1

TEMA 1: PRONSTICOS

1.1. Introduccin
Pronostico es un mtodo mediante el cual se intenta conocer el comportamiento futuro de
alguna variable con algn grado de certeza. Existen disponibles tres grupos de mtodos de
pronsticos: Los cualitativos, los de proyeccin histricos y los causales. Se diferencian entre
s por la precisin relativa del pronstico del largo plazo en comparacin con el corto plazo, el
nivel de herramientas matemticas requerido y la base de conocimiento como sustrato de
sus proyecciones.

Los pronsticos pueden ser utilizados para conocer el comportamiento futuros en muchas
fenmenos, tales como:

1. Mercadotecnia
Tamao del mercado
Participacin en el mercado
Tendencia de precios
Desarrollo de nuevos productos
2. Produccin
Costo de materia prima
Costo de mano de obra
Disponibilidad de materia prima
Disponibilidad de mano de obra
Requerimientos de mantenimiento
Capacidad disponible de la planta para la produccin
3. Finanzas
Tasas de inters
Cuentas de pagos lentos
4. Recursos Humanos
Nmero de trabajadores
Rotacin de personal
Tendencias de ausentismo
Tendencia de llegadas tarde
5. Planeacin Estratgica
Factores econmicos
Cambios de precios
Costos
Crecimiento de lneas de productos

Los pronsticos se utilizan para apoyar a la toma de decisiones por parte de las Gerencias
de Mercadeo, Ventas y Produccin, se entrega un pronstico para proveer con informacin
congruente y exacta, la cual se calcula utilizando modelos matemticos de pronstico, datos
histricos del comportamiento de las ventas y el juicio de los ejecutivos representantes de
cada departamento
involucrado de la empresa.

1.2 Las necesidades de pronosticar
2

Los pronsticos se utilizan para acercarnos informacin futura y con ella elaborar un plan de
accin, de ah que las caractersticas de un pronostico sean:

Primera. Todas las situaciones en que se requiere un pronostico, tratan con el futuro y el
tiempo este directamente involucrado. As, debe pronosticarse para un punto especifico en el
tiempo y el cambio de ese punto generalmente altera el pronostico.

Segunda. Otro elemento siempre presente en situaciones de pronsticos es la
incertidumbre. Si el administrador tuviera certeza sobre las circunstancias que existirn en
un tiempo dado, la preparacin de un pronostico seria trivial.

Tercera. El tercer elemento, presente en grado variable en todas las situaciones descritas es
la confianza de la persona que hace el pronostico sobre la informacin contenida en datos.

1.3 Procedimientos

Todos los procedimientos formales de pronstico comprenden la extensin de las
experiencias del pasado al futuro incierto. De ah la suposicin de que las condiciones que
generaron los datos anteriores son indistinguibles de las condiciones futuras, con excepcin
de aquellas variables reconocidas de manera explcita por el modelo de pronstico. Por
ejemplo, si se esta pronosticando el ndice de desempeo de los empleados en el trabajo,
usando slo como pronstico la calificacin del examen de admisin, se asume que el ndice
de desempeo en el trabajo de cada persona se afecta slo por dicho examen.
Considerando que la suposicin de pasado y futuro indistinguibles no se cumple, resultarn
pronsticos imprecisos, a menos que se modifiquen a juicio de quien se pronostica.
La aceptacin de que las tcnicas de pronsticos funcionan sobre datos generados en
sucesos histricos pasados conduce a la identificacin de cuatro pasos en el proceso de
pronstico:
1. Recopilacin de datos
2. Reduccin o condensacin de datos
3. Construccin del modelo
4. Extrapolacin del modelo

