se hacen pronósticos sobre el costo y la
disponibilidad de la materia prima, el costo y la disponibilidad de la
mano de obra, cuándo se requerirá mantenimiento para los equipos,
cuál será la capacidad de planta necesaria para atender la demanda…

• En el área financiera se pronostica cuál será la tasa de interés de

referencia para los créditos, cuál será el nivel de cuentas incobrables,
cuánto capital se requerirá para ampliar la capacidad propia…

• En recursos humanos se requieren pronósticos sobre el número

de trabajadores, la rotación de personal, las tendencias de ausentismo,
las necesidades de capacitación…
 EMPLEO DEL PRONOSTICO EN LAS ÁREAS FUNCIONALES

Área de En el área En el área de En recursos

Marketing financiera producción humanos
* Como va crecer el Se pronostica cuál El costo y la Se requieren
mercado será la tasa de disponibilidad de la
* La tendencia de interés de para los materia prima, de pronósticos
los precios créditos, la mano de obra, en sobre el número
* Los nuevos cuál será el nivel de mantenimiento para de trabajadores,
productos que cuentas los equipos, cuál la rotación de
impactaran en el incobrables, cuánto será la capacidad personal, las
mercado. capital se requerirá de planta necesaria tendencias de
para ampliar la para atender la
capacidad planta demanda
ausentismo, las
necesidades de
capacitación…
PRINCIPALES PASOS EN EL SISTEMA DE PRONÓSTICO

Determinar el uso del pronostico

Seleccionar los aspectos a pronosticar

Determinar el horizonte de tiempo del
pronóstico

Seleccionar los modelos de pronóstico

Recopilar los datos necesarios para

elaborar el pronóstico

Realizar y validar e implementar los

resultados del pronostico.
El proceso del pronóstico
a) Formulación del problema y recolección de datos.
b) Manipulación y limpieza de datos.
c) Construcción y evaluación del modelo.
d) Aplicación del modelo (el pronóstico real).
e) Evaluación del pronóstico.
ENFOQUES DE PRONÓSTICOS

Hay dos enfoques generales para pronosticar en la toma de decisiones::

. Un enfoque es el aná lisis cuantitativo; el otro es el enfoque cualitativo.

• utilizan una variedad de modelos

Enfoque matemá ticos que se apoyan en
datos histó ricos y/o en variables
cuantitativo causales para pronosticar la
demanda

• incorporan factores: la intuició n,

Enfoque las emociones, las experiencias
personales y el sistema de valores
cualitativo de quien toma las decisiones para
llegar a un pronó stico
Clasificación de los modelos de pronósticos

Promedio
Móviles

Suavización
Promedio
Med.Ponder
Modelo de
Proyección
Modelos serie tiempo
De tendencia
Cuantitativos Suavización
Exponencial
Modelo de Indicadores
regresión económicos
Tipos de
Pronostico Análisis de
Delphi regresión

Juicio de
Modelos expertos
Cualitativos
Investigación
de mercados
 Métodos Cuantitativos :
Modelo de Series de Tiempo

Un modelo de series de tiempo supone siempre que algú n patró n o combinació n

de patrones es recurrente a través del tiempo

Sistema
Insumos Producto
Proceso Generador

Relación de serie de tiempo

Cuando se tienen datos histó ricos, los métodos de pronó sticos má s

frecuentemente utilizados son los cuantitativos. Entre ellos se encuentran
los métodos univariados y los multivariados.
Los métodos univariados asumen que la variable bajo estudio depende de
sus niveles pasados;
Los métodos multivariados asumen que es posible determinar el
comportamiento de la variable bajo estudio a partir de los niveles de otras
variables bajo control.
Descomposición de una serie de tiempo
Usada para identificar componentes para ensamblar las
partes para construir un pronostico
¿Para que sirve ?
La tendencia (T) es el movimiento gradual,
hacia arriba o hacia abajo, de los datos en el
tiempo. Los cambios en el ingreso, la población,
la distribución de edades o los puntos de vista
culturales.

Componente cíclica (C)

Está formada por fluctuaciones alrededor de la
tendencia que se repiten de forma má s o menos
perió dica y de amplitud superior al añ o

Estacionalidad, ( E ), es un patrón de datos que

se repite después de un periodo de días,
semanas, meses o trimestres.. (Los restaurantes
y las peluquerías)
Gráfica de una serie de datos
con estacionalidad.
Estacionaria, es aquella serie de datos cuyas
propiedades estadísticas bá sica, como media y
la varianza, permanecen constantes en el tiempo,
se dice que una serie que no presenta
crecimiento o declinació n es estacionaria

Aleatoriedad, este comportamiento irregular está

compuesto por fluctuaciones causadas por sucesos
impredecibles o no periódicos, como el clima poco
usual, huelgas, guerras, rumores, elecciones y cambio
de leyes.
 ¿Qué modelo utilizar para descomponer una serie?
Los modelos más utilizados para descomponer una serie de tiempo son el
aditivo y el multiplicativo.

a) Modelo Aditivo

Xt = TCt + Et + It
Donde: Xt = serie original
TCt = componente tendencia-ciclo
Et = componente estacional
I t = componente irregular
Este modelo asume que los componentes de la serie son independientes, es decir,
del nivel de la tendencia ciclo. Un aumento en el nivel de la tendencia-ciclo
no ocasiona un aumento en la amplitud estacional. Los componentes están
expresados en unidades. En este caso la serie desestacionalizada se obtiene
como: XDt = Xt - Et = TCt + It

b) Modelo Multiplicativo
Xt = TCt * Et * It
Este modelo asume que los componentes están interrelacionados. Un aumento
en el nivel de la tendencia-ciclo ocasiona un aumento en la amplitud
estacional.
 Series de tiempo.

