PRONOSTICOS

Introduccin
Pronosticar es el proceso de proyectar
los valores de una o ms variables en
el futuro.
Los pronsticos son predicciones de lo que
puede suceder o esperar, son premisas o
suposiciones bsicas en que se basan la
planeacin y la toma de decisiones.

Resultados
Buenos sistemas de pronstico y planeacin
de la demanda resultan en:

Alta utilizacin de la capacidad

Inventarios y costos reducidos
Desempeo ms eficiente de los procesos
Mayor flexibilidad
Mejor servicio al cliente
Mayores mrgenes de ganancia
Finanzas

Marketin
g

Compras

Producci
n

Criterios para eleccin del

Pronostico
Periodo : Puntos en el tiempo (das, semanas, meses, o aos
en el futuro), generan los pronsticos. Este intervalo de
tiempo se llama periodo u horizonte de tiempo. Su duracin se
clasifica de la siguiente forma:

Inmediato
Corto Plazo
Medio
Largo Plazo

Menos de un mes.
Ms de un mes a 3 meses.
Ms de 3 meses a menos de 2 aos.
2 aos o ms.

Patrn de Datos
Considerar los componentes presentes (tendencia, ciclo,
variacin estacional o alguna combinacin de ellos) para
determinar el modelo a emplear.

Pasos
para
pronsticos

Recopilaci
n de los
datos

Reduccin
de datos

Construcci
n del
modelo

realizar

Extrapolac
in del
modelo

Planeacin Colaborativa en la
Cadena de Suministro

Demandas
Producto final

Ensamble 1.1

Ensamble 1.2

Ensamble 1.3

Sub-ensamble 1.1.1

Sub-ensamble 1.3.1

Sub-ensamble 1.1.2

Sub-ensamble 1.3.2

Sub-ensamble 1.3.3

Ensamble 1.4

Mtodos de pronsticos

Mtodos de juicio
Se pueden ocupar cuando
histricos disponibles.

no

hay

datos

El mtodo Delphi consiste en hacer un

pronstico a partir de las opiniones de personas
involucradas o expertos, con base a su
conocimiento de la situacin.
Tambin se pueden llevar a cabo entrevistas de
investigacin de mercado que incluyen a los
clientes actuales y a clientes potenciales.

Mtodos de regresin
Son tambin llamados mtodos causales.
Calculan la influencia de otra variable
(independiente) en el pronstico, es decir en el
comportamiento esperado de la demanda
(variable dependiente).
Para una variable independiente: regresin
lineal simple.
Para varias variables independientes: regresin
lineal mltiple.

Mtodos combinados
En ocasiones se pueden disear
sistemas de pronstico que tomen en
cuenta tanto la informacin histrica
como el juicio de expertos que pueden
revisar
y
validar
los
pronsticos
cuantitativos
para
ajustarlos
a
situaciones previstas o potenciales en el
horizonte de planeacin.

Medicin del error de pronsticos

Existen diferentes medidas para cuantificar el error
en los pronsticos.
Las ms utilizadas son:

MSE (Error cuadrtico medio)

MAD (Error de la desviacin absoluta media)
MAPE (Error del porcentaje absoluto medio)

Considere el pronstico para el perodo t como Ft,

el valor real de la demanda en el perodo t como At, y
el error en el perodo t como et = At Ft. La medicin
del error se hace comparando n perodos.

Medidas de error en el pronstico

n

MSE

e
t
t 1

MAD
n

MAPE

pe

t 1

e
t 1

Promedio simple
Este mtodo utiliza todos los datos en la serie de
tiempo y obtiene el promedio de las observaciones.
As, el pronstico para el siguiente perodo es:

1 t
Ft 1 Ai
t i 1
Esta estimacin es excelente si el proceso es
muy estable.
Esta estimacin se limita a procesos jvenes ya
que para tiempos muy largos hay muchos
cambios y lo hace ineficiente.

Promedio mvil simple

Es el promedio de las ltimas k observaciones en la
serie de tiempo.

1 t
Ft 1
Ai

k i t k 1

Trabaja mejor para planeaciones de corto plazo

donde no hay tendencia o estacionalidad
evidente.
Conforme se incrementa el valor de k, el pronstico
reacciona ms lentamente a cambios recientes en
los datos de la serie de tiempo.

