1

Instituto Politcnico Nacional

Escuela Superior de
Cmputo
Modelos de Pronstico
M. En C. Eduardo Bustos Faras
2
Gestin de Demanda
Clientes Internos y Externos
Proactiva: Promociones, Polticas de
Precio, etc.
Pasivas: Planeacin de Proyeccin de
Ventas y Pronsticos.
3
Pronsticos de
Demanda
Los pronsticos son la base de la
planificacin corporativa a largo
plazo, ya que con ellos es posible
coordinar y controlar a toda la
organizacin para que el sistema
productivo pueda usarse de
manera eficiente y para que el
producto se entregue a tiempo
4
Mtodos de
Pronstico
Mtodos cualitativos o subjetivos.
Mtodos Causales.
Mtodos de Serie de Tiempo.
5
Mtodos de Pronstico
y sus Aplicaciones
Aplicacin de
los pronsticos
Horizonte
de tiempo
Exactitud
requerida
N de
productos
Nivel
Administrativo
Mtodo de
Pronstico
Diseo de
procesos
Largo
Plazo
Mediana Uno o
pocos
Alto Cualitativos
y causales
Planeacin de
capacidad de
instalaciones.
Largo
Plazo
Mediana Uno o
pocos
Alto Cualitativos
y causales
Planeacin
Agregada
Mediano
Plazo
Alta Pocos Medio Causales y
Series de
Tiempo
Programacin
de Actividades
Corto
Plazo
Superior Muchos Bajo Series de
Tiempo
Administracin
de Inventarios
Corto
Plazo
Superior Muchos Bajo Series de
Tiempo
6
Tcnicas de Proyeccin
del Mercado

La seleccin de la tcnica
est influida por diversos factores:
La precisin deseada del pronstico
El costo del procedimiento
Los periodos futuros a proyectarse
Validez y disponibilidad de datos histricos
Se debe buscar:
Precisin y objetividad
Sensibilidad
7
Mtodos Subjetivos
Es utilizado cuando los mtodos
cuantitativos basados en
informacin histrica no pueden
explicar por si solos el
comportamiento futuro esperado
de alguna de sus variables, o
cuando no existen suficientes
datos histricos.
8
El Mtodo Delphi
Es probablemente la tcnica
cualitativa que ms se
utiliza.
Este mtodo requiere el
establecimiento de un grupo.
de expertos relacionados con
el tema a pronosticar.
Este grupo debe ser annimo.
9
Fases del Mtodo Delphi
Se crea y enva una encuesta a expertos y
stos la devuelven a los coordinadores para
su anlisis.
Se prepara una lista con informacin derivada
del punto anterior y se enva a los expertos
Los expertos devuelven las listas y aquellos
con opinin diferente deben justificar sus
apreciaciones
Consolidar los pronsticos donde exista el
consenso por parte del grupo de expertos
10
Desventajas del Mtodo
Delphi
Escoger un grupo idneo de expertos
Ruido en la comunicacin
Sesgo en la coordinacin
11
Otros Mtodos
Adems del mtodo cualitativo descrito
anteriormente se pueden utilizar otros
mtodos como:
Consenso de panel
Curvas Logsticas (curva S)
12
Mtodos Causales
Proyeccin del mercado en base a
datos histricos.
Buscar la causa del comportamiento de
la variable a proyectar relacionndola
con variables explicativas.
Las variables explicativas son variables
independientes, que determinan en
consecuencia las variables a proyectar.
13
Modelos de Proyeccin
Los modelos causales de
uso ms frecuente son :
Modelo de Regresin
Modelo Economtrico
Mtodo de encuestas de intenciones de
compra
Modelo de insumo-producto
14
Modelo de Regresin Lineal
( )
b
X y n X y
X n X
a y b X
i
n
i
i
n
=