Todos los pronó sticos de serie de tiempo parten, bá sicamente, de un

supuesto común: que la demanda pasada sigue cierto patró n, y que si
este patró n puede ser analizado podrá utilizarse para desarrollar
proyecciones para la demanda futura, suponiendo que el patró n
continú a aproximadamente de la misma forma.

Promedio móvil
Los promedios mó viles son ú tiles si podemos suponer que la demanda del
mercado permanecerá relativamente estable en el tiempo

𝑃𝑀𝑆=𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜𝑚𝑜𝑣𝑖𝑙 𝑠𝑖𝑚𝑝𝑙𝑒=
∑ 𝑠𝑢𝑚𝑎 𝑑𝑒𝑙𝑜𝑠 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑝𝑟𝑒𝑣𝑖𝑜𝑠
𝑛

El error del pronóstico: la diferencia entre la demanda real (Dt) y la demanda

pronosticada.(Dp): Dt - Dp = Et
Promedio móvil ponderado

Una forma de hacer que el promedio mó vil responda más rápido a los
cambios en la demanda es dar relativamente más peso a las demandas
recientes que a las anteriores; ello se conoce como promedio móvil
ponderado, el cual se calcula de la siguiente manera:

+ ………..

con la condición : =1
Ejemplo:
Consideremos el caso de una empresa comercial, dedicada en el mercado
a la venta de carteras o billeteras, cuya demanda mensual es la que se
muestra en el cuadro: Determinar el pronostico para 3 meses

Periodo demanda n Dt PMSt Dp E=Dt - Dp

1 10 1 10
2 18 2 18
3 29 3 29 19.0
4 15 4 15 20.7 19.0 -4.0
5 30 5 30 24.7 20.7 +9.3
6 12 6 12 19.0 24.7 -12.7
7 16 7 16 19.3 19.0 -3.0
8 8 8 8 12.0 19.3 -11.3
9 22 9 22 15.3 12.0 10.0
10 14 10 14 14.7 15.3 -1.3
11 15 11 15 17.0 14.7 0.3
12 27 12 27 18.7 17.0 10.0
13 30 13 30 24.0 18.7 11.3
14 23 14 23 26.7 24.0 -1.0
15 15 15 15 22.7 26.7 -11.7
 Demanda de billeteras
35

30

25

20

15

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Demanda Pronostico

2. Considerando, el caso anterior: Aplicar el método de promedio móvil

ponderado: n = 4 meses; Wi = 0.12, 0.18; 0.28; 0.42
Paso 1: determinar el numero de periodos
Paso 2: el numero de ponderaciones = numero de meses o periodos
• Suma de las ponderaciones debe ser = 1 ó ∑wi =1
Paso 3 : Calcular el pronostico
 Periodo demanda Pronostico Wi
0.12
1 10
0.18 Pronostico móvil
2 18
3 29 0.28 ponderado
4 15 0.42
5 30 18.86
6 12 24.18
7 16 19.62
8 8 17.28
9 22 13.6
10 14 15.8
11 15 15.4
12 27 15.14
13 30 20.7
14 23 24.54
15 15 24.72
16 21.38

Pronó stico (Mayo) = D1*W1 + D2*W2+D3*W3+D4* W4

Pronostico (junio) = D2.W1+D3*W2+D4*W3+D5*W4
PROMEDIO MÓVIL DOBLE.
Esta técnica o método sirve para calcular el
pronó stico para los siguientes periodos,
partiendo de los datos obtenidos en el PMS. La
técnica consiste en calcular un PMS con los
resultados obtenidos y otro PMD de un orden
previamente seleccionado. . Esta prioridad se
aprovecha para dos ajustes: ajuste por
tendencia y ajuste empírica, utilizando los
datos histó ricos; para su calculo se siguen los
siguientes pasos:

Procedimiento
• Se calcula el PMS para n ordenes.
• Se selecciona el pronostico con el menor promedio de error (D-P)2
• Se calcula el pronostico doble con la técnica seleccionada, donde:
• El ajuste por tendencia “a”; a= PMS – PMD + PMS
De donde: a= 2PMS – PMD
El ajuste empírico “b”; b= 2 / n – 1 *( PMS – PMD )
Pronostico para el periodo «p»: Pp= a + b *p a= Ajuste por tendencia ; b= Ajuste empírico
 n Ventas
Ejemplo: 1 1140
Caso de una empresa industrial 2 1212
3 1274
cuyas ventas de artículos de
4 1297
cerámica, se muestran en la tabla
5 1317
, y cuya base histórica 6 1370
corresponde a 24 meses. 7 1348
Se pide aplicar el pronostico 8 1436
móvil doble para los 4 meses 9 1433
siguientes: 10 1461
11 1509
Ventas 12 1510
2000 13 1546
1800 14 1541
1600 15 1494
1400
16 1545
1200
Ventas 17 1552
1000
18 1568
800
600
19 1605
400 20 1621
200 21 1647
0 22 1728
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
23 1730
24 1766
 No. periodos

Ventas PMS PMD Ajuste "a" Ajuste "b" Pronostico

P a pronosticar
1 1140 1

2 1212 2

3 1274 3

4 1297 4

5 1317 1231
6 1370 1275
7 1348 1315
8 1436 1333 1288 1378 29.79
9 1433 1368 1323 1413 30.13 1407
10 1461 1397 1353 1441 29.17 1443
11 1509 1420 1379 1460 26.83 1470
12 1510 1460 1411 1509 32.54 1487
13 1546 1478 1439 1518 26.46 1541
14 1541 1507 1466 1547 27.00 1544
15 1494 1527 1493 1560 22.50 1574
16 1545 1523 1509 1537 9.50 1583
17 1552 1532 1522 1541 6.46 1547
18 1568 1533 1528 1538 3.04 1548
19 1605 1540 1532 1548 5.33 1541
20 1621 1568 1543 1592 16.38 1553
21 1647 1587 1557 1616 19.88 1608
22 1728 1610 1576 1645 22.83 1636
23 1730 1650 1604 1697 31.08 1667
24 1766 1682 1632 1731 32.92 1728
25 1764
26 1797
27 1830
28 1863
 Comportamiento de las ventas