Promedios mviles
ponderados
Los promedios mviles ponderados consideran
los valores ms recientes para ser destacados,
variando las ponderaciones asignadas a cada
componente del promedio.
As, la expresin de la frmula cambia para
incluir esos pesos o ponderaciones w1, , wk.
t

Ft 1

i t k 1
t

i t k

i t k 1

Ai

i t k

Suavizamiento exponencial simple

(Mtodo de Brown)
De corto plazo.
Nuevo pronstico = (demanda actual) + (1-) (pronstico
anterior)

= [0,1]
Solo nivel:
Ft+1 = At + (1-) Ft

Es difcil elegir una constante apropiada de

suavizado.
Si es pequea, la respuesta al cambio es lenta
y se obtienen estimadores suaves. Son
apropiados
para
demandas
relativamente
estables (sin tendencia o ciclicidad), pero con una
gran variacin aleatoria.
Si es grande, la respuesta es rpida pero con
una variabilidad en los resultados, ya que es ms
sensible a cambios (introduccin de nuevos
productos, campaas de promocin).
En las aplicaciones a la produccin se aconseja
entre 0.1 y 0.2

Suavizamiento exponencial con tendencia

(Mtodo de Holt)
= [0,1], = [0,1]
= periodos adelante para pronosticar
St+1 = At+1 + (1-) (St + Tt)

Tt+1 = (St+1 St) + (1-) Tt

Ft+1 = St + Tt

Ft+ = St + Tt

 Una baja da ms suavizacin a la

tendencia y puede ser til si sta no
est bien establecida.
Una alta destacar la ltima
tendencia y es ms sensible a cambios
recientes.
El ajuste inicial de la tendencia es
algunas veces supuesto como cero.

Suavizamiento exponencial con tendencia y

estacionalidad
(Mtodo de Winters)
Es bastante comn que una serie de tiempo tenga
un patrn estacional, con valores ms altos en
ciertas pocas del ao que en otros.
Estas series de tiempo violan la suposicin bsica
de un modelo de nivel o tendencia constante, por lo
que los mtodos de pronstico presentados
anteriormente no se deben de aplicar de manera
directa.
Un ndice estacional es una razn que relaciona
una variacin estacional recurrente con el valor de
tendencia correspondiente en un tiempo dado.

 = [0,1], = [0,1], = [0,1]

p = nmero de periodos
r = nmero de ciclos estacionales
Tt)

St+1 = (At+1 / It-p+1) + (1-) (St +

Tt+1 = (St+1 St) + (1-) Tt
It+1 = (At+1 / St+1) + (1-) It-p+1
Ft+1 = (St + Tt) It-p+1
Ft+ = (St + Tt) It-p+

Pasos
1. Des-estacionalizacin de la demanda

A
t

At

p
2

t p
2

2 A
i

i t 1 p
2

2p
t p
2

t 1 p
2

i t p
2

Ai

p _ par
p _ impar

2. Estimacin de la tendencia. Por medio de regresin

lineal sobre la demanda desestacionalizada se obtiene
la recta:

At S 0 tT0

3.

Se corrige la demanda desestacionalizada

de todos los datos histricos usando la
ecuacin anterior.

4.

Se calcula para los valores histricos:

ndice
estacional
inicial

At
It
At

5.

Estimacin de los factores estacionales iniciales:

perodos t = (1-p), (2-p), , 0

Promedio
cada i de
cada
perodo

I t

r 1

jp t p

j 0

6.

Normalizacin de los factores estacionales

iniciales:
perodos t = (1-p), (2-p), , 0

Los normalizo
para obtener el 4
cerrado

I t

It

I
j 1

7. Para el perodo histrico, para cada

ciclo estacional c = 1, , r
1. Calcular los valores de Ft+1, St+1, y Tt+1
2. Actualizar los factores estacionales:

At 1
1 I t p 1
I t1
St 1
3. Normalizar los factores
estacionales

actualizados: I

It

I
j 1

Pronstico
Una vez generado el pronstico para el perodo
histrico, se puede hacer una proyeccin al futuro
con:
Ft+ = (St + Tt) It-p+