=
=
=

1
2
1
2
Es una relacin funcional entre dos
variables correlacionadas, formando una
lnea recta
y = a+bX
y = Variable dependiente
X = Perodo
a = Interseccin de Y
b = Pendiente
X, y= Promedio
_ _
15
Mtodo de los mnimos
cuadrados
Trata de ajustar la lnea a los datos, de
manera que minimicen la suma de los
cuadrados de la distancia vertical entre
cada punto de datos y su punto
correspondiente de la lnea.
( ) Y y
i i
i
n

2
1
e
=
y= Datos de la variable
dependiente
Y = Variable dependiente
calculada por la ecuacin
16
Mtodo de los mnimos
cuadrados
( )
n
Y y
S
n
i
i i
YX

=
1
2
El error de estimacin, es decir, la
calidad del ajuste de la lnea a los datos
es:
17
Ejemplo
x y Y e
1 600 801,3 40.506
2 1.550 1.160,9 151.430
3 1.500 1.520,5 419
4 1.500 1.880,1 144.446
5 2.400 2.239,7 25.709
6 3.100 2.599,3 250.741
7 2.600 2.958,9 128.780
8 2.900 3.318,5 175.109
9 3.800 3.678,1 14.869
10 4.500 4.037,7 213.758
11 4.000 4.397,3 157.816
12 4.900 4.756,9 20.489
18
Regresin lineal
X 6,5
Y 2779,2
b 359,6
a 441,66
e = 1.324.071
= 332,17
19
Modelos de Serie de
Tiempo
Se refieren a la medicin de una
variable en el tiempo a intervalos
espaciados uniformemente.
El objetivo de la identificacin de la
informacin histrica es determinar un
patrn bsico en su comportamiento,
que permita la proyeccin futura de la
variable deseada.
20
Componentes de la Serie
de Tiempo
En una serie histrica de datos existen
cuatro patrones bsicos que pueden o
no presentarse en dicha serie:
La tendencia
La estacionalidad
El componente Cclico
La componente no
sistemtica
21
Componentes de una serie
de Tiempo
tiempo
Componente no
sistemtico
Componente
de tendencia
Componente
cclico
Componente
estacional
22
Modelos de Proyeccin
Los modelos de series de tiempo
ms usados son:
Promedios de mviles simples
Alisamiento Exponencial
Mtodo de descomposicin
23
Notacin
X
t
, valor observado en el periodo t
S
t
, valor pronosticado para el periodo t
e
t
, error absoluto en el pronstico del
periodo t
t=1,2,3,....,n
Se tiene que:
e
t
= S
t
- X
t
24
Fuentes de error
Error Sistemtico:
Es el que se comete consistentemente,
como por ejemplo excluir variables
correctas, utilizar relaciones errneas entre
variables, etc.
Error Aleatorio:
Aquellos que no se pueden explicar con el
modelo de pronstico.
25
Promedios
Mviles Simple
Es una tcnica que se utiliza en
pronsticos a corto plazo.
Es un mtodo no estadstico
que requiere de una serie
histrica para obtener el valor a
pronosticar
n
X
S
t
n t i
i
t

=
=
1
26
Exactitud del
Pronstico
Se evala buscando el error absoluto
dado por:
Valor Medio:
Desviacin
estndar:
e
n
e
t
i
i
n
=
=

1
1
( )

e
t
n
=

1
1 2
e e
i
i
2
i 1
n
/
27
Limitaciones
Esta tcnica tiene algunas
limitaciones:
Requiere mucha informacin
No se adapta rpidamente
al cambio
28
Ejemplo
Peri odo Mes Demanda Pronsti co Pronsti co
observada 3 meses 5 meses
1 Enero 2000
2 Febrero 1350
3 Marzo 1950
4 Abril 1975 1767
5 Mayo 3100 1758
6 J unio 1750 2342 2075
7 J ulio 1550 2275 2025
8 Agosto 1300 2133 2065
9 Septiembre 2200 1533 1935
10 Octubre 2770 1683 1980
11 Noviembre 2350 2090 1914
12 Diciembre 2550 2440 2034
29
Ejemplo
n
X
S
n t
t i
i
t