2000

1800

1600

1400

1200 Ventas
1000 Pronostico P
800

600

400

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Caso1
La empresa productora Delta desea calcular el pronóstico de ventas para 2015 con periodos
n= 3,4; si en los últimos años ha tenido la siguiente información :

n=3
n=4
2
Periodo D P D-P (D-P) 2
Periodo D P D-P (D-P)
2007 20 --- --- ---
2007 20 --- --- ---
2008 25 --- --- ---
2008 25 --- --- ---
2009 28 --- --- ---
2009 28 --- --- ---
2010 30 24.33 5.67 32.14 2010 30 --- --- ---
2011 31 27.66 3.34 11.15 2011 31 25.75 5.25 27.56
2012 32 29.66 2.34 5.47 2012 32 28.5 3.5 12.25
2013 38 31 7 49 2013 38 30.25 7.75 60.06
2014 41 33.66 7.34 53.87 2014 41 32.75 8.25 68.06
2015 45 37 8 64 2015 45 35.5 9.5 90.25

41.33 215.44 39  258.18

X =215.463/6=35.910
258.186/5 = 51.637
CUADRO DE ANALISIS.
Con la de menor error
n=3 35.910 El mejor es cuando
promedio, en n=3 se calcula
n=3, por ser el mas confiables
el PMD
n=4 51.637
 D Pronost n=3 Pronost n=4 desviacion absoluta
1 20 Pronost n=3 Pronost n=4
2 25
3 28
4 30 24.33
5 31 27.67 25.75
3.33 5.25
6 32 29.67 28.5
2.33 3.5
7 38 31.00 30.25
7.00 7.75
8 41 33.67 32.75 7.33 8.25
9 45 37.00 35.5 8.00 9.5
41.33 39 5.60 6.85
Desviacion media absoluta

Demanda
50
45
40
35
Unidades fisicas

30
ventas reales
25
pronostico 3
20
pronostico 4
15
10
5
0
0 1 2 3 4 5 6 7 8 9 10
 Caso3:
Consideremos las ventas trimestrales de una fábrica de calzado sport en miles de soles ,
correspondiente a los periodos 2014, 2015, y 2016.
Media no
Serie
Tiempo Original centrada Tendencia
I-2014 150
II-2014 165 152.5
III - 2014 125 153.75 153.125
IV-2014 170 155 154.375
I-2015 155 157.5 156.25
Obtener las series de tendencia por el II-2015 170 156.25 156.875
método de las medias móviles III-2015 135 157.5 156.875
empleando tres y cuatro IV-2015 165 160 158.75
observaciones. (Tarea: usar para 3 I-2016 160 161.25 160.625
observaciones) II-2016 180 165 163.125
Seleccionamos para este caso el periodo n= 4 III-2016 140
IV-2016 180
1. Media no central: (150+165+125+170)/4 =152.5

2. Tendencia: (152.5+153.75)/2 = 153.125

 125/153.125 = 0.8163
190
venta de calzado
180
170 Ventas
160 tiempo Trimest. Tendencia T*C= V/T
150
I-2014 150
140
II-2014 165
130
120 III-2014 125 153.125 0.81632653
110 IV-2014 170 154.375 1.10121457
100
I- II- III- IV- I- II- III- IV- I- II- III- IV- I-2015 155 156.25 0.992
2014 2014 2014 2014 2015 2015 2015 2015 2016 2016 2016 2016
II-2015 170 156.875 1.08366534

Ventas trimestrales Promedio no centrado

III-2015 135 156.875 0.86055777
Tendencia IV-2015 165 158.75 1.03937008
I-2016 160 160.625 0.99610895
II-2016 180 163.125 1.10344828
Si la serie original la dividimos por la III-2016 140
tendencia - ciclo obtenemos la serie que IV-2016 180
contiene al producto entre la :
3. componente residual y estacional.
 • calculamos la media aritmética anual (MA) que será la base para obtener
los 4. índices de variación estacional:
Para lograr este calculo previamente, debemos eliminar las variaciones
residuales obteniendo las medias aritméticas de los cuatro trimestres:

Periodos Media (T+C)/2 Promedio Ind. Estacional %

III-2014+ III2015 1 (0.8163+ 0.8606)/2 0.8384 0.83915524 84%
IV2014 + IV 2015 2 (1.1012 + 1.0394) /2 1.0703 1.071264138 107%
I-2015 + I 2016 3 (0.9920+0.9961)/2 0.9941 0.994995496 99%
II2015 + II 2016 4 (1.0837 + 1.1034) /2 1.0936 1.094585127 109%
Suma 3.9964
0.9991 0.9991

I.E: 0.9941/0.9991 = 0.9949

= 0.9941+1.0936+0.8384+1.0703 = 0.9991
4
Luego de esto, procedemos a calcular los índices estacionales
El I3 (índice) significa que en los terceros trimestres la
estacionalidad afecta de forma significativa a las ventas ya que
bajan un 1%., (100 – 99.49), a diferencia del I4 muestra que la
estacionalidad es alcista, produciendo ventas en un 9.46%
 Medición del error de pronóstico
La exactitud de cualquier modelo de pronó stico —promedios mó viles,
suavizamiento exponencial u otro— puede determinarse al comparar
los valores pronosticados con los valores reales u observados.

