PRONOSTICO

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Pronosticar: Es el arte y la ciencia de predecir los

eventos futuros. Para ello se pueden usar datos
histricos y su proyeccin hacia el futuro mediante algn
tipo de modelo matemtico.

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Horizonte de tiempo del Pronstico

Pronstico a corto Plazo: hasta 1 ao, pero casi siempre es
menor que 3 meses. Ej: planear compras, programar el trabajo,
determinar niveles de mano de obra, asignar el trabajo y decidir
los niveles de produccin.
Pronstico a mediano plazo: de 3 meses a 3 aos. Ej: planear
las ventas, la produccin, el presupuesto.

Pronstico a largo plazo: 3 aos o ms Ej: planear nuevos

productos, gastos de capital, ubicacin o ampliacin de las
instalaciones

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Los

7 Pasos de un Pronstico

1.- Determinar el uso del pronstico

2.- Seleccionar los aspectos que se deben pronosticar.
3.- Determinar el horizonte del pronstico
4.- Seleccionar los modelos de pronstico
5.- Reunir los datos necesarios para elaborar el pronstico
6.- Obtener el pronstico
7.- Validar e implantar los resultados

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Enfoques de Pronsticos
Jurado de opinin de
Ejecutivos
Mtodos
Cualitativos

Mtodo Delphi
Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo

Enfoque intuitivo
Mtodos
Cuantitativos

Promedios Mviles (*)

Suavizamiento exponencial (*)

Modelos
de series
de tiempo

Proyeccin de tendencias (*)

Regresin Lineal (*)
Profesora: Paulina Mayorga Peralta

Modelo
asociativo
Gestin de Operaciones

Enfoques de Pronsticos
Jurado de opinin de
Ejecutivos
Mtodos
Cualitativos

Mtodo Delphi
Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo

Enfoque intuitivo
Mtodos
Cuantitativos

Promedios Mviles (*)

Suavizamiento exponencial (*)

Modelos
de series
de tiempo

Proyeccin de tendencias (*)

Regresin Lineal (*)
Profesora: Paulina Mayorga Peralta

Modelo
asociativo
Gestin de Operaciones

1.- Promedios Mviles.

Promedio Mvil =

Demanda en los
anteriores

Promedio Mvil Ponderado =

periodos

(ponderacin para periodo n) (demanda en periodo n)

ponderaciones

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Ejemplo: Las ventas de cobertizos de una empresa X, se muestran

en la columna central de la siguiente tabla. A la derecha se da el
promedio mvil de tres meses.
Mes

Ventas Reales de
Cobertizos

Promedio Mvil de 3
meses

Enero

10

Febrero

12

Marzo

13

Abril

16

(10+12+13)/3 = 112/3

Mayo

19

(12+13+16)/3 = 13 2/3

Junio

23

(13+16+19)/3 = 16

Julio

26

(16+19+23)/3=19 1/3

Agosto

30

Septiembre

28

(23+26+30)/3= 26 1/3

Octubre

18

(26+30+28)/3= 28

Noviembre

16

(30+28+18)/3 = 25 1/3

Diciembre

14

(19+23+26)/3 = 22 2/3

(28+18+16)/3 = 20 2/3

Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos
en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico
para enero = (18+16+14)/3 = 16
Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de
cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada

Periodo

ltimo mes o ms reciente

Hace dos meses

Hace tres meses

Suma de ponderaciones

Mes

Ventas Reales de
Cobertizos

Promedio Mvil
Ponderado de 3 meses

Enero

10

Febrero

12

Marzo

13

Abril

16

(3x13)+(2x12)+(10) /6 = 12

Mayo

19

(3x16)+(2x13)+(12) /6 = 14 1/3

Junio

23

(3x19)+(2x16)+(13) /6 = 17

Julio

26

(3x23)+(2x19)+(16) /6 = 201/2

Agosto

30

(3x26)+(2x23)+(19) /6 = 235/6

Septiembre

28

(3x30)+(2x26)+(23) /6 = 271/2

Octubre

18

Noviembre

16

Diciembre

14

1/6

(3x28)+(2x30)+(26) /6 = 281/3
(3x18)+(2x28)+(30) /6 = 231/3
(3x16)+(2x18)+(28) /6 = 18

2/3

Demanda de Ventas

30
Promedio
mvil
ponderado
Promedio

25

mvil
20

15

Ventas
reales

10

Ene

Feb

Mar

Abr

May

Jun

Jul

Mes

Ago

Sep

Oct

Nov

Dic

2.- Suavizamiento Exponencial.