El paso 1 sugiere la importancia de obtener datos adecuados y asegurarse que son
correctos. Con frecuencia este paso es el mayor reto de todo el proceso de pronstico y el
ms difcil de controlar, ya que los pasos siguientes se efectan sobre los datos, sean o no
relevantes para el problema en cuestin. Siempre que se hace necesario obtener datos
pertinentes en una organizacin, abundan los problemas de recopilacin y control de calidad.
El paso 2, la reduccin de datos con frecuencia es necesaria ya que en proceso de
pronstico es posible tener muchos o muy pocos datos. Algunos datos pueden no ser
pertinentes al problema, por lo que reduciran la precisin del pronstico. Otros datos pueden
ser los adecuados, pero slo en ciertos periodos histricos. Por ejemplo, en el pronstico de
ventas de automviles compactos podra desearse emplear slo datos de ventas de
automviles a partir del embargo petrolero de la dcada de 1970, en vez de datos de los
ltimos 50 aos.
3
El paso 3 , la construccin del modelo, implica ajustar los datos reunidos en un modelo de
pronstico que sea el adecuado para minimizar el error del pronstico. Entre ms sencillo
sea el modelo, ser mejor para lograr la aceptacin del proceso por parte de los
administradores que toman las decisiones en la empresa. Con frecuencia se debe establecer
un balance entre un enfoque de pronstico complejo que ofrezca ligeramente ms precisin y
un enfoque sencillo que sea fcil de entender y ganar el apoyo de quienes toman las
decisiones, de manera que lo utilicen efectivamente. Es obvio que los elementos de juicio
forman parte de este proceso de seleccin.
El paso 4 consiste en la extrapolacin en s del modelo de pronstico, lo cual ocurre una vez
que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccion un modelo
de pronstico apropiado. Es comn que quien realiz el pronstico revise la precisin del
proceso mediante el pronstico de periodos recientes de los que se conocen los valores
histricos reales. Es entonces cuando se observan los errores de pronstico y se resumen de
algn modo. Ciertos procedimientos de pronsticos, suman los valores absolutos de los
errores y pueden reportar esta suma, o dividirla entre el numero de intentos de pronstico
para obtener el error de pronstico promedio. Otros procedimientos obtienen la suma de
cuadrados de los errores, que se compara luego con cifras similares de mtodos de
pronstico alternativos. Algunos procedimientos tambin rastrean y reportan la magnitud de
los trminos de error sobre el periodo de pronstico. El examen de los patrones de error
conduce con frecuencia al analista a la modificacin del procedimiento de pronstico, el cual
genera despus pronsticos ms precisos.

Tcnicas para el clculo de pronsticos
Cuando es difcil convertir en nmeros las variables que intervienen en la determinacin de la
demanda futura. La mayora es bajo costo y no requieren de equipo computacional para
hacerse, aunque su planeacin implica una gran inversin de tiempo por parte de los
directivos.
Horizonte: normalmente se utilizan para planear a mediano y largo plazos.
1. Opiniones de los gerentes/ejecutivos: se basa en la opinin general de un grupo de
directivos o gerentes de la empresa.
2. Tcnica Delphi: un grupo de expertos responde, de manera annima, a un cuestionario
que pregunta sobre las proyecciones de ventas de la empresa. Un moderador lee en voz alta
las respuestas y, entre todos, buscan consenso.
3. Informacin de los vendedores: consiste en recopilar las estimaciones realizadas por los
vendedores (o distribuidores) acerca de las ventas esperadas en sus territorios, con el fin de
suponer la tendencia y cambios futuros.
4. Anlisis del ciclo de vida: se basa en la evaluacin de las etapas de un producto o
servicio para predecir su del producto demanda en el mercado. Esto es, desde la
introduccin, inicio y crecimiento, hasta las etapas de madurez y declinacin.
4
5. Investigacin de mercados: se propone recolectar datos de diversas maneras
(entrevistas, cuestionarios) para probar hiptesis acerca del mercado.