Error de pronóstico = Demanda real - Valor pronosticado

Ep = At - Ft

En la prá ctica se usan varias medidas para calcular el error global de

pronó stico. Estas medidas pueden usarse para para vigilar los
pronó sticos y asegurar su buen desempeñ o. Las tres medidas má s
populares son la MAD (desviación absoluta media), el MSE ( error cuadrático
medio), y el MAPE ( error porcentual absoluto medio).

• Desviación absoluta media

• Error porcentual absoluto medio

Desviación absoluta media (MAD)
Su valor se calcula sumando los valores absolutos de los errores
individuales del pronó stico y dividiendo el resultado entre el nú mero de
periodos con datos (n):

MAD = ∑ │Real – Pronóstico │

n

Error cuadrático medio (MSE)

Es una segunda forma de medir el error global de pronó stico. El MSE es el
promedio de los cuadrados de las diferencias encontradas entre los
valores pronosticados y los observados. Su fó rmula es:

𝑀𝑆𝐸=
∑ ( 𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒𝑙 𝑝𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜 ) 2
𝑛

Error porcentual absoluto medio (MAPE)

É ste 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., el MAPE se calcula como:
 𝑀𝐴𝑃𝐸=
∑ 100|𝑉𝑎𝑙𝑜𝑟 𝑅𝑒𝑎𝑙 𝑖− 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜𝑖|/ 𝑅𝑒𝑎𝑙𝑖
𝑛

Ejemplo:

La empresa de videos Temáticos «

VIDEO START», se dedica a la venta
de videos de alta calidad. Por
encargo de la gerencia , el analista de
mercadeo ha obtenido los
pronósticos de ventas mensuales
para los próximos 5 meses, Pronostico
empleando tres métodos diferentes Period Método A Método B Método C
para pronosticar. Se desea saber cual os en Demanda
de los tres métodos aplicados meses
1 9050 9100 9090 9020
pronosticar mejor las ventas. En el
2 10100 10020 10050 10150
siguiente cuadro se muestra las
3 12050 12005 12100 12100
ventas reales y las pronosticadas con 4 11200 11150 11150 11120
cada uno de los tres métodos: 5 12500 12400 12450 12420
 Método A
Mes Demanda Pronostico Error MAD MSE MAPE
1 9050 9100 -50 50 2500 -0.0055
2 10100 10020 80 80 6400 0.0079
3 12050 12005 45 45 2025 0.0037
4 11200 11150 50 50 2500 0.0045
5 12500 12400 100 100 10000 0.0080
54900 325 23425 0.0186
Prome promedio 65 4685 0.0037
dio 10980

Método B
Mes Demanda Pronostico Error MAD MSE MAPE
1 9050 9090 -40 40 1600 -0.0044
2 10100 10050 50 50 2500 0.0050
3 12050 12100 -50 50 2500 -0.0041
4 11200 11150 50 50 2500 0.0045
5 12500 12450 50 50 2500 0.0040
54900 240 11600 0.0048
Prome 10980 promedio 48 2320 0.0010
dio
Método C
Demand
Mes a Pronostico Error MAD MSE MAPE
1 9050 9020 30 30 900 0.0033
2 10100 10150 -50 50 2500 -0.0050
3 12050 12100 -50 50 2500 -0.0041
4 11200 11120 80 80 6400 0.0071
5 12500 12420 80 80 6400 0.0064
54900 290 18700 0.0078
Promedi 10980 promedio 58 3740 0.0016
o

Método
de MAD MSE MAPE El mejor método para realizar el
pronostico
A 65 4685 0.0037 pronostico de este caso , es el método
B 48 2320 0.001 B . Esto se ha comprobado usando
C 58 3740 0.0016
los tres métodos de media del error
del pronostico : MAD, MSE, MAPE
 Variaciones estacionales con tendencia

El modelo de variació n estacional , estacionaria o cíclica, permite

determinar el pronostico cuá ndo existen fluctuaciones perió dicas de la serie de
tiempo, esto generalmente como resultado de la influencia de fenó menos de
naturaleza econó mica, como por ejemplo: las temporadas de ventas.

¿Cuándo utilizar un pronóstico de variación estacional con

tendencia?
El modelo de variación estacional con tendencia es un modelo ó ptimo para
patrones de demanda que presenten un comportamiento cíclico y que a su
vez presentan una tendencia,
Por ejemplo la demanda de artículos
escolares, la cual tiene un
comportamiento cíclico de
conformidad con el calendario escolar
y que puede, en un momento dado, .
presentar una tendencia creciente
con relació n a las ventas que se
realizan en el mismo mes, añ o tras añ o.
Ejemplo:
Determine el pronóstico de la demanda para el año 2019, mediante el modelo de
variación estacional con tendencia, como se indica en la siguiente tabla.