=
=
1
Se determina el error del pronstico, segn
error medio y desviacin estndar del error
n = 3 n = 5
Valor medio del error absoluto 647 510,3
Desviacin estndar del error absoluto 387 187
30
Pronstico de la demanda para promedios
mviles de tres y cinco semanas comparados
con la demanda
0
500
1000
1500
2000
2500
3000
3500
E
n
e
r
o
F
e
b
r
e
r
o
M
a
r
z
o
A
b
r
i
l
M
a
y
o
J
u
n
i
o
J
u
l
i
o
A
g
o
s
t
o
S
e
p
t
i
e
m
b
r
e
O
c
t
u
b
r
e
N
o
v
i
e
m
b
r
e
D
i
c
i
e
m
b
r
e
Mes
P
r
o
n

s
t
i
c
o
Demanda
n=5
n=3
31
antiguas
recientes
Alisamiento
Exponencial
En estos mtodos, cada vez que se
aade un nuevo dato, se elimina la
observacin ms antigua y se calcula el
nuevo pronstico.
Considera vlida la premisa de que la
importancia de los datos disminuye
mientras ms antiguos sean.
32
Alisamiento Exponencial
El nombre se debe a que cada
incremento del pasado se reduce en
(1 - ) .
Para realizar el pronstico slo se
necesitan tres datos: el pronstico ms
reciente, la demanda que se present
para ese perodo y una constante de
suavizamiento
33
Mtodo
S
2
= X
1
(clculo del primer pronstico)
S
t+1
= S
t
+ (X
t
-S
t
) 0 1 ; t 2
e
t
= (X
t
-S
t
) :error del pronstico
S
t+1
: es el pronstico hecho en el
perodo t, para el perodo t+1.

34
Constante de suavizamiento
tiene un valor entre 0 y 1.
Esta constante determina el nivel de
suavizamiento y la velocidad de reaccin
ante las diferencias entre pronsticos y
hechos.
Si la demanda real es estable, un
pequeo reduce los efectos de cambios
a corto plazo
35
Constante de suavizamiento
Si la demanda real aumenta o decrece con
rapidez un de gran magnitud puede seguir
el ritmo de los cambios.
La principal desventaja de este mtodo es
que no se puede pronosticar el valor de .
Se requiere un mtodo para rastrear y
cambiar los valores de , de manera de
ajustarlo a los datos reales (TRIGG)
36
Ejemplo
Mes Periodo Demanda
observada
=
0,1
=
0,5
=
0,9
Enero 1 2000
Febrero 2 1350 2000 2000 2000
Marzo 3 1950 1935 1675 1415
Abril 4 1975 1937 1813 1897
Mayo 5 3100 1940 1894 1967
J unio 6 1750 2056 2497 2987
J ulio 7 1550 2026 2123 1874
Agosto 8 1300 1978 1837 1582
Septiembre 9 2200 1910 1568 1328
Octubre 10 2770 1939 1884 2113
Noviembre 11 2350 2022 2327 2704
Diciembre 12 2230 2055 2339 2385
2073 2284 2246
Pronstico
37
Ejemplo
S
2
= X
1
(Clculo del primer pronstico)
S
t+1
= S
t
+ (X
t
- S
t
), 0 << 1 t 2
=
0,1
=
0,5
=
0,9
Valor medio del error absoluto 450 527 571
Desviacin estndar del error absoluto 335 343 366
38
Grfico pronstico de demanda segn
mtodo de alisamiento exponencial
para distintos
0
500
1000
1500
2000
2500
3000
3500
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
Mes
P
r
o
n