Tcnicas cuantitativas
Tcnicas causales
Caractersticas: relacionan variables internas o externas con los niveles de demanda, lo que
brinda una visin amplia del sector. Los costos que implican son de medios a bajos y
usualmente requieren de equipo de cmputo.
Horizonte: son ms tiles para elaborar pronsticos a mediano plazo de productos o
servicios existentes y para el diseo de estrategias de marketing, produccin y contratacin
de personal.
6. Regresin: se predice la demanda futura a partir de una lnea recta formada por los datos
de demandas pasadas. Si slo se usa una variable del pasado se le llama regresin simple.
Si se usan dos o ms variables del pasado, se le nombra regresin mltiple.
7. Promedios mviles: promedia los valores de demanda reciente para predecir la demanda
futura.
8. Naive: es la aplicacin de un supuesto simple: en el prximo periodo se repetir la
demanda actual.
9. Suavizacin exponencial: consiste en estimar la demanda del prximo periodo
basndose en una combinacin de indicadores de la demanda reciente y de los pronsticos
pasados.
Promedios Mviles

Un promedio mvil simple o aritmtico es calculado como la suma de un nmero
predeterminado de precios por un cierto nmero de perodos de tiempo, dividido por el
nmero de perodos de tiempo. El resultado es el precio promedio en dicho perodo de
tiempo. Los promedios mviles simples emplean la misma ponderacin para los precios. Es
calculado usando la siguiente frmula:
Promedio Mvil Simple = SUMA (precios de cierre) / n, donde n es el nmero de perodos.

Suavizacin exponencial
2.4.1.2 SUAVIZACIN EXPONENCIAL
5
Suavizacin exponencial. El mtodo de suavizacin exponencial es un mtodo de promedio
mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo,
asignando a las demandas recientes mayor ponderacin que a las demandas anteriores.
Es el mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la
reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil
ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin
exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la
demanda de ese periodo y un parmetro suavizador, alfaa, cuyo valor flucta entre 0 y 1.0.
Para elaborar un pronstico con suavizacin exponencial, ser suficiente que se calcule un
promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo
periodo.
En la suavizacin exponencial se asignan pesos a los datos pasados tal que los pesos
disminuyen al hacerse los datos ms antiguos, esto es que en un proceso cambiante, esto es
que los datos recientes son ms validos que los datos antiguos.
Este mtodo solo necesita el pronstico ms reciente, una constante de suavizacin (es un
valor arbitrario entre 0 y 1) y el ltimo dato real, y as se elimina la necesidad de almacenar
grandes cantidades de datos pasados.
La suavizacin exponencial requiere un valor de inicio. Si se tienen datos disponibles se
puede emplear un promedio sencillo para iniciar el proceso; si los datos no son seguros se
puede hacer una prediccin subjetiva.
La formula a emplear es la siguiente:

Donde:
ST=Pronostico ponderado o suavizado para un periodo futuro.
alfa=Constante de suavizacin (1> ? > 0)
XT =Dato real de] periodo T
ST-l= Pronostico del periodo T

1.4 ANLISIS DE REGRESIN

El objeto de un anlisis de regresin es investigar la relacin estadstica que existe entre una
variable dependiente (Y) y una o ms variables independientes (
X X X
1 2 3
, ,
, ... ). Para poder
realizar esta investigacin, se debe postular una relacin funcional entre las variables.
Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la prctica es la
relacin lineal. Cuando solo existe una variable independiente, esto se reduce a una lnea
recta:

6
X b b Y
1 0

+ =

donde los coeficientes b0 y b1 son parmetros que definen la posicin e inclinacin de la
recta. (Ntese que hemos usado el smbolo especial
Y

para representar el valor de Y

calculado por la recta. Como veremos, el valor real de Y rara vez coincide exactamente con
el valor calculado, por lo que es importante hacer esta distincin.)
Para estimar los coeficientes por medio de mnimos cuadrados, se utilizan las siguientes
frmulas:
b
XY y X
X x X
1 2
=



b y b x
0 1
=






ACTIVIDAD

Resuelve el siguiente problema mediante el mtodo de promedio mvil y suavizacin
exponencial

Un contratista quiere pronosticar el nmero de instalaciones de calentadores de agua por
semana, y tiene los siguientes datos.

Usando suavizacin exponencial y 0.1, se tiene
CONSIDERAMOS EL VALOR DE ALFA = 35%







7