Demanda
Periodo 2017 2018 2019
I 26000 44000 58000
II 35500 51000 65000
III 35000 46000 60000
IV 34000 49000 69000

El primer paso consiste en desestacionalizar la demanda, es decir,

preparar la informació n histó rica de entrada para poder efectuar
una proyecció n conforme su tendencia. Para su efecto, de debe
hallar el índice de estacionalidad que rige la demanda, de la
siguiente manera:
𝑥=𝑚𝑒𝑑𝑖𝑎 𝑑𝑒𝑙𝑎𝑠 𝑣𝑒𝑛𝑡𝑎𝑠 𝑑𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑖
𝑋
𝐼𝐸=
𝑋𝑔 𝑋 𝑔 =𝑚𝑒𝑑𝑖𝑎𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜𝑔𝑒𝑛𝑒𝑟𝑎𝑙 𝑑𝑒 𝑣𝑒𝑛𝑡𝑎𝑠
 Demanda
Periodo 2017 2018 2019 Xi
I 26000 44000 58000 42667 (26000+44000+ 58000)/3
II 35500 51000 65000 50500
III 35000 46000 60000 47000
IV 34000 49000 69000 50667
47708
47708/4

Índice de estacionalidad I = (42667 / 47708)

Índice de estacionalidad I = 0,89

El siguiente paso es propio del modelo con tendencia, corresponde a

la desestacionalización de la demanda, es decir, la parte correspondiente al
aná lisis de la tendencia.
 Demanda
Periodo 2017 2018 2019 Xi Indice: I
I 26000 44000 58000 42667 0.89
II 35500 51000 65000 50500 1.06
III 35000 46000 60000 47000 0.99 Desestacionalidad
IV 34000 49000 69000 50667 1.06 De la demanda:
47708
Di = demanda /Índice
26000/0.89
Para ello procedemos Demanda
a reordenar los datos, Trimestr Demand Desestacio
Periodo e a Índice n.
1 2017 I 26000 0.89 29072
2 2017 II 35500 1.06 33537
3 2017 III 35000 0.99 35527
4 2017 IV 34000 1.06 32015
5 2018 I 44000 0.89 49199
6 2018 II 51000 1.06 48180
7 2018 III 46000 0.99 46693
8 2018 IV 49000 1.06 46139
9 2019 I 58000 0.89 64853
10 2019 II 65000 1.06 61406
11 2019 III 60000 0.99 60904
12 2019 IV 69000 1.06 64971
 Desesta Xi*ti
ti Demanda Indice cion.
1 26000 0.89 29072 29072 1
2 35500 1.06 33537 67075 4
3 35000 0.99 35527 106582 9
4 34000 1.06 32015 128058 16
5 44000 0.89 49199 245994 25
6 51000 1.06 48180 289082 36
7 46000 0.99 46693 326851 49
8 49000 1.06 46139 369109 64 a = 47708 – 3412.13 * 6.5
9 58000 0.89 64853 583678 81
10 65000 1.06 61406 614063 100
11 60000 0.99 60904 669942 121 a = 25529.16
12 69000 1.06 64971 779649 144
78 572500 4209155 650

∑ 𝑡𝑖 ∑ 𝑋 𝑖 ∑ 𝑋 𝑖 𝑡𝑖 2

= 3412.13
 Para calcular el periodo I del 2020 , procedemos de la siguiente
manera:

El tabulado con las proyecciones completas es la siguiente:

= ( 25529.16 + 3412.13 * 13) * 0.89 = 62199.30

Demanda Pronostico
Periodo 2017 2018 2019 Y IE 2020
I 26000 44000 58000 69887 0.89 62199.30
II 35500 51000 65000 69887 1.06 74080.06
III 35000 46000 60000 69887 0.99 69187.98
IV 34000 49000 69000 69887 1.06 74080.06
Demanda Pronostico IV
Periodo 2017 2018 2019 2020
I 26000 44000 58000 59530
II 35500 51000 65000 74517 II III
III 35000 46000 60000 72974
IV 34000 49000 69000 81751 I
 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 pronósticos
de mediano y largo plazos. Se pueden desarrollar varias ecuaciones
matemáticas (por ejemplo, exponencial y cuadrática), .

Para esto podemos aplicar el método de mínimos cuadrados.

Este 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.

Ecuación de la recta de regresión

 ^
𝑦 = Variable dependiente o variable que debemos predecir

a = Intersección con el eje y

b = pendiente de la recta de regresión
x = variable independiente (representa el tiempo)

𝑏=
∑ 𝑥 𝑦 −𝑛 𝑥 𝑦
∑ 𝑥 2 −𝑛 𝑥 2
b = pendiente de la recta
x = variable independiente
y = variable dependiente
= promedio de los valores de x
= promedio de los valores de y
n = numero de datos

𝑎= 𝑦 −𝑏 𝑥
 Caso: Ventas mensuales de productos materiales de oficina
Se requiere elaborar el pronostico para
los meses 13, 14 y 15
𝑏=
∑ 𝑥 𝑦 −𝑛 𝑥 𝑦
∑ 𝑥2 −𝑛 𝑥 2
Ventas xy x2 y2
X (y) Y
1 600 600 1 360000 801.31
2 1550 3100 4 2402500 1160.92
3 1500 4500 9 2250000 1520.53 𝑥=
78
=6.5
4 1500 6000 16 2250000 1880.14 12
5 2400 12000 25 5760000 2239.75 ‫ ݔ‬78/12 = 6.5
33350
6 3100 18600 36 9610000 2599.36 ‫ݕ‬
𝑦 =33350/78 =2779.17
12
=2779.17
7 2600 18200 49 6760000 2958.97
8 2900 23200 64 8410000 3318.58
9 3800 34200 81 14440000 3678.19 b = 268200 - 12*6.5* 2779.17 . = 359.61
10 4500 45000 100 20250000 4037.8
11 4000 44000 121 16000000 4397.41 650 - 12* (6.5) 2
12 4900 58800 144 24010000 4757.02
78 33350 268200 650 112502500

a = 2779.17 - 359.61* 6.5 = 441.70

‫ݕ‬ො 441.70 + 359.61 x

Y = 441.70 + 359.61 (13) = 5116. 63
 El error estándar del estimado, o la forma en que la recta se
adapta a los datos:

= 363.9

=
Ventas (y)
6000
Para medir la exactitud de las
estimaciones de regresió n, 5000
f(x) = 359.615384615385 x + 441.666666666667
debemos calcular el error 4000
R² = 0.933186101557578

estándar de la Ventas (y)