Nuevo pronstico = pronstico del periodo anterior + (demanda

real en
pronstico del periodo anterior)

mes anterior

matemticamente, se puede escribir as:

Ft-1 + (At-1

- Ft-1 )

Ft = nuevo pronstico
F

t-1

= pronstico anterior

: es la ponderacin, o constante de suavizado, elegida por

quien pronostica, que tiene un valor entre 0 y 1.(0 < < 1 )
A

t-1

= demanda real en el periodo anterior

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Ejemplo: En Enero, un distribuidor de automviles predijo que la

demanda para Febrero sera de 142 camionetas Ford. La demanda
real de febrero fue de 153 autos. Si empleamos la constante de
suavizado que eligi la administracin , = 0,20, podemos
pronosticar la demanda de marzo mediante el modelo de
suavizamiento exponencial. Sustituyendo los datos del ejemplo en
la frmula, obtenemos. (suavizamiento exponencial)

Nuevo pronstico (para la demanda de marzo) = 142 + 0,20 (153 142) =

142 + 2,2 = 144,2
siempre ser dada. Se encuentra en un intervalo entre
0,05 y 0,50.

Si es alta, o sea 0,5 el pronstico se basa en los datos ms recientes.

Si es baja, o sea 0,1el pronstico da poca importancia a la demanda reciente
y toma en cuenta los valores histricos de muchos perodos.
Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Error del
pronstico
Mide la precisin del modelo de pronstico que se ha usado,
comparando los valores pronosticados con los valores reales u
observados.

Si Ft denota el pronstico en el periodo t, y At denota la

demanda real del periodo t, el error de pronstico (o
desviacin) se define como:

Error del Pronstico = demanda real valor

pronosticado
= At - F t

Medidas para calcular el Error Global del

pronstico
Desviacin Absoluta Media (MAD): Su valor se calcula
sumando los valores absolutos de los errores individuales del
pronstico y dividiendo entre el nmero de periodos de datos
(n)

MAD =

real - pronstico
n

Veamos un
ejemplo

Durante los ltimos 8 trimestres, el Puerto de Valparaso ha descargado de los

barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para = 0,10

Trimestre

Toneladas
reales
descargadas

Pronstico

Pronstico

Redondeado con

Redondeado con

= 0,10

= 0,50

180

175

168

159

176 = 175 + 0,10 ( 180

175)
175 = 175,50+0,10 (168 175,50)

175

173 = 174,75+0,10 (159-174,75)

190

173 = 173,18+0,10 (175+173,18)

170

205

175 = 173,36+0,10(190-173,36)

180

180

178= 175,02+0,10(205-175,02)

193

182

178 = 178,02 + 0,10 (180-178,02)

186

179 = 178,22 + 0,10 (182-178,22)

184

Pronstico del periodo

anterior

Pronstico del
periodo anterior
Demanda
real en
periodo
anterior

175
178
173
166

Para evaluar la precisin de ambas constantes de suavizado,

calculamos los errores de pronstico en trminos de desviaciones
absolutas y MAD
Trimestre

Toneladas
reales

Pronstico

Desviacin

Pronstico

Desviacin

Redondeado

Redondeado

Descargadas

con =0,10

Absoluta
Para =0,10

con =0,50

Absoluta
Para =0,50

180

175

175

168

176

178

10

159

175

16

173

14

175

173

166

190

173

17

170

20

205

175

30

180

25

180

178

193

13

186

182
178
Suma de desviaciones
absolutas
desviaciones
MAD =

84

100

10,50

12,50

n
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que
su MAD es ms pequea.
Se debe encontrar la constante de suavizado con el menor error de pronstico.

 Error cuadrtico Medio (MSE): Es una segunda forma de

medir el error global del pronstico. El MSE es el promedio de
los cuadrados de las diferencias entre los valores pronosticados
y observados. Su frmula es:

MSE =

(errores de pronstico)
n

Sigamos con el ejemplo del

Puerto de Valparaso para
determinar el MSE

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Pronstico

Toneladas
reales
Trimestre

Redondeado

(Error)

Descargadas

con =0,10

180

175

5 = 25

168

176

(-8) = 64

159

175

(-16) = 256

175

173

(2)2 = 4

190

173

17

205

175

30

180

178

182

178

2
2
2

2
2

Suma de los cuadrados de los

errores
MSE =

(errores de pronstico)

= 289
= 900
=4
= 16
1.558

= 1.558 / 8 = 194,75

n
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es
una mejor eleccin por que se minimiza el MSE.
Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

 Error porcentual absoluto medio (MAPE): Este se calcula

como el promedio de las diferencias absolutas entre los valores
pronosticados y los reales y se expresa como porcentaje de los
valores reales. Es decir, si hemos pronosticado n periodos y los
valores reales corresponden a n periodos, MAPE, se calcula como:

MAPE =

100

real i - pronstico i / real i

i=1

Sigamos con el ejemplo del

Puerto de Valparaso para
determinar el MAPE
Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Pronstico