s
t
i
c
o
Demanda
=0,5
=0,1
=0,9
39
Mtodos de Descomposicin
Considera simultneamentelos patrones
de una serie histrica de datos
La tendencia
El componente cclico
El componente estacional
Componente no sistemtico
40
Relacin entre las Variables
El mtodo de descomposicin considera
que los cuatro componentes se
relacionan a travs de:
S T C Y = +
Donde:
S= Valor pronosticado
T= Factor de tendencia
C= Componente cclico
= Variacin no sistemtica
41
Procedimiento
Se calcula el factor de estacionalidad
realizando el cuociente entre el
promedio mvil del perodo y el
correspondiente valor observado (ciclo
de estacionalidad)
Se calcula el ndice promedio para cada
perodo.
42
Procedimiento
Se ajusta el valor estacional
multiplicando por un factor de
estacionalidad K.
Se calcula la tendencia ajustando
los datos a una regresin simple.
Se calcula el factor cclico como:
el cuociente entre el promedio
mvil y la tendencia, para cada
perodo
43
Procedimiento
Finalmente se realiza el
pronstico en base a:
S(t) T(t) C Y
=

Donde:
S(t) = Valor pronosticado para el perodo t
T(t) = Factor de tendencia para el perodo t
C = Componente cclico
Y = Componente de Estacionalidad
= Variacin no sistemtica
44
Ejemplo
Peri odo 1990 1991 1992 1993
1 23.600 41.600 35.600 30.700
2 18.400 33.500 25.700 25.000
3 17.900 30.300 21.600 21.300
4 19.000 32.800 23.800 23.400
5 18.600 29.200 20.500 21.600
6 18.200 28.900 20.200 20.500
7 21.300 30.300 22.800 25.400
8 18.900 26.300 18.900 18.200
9 18.600 25.500 16.300 19.000
10 20.900 26.200 27.800 18.100
11 29.600 27.100 21.100 22.100
12 35.100 31.500 27.000 29.300
45
Perodo Valor Pro. mvil a/b*100
Observado 12 meses
(a) (b)
1990 Enero 23.600
Febrero 18.400
Marzo 17.900
Abril 19.000
Mayo 18.600
J unio 18.200
J ulio 21.300
Agosto 18.900
Septiembre 18.600
Octubre 20.900
Noviembre 29.600
Diciembre 35.100
1991 Enero 41.600 21.675 191,9
Febrero 33.500 23.175 144,6
Marzo 30.300 24.433 124,0
Abril 32.800 25.467 128,8
Mayo 29.200 26.617 109,7
J unio 28.900 27.500 105,1
J ulio 30.300 28.392 106,7
Agosto 26.300 29.142 90,2
Septiembre 25.500 29.758 85,7
Octubre 26.200 30.333 86,4
Noviembre 27.100 30.775 88,1
Diciembre 31.500 30.567 103,1
Paso 1:
Calcular el factor
de estacionalidad,
realizando el
cuociente entre el
valor pronosticado
segn el promedio
mvil y el valor real
de la demanda
46
Perodo Valor Pro. mvil a/b*100
Observado 12 meses
(a) (b)
1992 Enero 35600 30267 117,6
Febrero 25700 29767 86,3
Marzo 21600 29117 74,2
Abril 23800 28392 83,8
Mayo 20500 27642 74,2
J unio 20200 26917 75,0
J ulio 22800 26192 87,1
Agosto 18900 25567 73,9
Septiembre 16300 24950 65,3
Octubre 27800 24183 115,0
Noviembre 21100 24317 86,8
Diciembre 27000 23817 113,4
1993 Enero 30700 23442 131,0
Febrero 25000 23033 108,5
Marzo 21300 22975 92,7
Abril 23400 22950 102,0
Mayo 21600 22917 94,3
J unio 20500 23008 89,1
J ulio 25400 23033 110,3
Agosto 18200 23250 78,3
Septiembre 19000 23192 81,9
Octubre 18100 23417 77,3
Noviembre 22100 22608 97,8
Diciembre 29300 22692 129,1
47
Metodologa
Paso 2.
Se calcula el factor de estacionalidad promedio
para cada perodo.
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Di c
1991 191,9 144,6 124,0 128,8 109,7 105,1 106,7 90,2 85,7 86,4 88,1 103,1
1992 117,6 86,3 74,2 83,8 74,2 75,0 87,1 73,9 65,3 115,0 86,8 113,4
1993 131,0 108,5 92,7 102,0 94,3 89,1 110,3 78,3 81,9 77,3 97,8 129,1
Promedio 146,8 113,1 97,0 104,9 92,7 89,7 101,3 80,8 77,6 92,9 90,9 115,2
48
Metodologa
Paso 3.
Ajustar cada factor promedio,
multiplicndolo por el factor de
estacionalidad K, calculado de:
K
n merode observaciones por perodo
ndices promedio
=