Linear (Ventas (y))
estimación, Sy,x. 3000 Linear (Ventas (y))

Este cá lculo se llama 2000

desviación estándar de la
regresión, y mide el error 1000

desde la variable 0
dependiente, «y», hasta la 0 2 4 6 8 10 12 14

recta de regresión.
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.96601558
Coeficiente de determinación R^2 0.933186102
R^2 ajustado 0.926504712
Error típico 363.8777972
Observaciones 12

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F Valor crítico de F
Regresión 1 18493221.2 18493221.15 139.6694585 3.4E-07
Residuos 10 1324070.51 132407.0513
Total 11 19817291.7

Coeficientes Error típico Estadístico t ProbabilidadInferior 95%Superior 95%Inferior 95.0% Superior 95.0%
Intercepción 441.6666667 223.951303 1.972154932 0.076868695 -57.328 940.661266 -57.3279324 940.6612657
Variable X 1 359.6153846 30.4289901 11.81818338 3.37202E-07 291.815 427.4154 291.8153697 427.4153996
 Variable X 1 Curva de regresión ajustada
6000
5000
4000
3000 Y
Pronóstico para Y
Y

2000
1000
0
0 2 4 6 8 10 12 14
Variable X 1

Gráfico de probabilidad normal

6000
5000
4000
3000
Y

2000
1000
0
0 20 40 60 80 100 120
Muestra percentil
Suavización Exponencial
A diferencia de los promedios mó viles, este método pronostica
otorgando una ponderación a los datos dependiendo del peso que
tengan dentro del cá lculo del pronó stico. En esta ponderació n, se otorga
un valor a la constante de suavizació n, α, que puede ser mayor que cero
y menor que uno. ( 0 ≤α ≤ 1)

El modelo bá sico de suavizació n exponencial se presenta :

Ft+1 = α Yt + (1 - α)Ft o Ft+1 = Ft-1 + α (Yt-1 – Ft-1)

Donde:
Ft+1 = Pronó stico de la serie de tiempo para el periodo de t + 1.
Yt = Valor real del periodo a pronosticar. (Dt)
Ft = Valor real del periodo anterior al añ o a pronosticar.
α = Constante de suavizació n (0 ≤ α ≤ 1).
En la prá ctica comenzamos haciendo que F1, el primer valor
de la serie de valores uniformados, sea igual a Y1, que es el
primer valor real de la serie.

el pronó stico para el período dos se calcula de la siguiente manera:

F2 =αY1+(1-α)F1
F2 =αY1+(1-α)Y1 F2 = Y1
Para el período 3, se tiene que:
F3 = αY2 + (1-α). F2

Ejemplo: Aplicar el método Suavisamiento exponencial para

el pronó stico de ventas de gasolina a partir de la siguiente
informació n:
 Ft+1 = α Yt + (1 - α)Ft
F1=Y1= 17
Ventas (Yi) Pronostico (Error)t F2 = F1 =17.00
│Ventas-
Periodos Gasolina (Ft) α=0.2 Pronostico│ F3 = 0.2*Y2+(1-0.2)*F2 = 0.2*21+(1-0.2)*17 =
17.80
1 17 17 0 F4 = 0.2*Y3 + (1-0.2)*F3 = 0.2*19+ (1 – 0.2)*
2 21 17 4 17.80 = 18.04
3 19 17.8 1.2 F5 = 0.2*Y4 + (1-0.2)*F4 = 0.2*23 + (1-0.2) * 18.04
4 23 18.04 4.96 = 19.03
5 18 19.03 1.03
6 16 18.83 2.83
7 20 18.26 1.74
8 18 18.61 0.61
9 22 18.49 3.51
10 20 19.19 0.81
11 15 19.35 4.35
12 22 18.48 3.52
13 Pronostico 19.18 2.38

= 28.56/ 12
Promedio ABS
En la practica suele utilizarse «el solver excel « para saber cual seria el
menor o mínimo error del pronostico.
Para ello debemos activar el Solver «excel» y establecer los pará metros
posible que nos muestre el menor error residual (( 0 ≤α ≤ 1). Esto
permitirá saber en primer el valor del pronostico alineado al nivel de error
posible,
 Ventas (Yi) Pronostico (Error)t

Periodos Gasolina (Ft) α=0.2 │et│ 0.10

1 17 17 0
2 21 17 4
3 19 17 1.60
4 23 17.56 5.44
5 18 18.10 0.10
6 16 18.09 2.09
7 20 17.88 2.12
8 18 18.10 0.10
9 22 18.09 3.91
10 20 18.48 1.52
11 15 18.63 3.63
suavización exponencial simple
Media Error 1.33630989 12 22 18.27 3.73
MABSE 2.35 13 Pronostico 18.64 PM ABS
2.35
Caso: Una empresa de consumo masivo lleva registro de la demanda mensual de uno
de sus productos emblemáticos para un período de un año. Dicha información se
presenta en la columna etiquetada Demanda en la imagen a continuación. Se requiere
utilizar el método de suavizamiento exponencial simple considerando tres valores para
el parámetro de suavizamiento α (alfa) : 0,1; 0,5 y 0,9. Obtener el pronóstico del
período 13 (mes de Enero del año siguiente) y evaluar el ajuste del método para cada
uno de los valores de alfa propuestos.