Toneladas
reales

Redondeado

Error porcentual
Absoluto

Descargadas

con =0,10

100 ( error / real)

180

175

100(5/180) = 2,77%

168

176

100(8/168) = 4,76%

159

175

100(16/159) = 10,06%

175

173

100(2/175) = 1,14%

190

173

100(17/190) = 8,95%

205

175

100(30/205) = 14,63%

180

178

100(2/180) = 1,11%

182

178

100(4/182) = 2,20%

Trimestre

Suma de errores porcentuales

45,62%

MAPE =

errores porcentuales absolutos = 45,62% = 5,70%

n

Profesora: Paulina Mayorga Peralta

8
Gestin de Operaciones

3.- Proyeccin de Tendencias

Mtodo de pronstico de series de tiempo que ajusta una recta
de tendencia a una serie de datos histricos y despus proyecta
la recta al futuro para pronosticar.
A travs del mtodo de Mnimos Cuadrados, encontramos la
recta que mejor se ajuste a las observaciones reales.
Una recta de mnimos cuadrados se describe en trminos de su
ordenada o interseccin con el eje y y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta
con la siguiente ecuacin:

y = a +
y
a

b x

y gorro = valor calculado de la variable que debe predecirse (variable dependiente)

= ordenada

b = pendiente de la recta de regresin (o la tasa de cambio en y para los cambios dados en

x)

X = variable independiente (Ej: tiempo)

Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Los profesionales de estadsticas han desarrollado ecuaciones que se

utilizan para encontrar los valores de a y b para cualquier recta de
regresin. La pendiente b se encuentra mediante:

b =

xy - n x y
2

x - nx

donde:
b = pendiente de la recta de regresin
= signo de suma
x = valores conocidos de la variable independiente
y

= valores conocidos de la variable dependiente

x = promedio del valor de las x

y = promedio del valor de las y
n = nmero de datos puntuales u observaciones.
Profesora: Paulina Mayorga Peralta

Gestin de Operaciones

Calculamos la ordenada a cmo sigue:

= y - bx

Veamos un ejemplo para aplicar estos

conceptos:

A continuacin se muestra la demanda de energa elctrica en la

ciudad de Puerto Montt, durante el ao 1997 al 2003, en kilowatt.
El Jefe de Operaciones de la empresa SAESA, debe pronosticar la
demanda para el 2004 ajustando una recta de tendencia a estos datos.

Ao

Demanda de
Energa Elctrica

1997

74

1998

79

1999

80

2000

90

2001

105

2002

142

2003

122

Para simplificar, transformamos los valores de x (tiempo) en

nmeros ms sencillos, como 1,2,3,4
Demanda de
energa
Ao

Periodo (x)

Elctrica (y)

xy

1997

74

74

1998

79

158

1999

80

240

2000

90

16

360

2001

105

25

525

2002

142

36

852

2003

122

49

854

X = 28

X = 28
=4
X=
n
7

y = 692

x = 140

y
y=

= 692 = 98,86
7

xy = 3.063

b =

xy - n x y
2

x - nx

= 3.063 (7) (4) (98,86)

2

140- (7) ( 4 )

= 295 = 10,54
28

a = y - b x = 98,86 10,54 (4) = 56,70

As, la ecuacin de mnimos cuadrados para la

tendencia es y = 56,70 + 10,54 x. Para proyectar la
demanda en el 2004, primero denotamos el ao
2004 en el nuevo sistema de cdigos como x = 8.
Demanda en el 2004 = 56,70 + 10,54
(8)
Profesora: Paulina Mayorga Peralta

Kilowatt.

= 141,02, o 141

Gestin de Operaciones

Estimamos la demanda para el 2005 insertando x = 9 en la

misma ecuacin:
Demanda en el 2005 = 56,70 + 10,54
(9)
= 151,56, o 152

Demanda de energa

Para comprobar la validez del modelo, graficamos la demanda histrica y la

Kilowatt.
recta de tendencia. En este caso debemos tener cuidado y tratar de comprender
el cambio en la demanda de 2002 a 2003.
Recta de tendencia y =56,70 +
10,54 x

160
150
140
130
120

Demanda histrica

110
100
90
80
70
60
50
1997 1998 1999

2000 2001 2002 2003 2004 2005

Ao

4.- Regresin Lineal

Regresin lineal simple:
Podemos usar el mismo modelo matemtico que usamos con el mtodo
de mnimos cuadrados para la proyeccin de tendencias, con el fin de
realizar un anlisis de regresin lineal. Las variables dependientes que
deseamos pronosticar se simbolizan con y. Pero la variable
independiente, x, ya no necesita ser el tiempo. Usamos la ecuacin.

y = a +
y
a

b x

= valor calculado de la variable que debe predecirse (variable dependiente)

= ordenada, interseccin con el eje y.

b = pendiente de la recta de regresin

X = variable independiente.