( ) 100
49
Metodologa
K =

=
( )
.
12 100
1203
0 9975
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
Ind. Estac. 146,5 112,9 96,7 104,6 92,5 89,5 101,1 80,6 77,5 92,6 90,6 114,9
50
Metodologa
Paso 4.
Calcular la tendencia, ajustando los
datos a una regresin simple:
x
i
=1,2,...48 (perodos)
y
i
= dda
i
(demanda)
y = mx + b con m = -36.6 ; b=
25465
=> s(t) = -36,8*t + 25.465
51
Metodologa
Paso 5.
Se calcula el factor cclico de la serie
histrica a partir de la siguiente
expresin:
t
t
t
tendencia
movil promedio
ciclico Factor =
52
Metodologa
Ej: Enero 1991 t=13
867 , 0
25465 13 6 , 36
675 . 21
=
+
= Fc
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
1990
1991 0,867 0,927 0,977 1,019 1,065 1,100 1,136 1,166 1,190 1,213 1,231 1,223
1992 1,211 1,191 1,165 1,136 1,106 1,077 1,048 1,023 0,998 0,967 0,973 0,953
1993 0,938 0,921 0,919 0,918 0,917 0,920 0,921 0,930 0,928 0,937 0,904 0,908
53
Metodologa
Paso 6
Determinar el factor cclico promedio
para cada perodo
Ene Feb Mar Abr May J un J ul Ago Sep Oct Nov Dic
Promedio 1,005 1,013 1,02 1,024 1,029 1,032 1,035 1,039 1,039 1,039 1,036 1,028
54
Metodologa
Paso 7.
Se realiza el pronostico en base a la
siguiente relacin
S
t
= T(t) x Y x C +u
S = valor pronosticado
T = componente de tendencia
C = factor cclico
Y = Factor de estacionalidad
u = variacin no sistemtica
55
Metodologa
Ejemplo
Enero de 1994 t=49
T(49) = -36,6*49+25.465 = 23.672
Y = 146,2/100
C = 1,0051
=> S(49) = 34.785
56
Medicin del error
1
1
Algunos de los trminos ms comunes
para describir el grado de error son:
Desviacin estndar:
Promedio de la suma de los errores al
cuadrado
Significancia estadstica
Error del pronstico
MAD (Mean absolute deviation)
57
Desviacin Absoluta
Promedio (MAD)
Es un estimador de la desviacin() de la
demanda:
( )
1
1

+ =
t t t
MAD e MAD

=
t
t t t
u d
n
MAD
1
1
n
1
t t
MAD = 25 , 1
58
Monitoreo del Pronstico
En la determinacin del grado de error
del pronstico y la existencia de cualquier
error sistemtico, se utilizan mtodos de
monitoreo y/o seales de arrastre.
El mtodo de Trigg es un mtodo de
monitoreo del pronstico.
59
Indicador de Trigg
(1964)
t
t
t
MAD
e
T =
nivel de seal de rastreo de Trigg
confianza(%) = 0,1 = 0,2
80 0,36 0,54
90 0,45 0,66
95 0,51 0,74
98 0,60 0,81
100 1,00 1,00
TRIGG
60
Mtodo de Trigg
Interpretacin
T
t
indica si el promedio del pronstico es
capaz de seguir cualquier tendencia de
cambio, ascendente o descendente, en la
demanda.
El signo de T
t
simplemente indica si el
pronstico es mayor que la demanda actual
(T
t
negativo) o viceversa.