Periodo Mes Demanda α =0.1 α = 0.5 α = 0.9

Demanda
1 Enero 2000
3500
2 Febrero 1350 2000 2000 2000 3000
2500
3 Marzo 1950 1935 1675 1415 2000
4 Abril 1975 1937 1813 1897 1500
1000
5 Mayo 3100 1940 1894 1967 500
6 Junio 1750 2056 2497 2987 0
o o o il o o re re re re
er rer arz Abr ay Juni lio to ro
n Ju gos mb tub mb mb Ene
7 Julio 1550 2026 2123 1874 E
Fe
b M M A
pti
e c
O ovi e
Di
cie
Se N
8 Agosto 1300 1978 1837 1582
Demanda α =0.1 α = 0.5 α = 0.9
9 Septiembre 2200 1910 1568 1328
10 Octubre 2770 1939 1884 2113
11 Noviembre 2350 2022 2327 2704
Ft+1 = α Dt + (1 - α)Ft
12 Diciembre 2230 2055 2339 2385
13 Enero 2073 2284 2246
 MÉTODOS ASOCIATIVOS DE PRONÓSTICO:
ANÁLISIS DE REGRESIÓN Y CORRELACIÓN

El objetivo de aná lisis de regresió n lineal es encontrar la recta que

represente las tendencias de las relaciones observadas en el pasado ,
para usarlas como base de la proyecció n de la tendencia futura

análisis de regresión para pronosticar

Regresión Lineal: supone que la relació n entre la variable
dependiente (Y) y la variable independiente (X) es casi una recta
yˆ = a + bx

a = intersecció n con el eje y

b = pendiente de la recta de
regresió n
x = variable independiente
Coeficiente de Correlación (r)
El coeficiente de correlació n r explica la importancia relativa de la
relació n entre «y» y «x»; si signo de r, la direcció n de dicha relació n,
y el valor absoluto de r, la magnitud de la relació n. r puede asumir
cualquier valor entre -1 y +1: el signo de r será siempre igual al signo
de
. Una r negativa indica que los valores de «y» y de «x» tienden a
moverse en direcciones opuestas, y una r positiva indica que los
valores de «y» y de «x» se mueven en la misma direcció n.

La correlación, también conocida como coeficiente de correlación

lineal (de Pearson), es una medida de regresión que pretende
cuantificar el grado de variación conjunta entre dos variables.

Por tanto, es una medida estadística que cuantifica la dependencia

lineal entre dos variables, es decir, si se representan en un diagrama de
dispersió n los valores que toman dos variables, el coeficiente de
correlació n lineal señ alará lo bien o lo mal que el conjunto de puntos
representados se aproxima a una recta.
Se puede definir como el nú mero que mide el grado de intensidad
y el sentido de la relació n entre dos variables.

Siendo:
Cov (x;y): la covarianza entre el valor «x» e «y».
σ(x): desviació n típica de «x».
σ(y): desviació n típica de «y».
Valores que puede tomar la correlación
ρ = -1 Correlación perfecta negativa
ρ=0 No existe correlación
ρ = +1 Correlación perfecta positiva
Hablamos de correlació n positiva si siempre que el valor «x» sube, el valor «y»
sube, y ademá s con la misma intensidad (+1).
En el caso opuesto, si siempre que el valor «x» sube, y el valor «y» baja, y
ademá s con la misma intensidad, entonces estamos hablando de correlació n
negativa (-1).
Representación gráfica de la correlación
Correlación perfecta positiva:
El valor de este coeficiente varía entre 0.0 y 1.0. Entre má s tienda r a 1,
es más fuerte el grado de correlación. Se pueden destacar los siguientes
cuatro niveles de correlació n: baremos estadistico
1.00- 0.90 Fuerte
0.89-0.70 Buena
0.69-0.45 Mediana
0.44 y menos Débil
Para calcular r, usamos casi los mismos datos necesarios para calcular a y b para la
recta de regresión.

Coeficiente de
correlación lineal
o de Pearson
Ejemplo: Una compañ ía desea hacer predicciones del valor anual de sus
ventas totales en cierto país a partir de la relació n de éstas y la renta
nacional. Para investigar la relació n cuenta con los siguientes datos:

n x y n x y x2 y2 xi*yi
1 189 402 1 189 402 35721 161604 75978
2 190 404 2 190 404 36100 163216 76760
3 208 412 3 208 412 43264 169744 85696
4 227 425 4 227 425 51529 180625 96475
5 239 429 5 239 429 57121 184041 102531
6 252 436 6 252 436 63504 190096 109872
7 257 440 7 257 440 66049 193600 113080
8 274 447 8 274 447 75076 199809 122478
9 293 458 9 293 458 85849 209764 134194
10 308 469 10 308 469 94864 219961 144452
11 316 469 11 316 469 99856 219961 148204
total 2753 4791 708933 2092421 1209720

-( -(
covarianza

𝐶𝑜𝑣 ( 𝑥 , 𝑦 ) =
∑ ( 𝑥𝑖 − 𝑥 ) ( 𝑦 𝑖 − 𝑦)
𝑛
 ‫ݔ‬ҧ 250.272727 Ϭx = √1812.02 = 42.57
‫ݕ‬ത 435.545455
ߪ ଶ‫ݔ‬ 708933/11 - (250.27)2
= 1812.02 Ϭy = √ 520.50 = 22.81
ߪʹ௬ 2092421/11 - (435.55)2 = 520.50