Veamos un ejemplo para mostrar

cmo usar la regresin lineal.

Ventas del bar

Los siguientes datos relacionan las cifras de ventas de un bar de un

pequeo Hotel, con el nmero de huspedes registrados esa semana:

semana

Huspedes

Ventas del bar

16

$330

12

270

18

380

14

300

400
350
300
250
200
150
100
50

12

16

20

Huspedes (en miles)

Ventas, y

xy

330

16

256

5.280

270

12

144

3.240

380

18

324

6.840

300

14

196

4.200

y = 1.280

X = 60

x = 920

X = 60
= 15
X=
n
4

b =

Huspedes,x

xy - n x y
2

x - nx

y
y=

xy =19.560

= 1.280 = 320
4

= 19.560 (4) (15) (320)

2

920- (4) ( 15 )

= 360 = 18
20

a = y - b x = 320 18(15) = 50
La ecuacin de regresin estimada es, por lo
tanto,

y = 50 + 18 x

0 Ventas = 50 + 18 (huspedes)

Si el pronstico es de 20 huspedes la semana siguiente de

cunto se esperan que sean las ventas?
0 Ventas = 50 + 18 (huspedes)

y = 50 + 18 x

Ventas = 50 + 18 (20)
= 410

Ventas del bar

Recta de regresin lineal

Simple
400
350

Demanda histrica

300
250
200
150
100
50

12

16

20

Huspedes (en miles)

 Error estndar de la estimacin

y,x

Medida de la variabilidad alrededor de la recta de regresin,

su desviacin estndar.
El clculo se llama desviacin estndar de la regresin
y mide el error desde la variable dependiente, y, hasta la
recta de regresin, en lugar de hasta la media.

S y,x

( y yc ) 2
n-2

donde:

y = valor de y de cada dato puntual

yc = valor calculado de la variable
dependiente, a partir de la ecuacin de
regresin.
n = nmero de datos puntuales

Esta ecuacin puede resultar ms fcil de usar. Ambas frmulas

entregarn el mismo resultado

S y,x =

y2 a

y - b xy
n-2

Ventas del bar

Recta de regresin lineal

Simple
400
350

Demanda histrica

300
250
200
150
100
50

12

16

20

Huspedes (en miles)

Para calcular el error estndar de la estimacin , la nica cifra que

necesitamos es
y2
y

108.900
72.900
144.400
90.000
2

y = 416.200

S y,x =

y2 a

S y,x =

y - b xy
n-2

416.200 50(1.280) 18 ( 19.560)

4-2

60

7,74 $ en ventas

Error estndar de la
estimacin

 Coeficiente de correlacin para rectas de

regresin

Sirve para medir o evaluar la relacin entre las dos

variables de una regresin lineal. Se expresa con la letra
r.
Para calcular el valor, se utiliza la siguiente
frmula:
n

r=
n

x -

xy -

y
2

y -

El coeficiente de correlacin r puede ser cualquier

nmero entre +1 y -1.

Cuatro valores del coeficiente de correlacin.

Correlacin positiva perfecta

Correlacin positiva r= 0< r <1

r= +1

X
y

X
y

X
No hay Correlacin r= 0

X
Correlacin negativa perfecta
r= -1

Siguiendo con el ejemplo, calcular el coeficiente de correlacin:

Ventas, y

Huspedes,x

xy

330

16

256

5.280

108.900

270

12

144

3.240

72.900

380

18

324

6.840

144.400

300

14

196

4.200

90.000

y = 1.280

X = 60

x = 920

y = 416.200

(4) (19.560) - (60) (1.280)

r=

(4) (920)- (60)

=

xy =19.560

1.440
2.112.000

(4) (416.200)- (1.280)

1.440
1453,27217

= 0,993619798
Correlacin positiva r= 0< r <1

 Regresin Lineal
Mltiple
La regresin mltiple es una extensin prctica del modelo simple de
regresin que acabamos de ver. Nos permite construir un modelo con
varias variables independientes en lugar de slo una variable.
Por ejemplo, si en el ejemplo anterior se desea incluir el alza en los
pasajes de los huspedes, la ecuacin apropiada sera:
y = a + b1 x1 + b2 x2

y
a

= variable dependiente,
ventas
= una constante

x1 y x2 = valores de las dos variables independientes (Ej: n de huspedes y alza en los

pasajes)

b1 y b2 = coeficientes de las dos variables independientes

Las matemticas de la regresin mltiple son bastante complejas y lo
usual es que los clculos se realicen en el computador, por lo cual
dejaremos las frmulas para encontrar a, b1 y b2 a los libros de
estadstica.