𝑥. 𝑦 Ϭxy = 1209720/11 - 250.27*435.55= 969.45

𝜎 𝑥𝑦 = −𝑥∗ 𝑦
𝑛
r = 969.45/42.57*22.81 = 0.99838

Usando Excel
0.9972919

R2 = coeficiente
De determinación
Caso :
Una empresa fabricante de
electrodomésticos desea pronosticar cuá l
será el nivel de ventas para el pró ximo
añ o, luego de que se ha analizado el
histó rico de ventas anteriores, se
determinó que existe relació n con el grado
de inversió n en cuanto a publicidad. Es
decir mientras má s dinero se ha invertido
en publicidad (variable independiente)
mayor ha sido el nú mero de ventas de sus
año
productos (variable dependiente). Ventas (miles Publicidad
de soles) Y en miles S/. X
Aplicando el método de regresió n lineal 1 1500 40
pronostique el volumen de ventas para los 2 1570 45
3 1620 47
tres añ os siguientes. Y se contará con 4 1660 50
$6000 dó lares para gastos publicitarios. 5 1770 52
6 2100 80
7 1620 46
8 1890 38
9 2100 95
15830 493
año Ventas (miles Publicidad
de soles) Y en miles S/. X X2 XY
1 1500 40 1600 60000
2 1570 45 2025 70650
3 1620 47 2209 76140
4 1660 50 2500 83000
5 1770 52 2704 92040
6 2100 80 6400 168000
7 1620 46 2116 74520
8 1890 38 1444 71820
9 2100 95 9025 199500
total 15830 493 30023 895670

= 30023 𝑦 =1758.9

∑ 𝑥𝑦=895670 𝑥=54.8

𝑏=
∑ 𝑥𝑦 − 𝑛 ( 𝑥 ) ( 𝑦
¿
895670
) − 9 (54.8 ) (1758.9)
9.40717843
∑ 𝑥
2
− 𝑛 ( 𝑥 ) 2 30023 −9 ( 54.8 ) 2
 - b ( ) = 1758.9 - 9.4072 ( 54.8) = 1243. 38

O bien:
Ventas= 1243.38 + 9.4072 X (publicidad)
Ventas (en miles de dólares) = 1243.38 +9.4072 (6.0) =Ventas= $ 1299.82

Proyección para el año 10: 1243.38 +9.4072 (10) = 1337.45

Proyección para el año 11: 1243.38 +9.4072 (11) = 1346.86
Proyección para el año 12: 1243.38 +9.4072 (12) = 1356.27
 Señal de rastreo
Es una medida que determina el grado de precisión del pronóstico para
valores reales.

Señal de control o rastreo = RSEF

MAD

la siguiente tabla mide el porcentaje del

área de una distribución normal de media
cero cubierta en el rango +- # de MADs.

MAD ó DMA = DESVIACION MEDIA ABSOLUTA

 cálculo de la señal de rastreo o control de pronostico
En el siguiente caso se muestra el pronó stico efectuado para los 6
primeros meses del 2019 en un negocio dedicado a la venta de
artefactos del hogar, junto con las ventas reales en dichos períodos.
Se desea evaluar el desempeñ o de su pronó stico de ventas y vea si
se conserva dentro de los limites aceptables, los cuales se definen
como.
Ventas reales Pronostico Demanda Ventas Desviacion RSFE error Desviacion Control o
700 660 n real Pronosticada o Error Desv.acumuladaabsoluto pron absoluto acum DMA rastreo
760 840 1 700 660 40 40 40 40 40.00 1.00
780 750 2 760 840 -80 -40 80 120 60.00 -0.67
790 835 3 780 750 30 -10 30 150 50.00 -0.20
850 910 4 790 835 -45 -55 45 195 48.75 -1.13
950 890 5 850 910 -60 -115 60 255 51.00 -2.25
6 950 890 60 -55 60 315 52.5 -1.05

Desviación media Absoluta: (DMA) = ∑│ Error de pronostico│ =

n
Señal de control o rastreo = RSEF = -1.05
DMA
Esta señal de rastreo se encuentra dentro de los límites aceptables de
control del pronóstico, su rango de comportamiento se desplaza desde

– 2,25 hasta + 1,00.

Caso 2:
La empresa de software Megasoft tiene disponibles los datos de demanda
de Tablet de los ú ltimos 2 añ os, divididos en 8 trimestres. Para ello, el
gerente de operaciones planteo para realizar las proyecciones, se ha tomado
en cuentas las técnicas de regresión lineal desde el primer trimestre al 8 .
Siendo la ecuación lineal . La siguiente información se muestra en la tabla:
F(i )=361+70,667(x)

Trimestre demanda
1 300
La Señal de Rastreo se encuentra en el rango
aceptado y no se evidencia una tendencia en
2 540
su comportamiento. No obstante el patrón
3 885
que sigue (periodos bajo y sobre cero
4 580
alternados) sugiere que utilizar la tendencia
5 416 como único dispositivo de pronóstico no
6 760 rescata de forma adecuada la variabilidad de
7 1191 los datos y la estacionalidad de los mismos.
8 760
 Pronostico
Trimestre demanda F(i)=361+70.667(x) Desviac absol Desv. Acumu DMA Desviacion ∑ Desv acum Control
1 300 432 132 132 132 -132 -132 -1.0
2 540 502 38 170 85 38 -94 -1.1
3 885 573 312 482 160.7 312 218 1.4
4 580 644 64 546 136.4 -64 154 1.1
5 416 714 298 844 168.8 -298 -144 -0.9
6 760 785 25 869 144.8 -25 -169 -1.2
7 1191 856 335 1204 172.0 335 166 1.0
8 760 926 166 1370 171.3 -166 0 0.0

Control
1.5

1.0

0.5

0.0
1 2 3 4 5 6 7 8
-0.5

-1.0

-1.5
 Referencias bibliográficas

• Chase, R. y Jacobs, R. (2009). Administración de operaciones:

Producción y cadena de suministros (13ª ed.). México: McGraw
Hill.

• Jay Heizer ( 2009) Principios de administración de Operaciones

(7º edición PEARSON EDUCACIÓN, México,
 ADMINISTRACIÓN
DE OPERACIONES

3
Pronóstico
• Semana 3 - Unidad 1

Dr. José A. Castillo Montes