1.

Elasticidad Precio de La Demanda

Antes de iniciar el estudio del concepto de elasticidad es necesario conocer el significado de los
términos Oferta y Demanda

Demanda:

La demanda es el valor global del mercado que expresa las intenciones adquisitivas de los
consumidores. La curva de la demanda muestra la cantidad de un bien específico que los
consumidores o la sociedad están dispuestos a comprar en función del precio del bien y a la
renta disponibles. Esta curva muestra una relación inversa entre el precio del producto y la
cantidad demandada dando lugar a una pendiente negativa. La razón por la que esto ocurre se
conoce como la ley de la demanda: ceteris paribus, y considerando bienes ordinarios, cuanto
más alto sea el precio, menor será la demanda y viceversa.

Oferta:

Por otro lado, la oferta es el conjunto de ofertas hechas en el mercado por los bienes y servicios
a la venta. La curva de oferta recoge la localización de los puntos correspondientes a las
cantidades ofertadas de un bien o servicio particular a diferentes precios. Esta curva muestra
una relación directa entre la cantidad ofertada y el precio, dando una pendiente positiva. La
razón por la que esto existe se conoce como la ley de la oferta: caeteris paribus, y considerando
bienes ordinarios, cuanto mayor sea el precio, mayor será la cantidad ofertada, y viceversa.

Elasticidad .
El concepto de elasticidad en Economía guarda similitud con el concepto de elasticidad en
ciencias físicas, se dice que un cuerpo es más elástico que otros si reacciona en mayor grado a
una fuerza externa

La elasticidad indica en qué medida se ve afectada la demanda por

variaciones del precio. Es por tanto una manera de representar y
conocer las preferencias de los consumidores.
La elasticidad precio de la demanda señala cuánto varía la cantidad demandada de un bien
cuando varía su precio. Se define como el cambio porcentual en la cantidad demandada
dividido por el cambio porcentual en el precio.
E = Elasticidad.

Para ciertos productos alzas en el precio se traducen en pequeñas variaciones de la cantidad

demandada. Esto significa que los consumidores no son sensibles al precio lo que se conoce
como demanda inelástica. Por el contrario, si los consumidores son muy sensibles a variaciones
pequeñas del precio, cambiando notoriamente la cantidad demandada, la demanda de ese
producto es elástica.

Una elasticidad alta indica un elevado grado de respuesta de la cantidad demandada a la

variación de precio, y una elasticidad baja indica una escasa sensibilidad a las variaciones del
precio.
• Demanda perfectamente elástica: si E = - infinito
• Demanda elástica: si E > 1
• Demanda inelástica: si E < 1
• Elasticidad Unitaria: si E = 1
• Demanda perfectamente inelástica: si E = 0

Conocer la elasticidad precio de la demanda permite anticipar el comportamiento de la

demanda frente a modificaciones en el precio del producto, permitiendo de esta manera a la
empresa tomar decisiones de precio efectivas. Por ejemplo, si la demanda es inelástica, existe
un mayor margen de variación del precio sin que la demanda se vea afectada en la misma
proporción. En cambio, si la demanda es elástica, un alza de precios puede disminuir
drásticamente la cantidad demandada, mientras que si bajan los precios la demanda aumenta
significativamente.
Tipos de elasticidad

lustración 1: Demanda Inelástica

Ilustración 2: Demanda elástica

Mientras la ley de demanda se cumpla las elasticidades son negativas, pero, por convención
para trabajar con signos positivos, la multiplicamos por -1.
 Luego, si la elasticidad es:

 Igual a 1 (E=1), la cantidad demandada aumenta (disminuye) en la misma proporción en

que baja (sube) el precio, y por consiguiente el ingreso (igual a P por Q) no cambia.
 Mayor a 1 (E>1), la cantidad demandada aumenta (disminuye) en mayor proporción en
que baja (sube) el precio, lo que se traduce en mayores (menores) ingresos.
 Menor a 1 (E<1), la cantidad demandada aumenta (disminuye) en menor proporción de
lo que baja (sube) el precio, por consiguiente, disminuyen (aumentan) los ingresos.

Demanda perfectamente Elástica:

Cuando un cambio muy pequeño en el precio ocasiona un cambio muy grande en la cantidad
demandada. El coeficiente toma un valor negativo muy grande: -∞. La curva de demanda es
aquella que muestra una extrema sensibilidad de la cantidad demandada, frente a cambios en
el precio. Una curva horizontal es el caso límite de este tipo de demanda, ya que cualquier
incremento en el precio producirá tal disminución en la cantidad, que la demanda se volverá
nula. Es decir, a cualquier precio diferente a P no hay demanda por el bien.
E = -∞
PRECIO

Demanda perfectamente Inelástica.:

Cuando una variación en el precio del bien no ocasiona ningún cambio en la demanda. Se llama
también demanda rígida. En este caso el coeficiente toma el valor de 0.
Una demanda con un coeficiente de la elasticidad igual a 0, no indica que no exista tal demanda.
Sino que, frente a cambios en el precio, su cantidad demandada no varía.
E= 0
Por ejemplo:
 Cuanto más barato sea el bien, es más probable que la demanda sea inelástica. Esto
queda explicado por que el consumidor, al gastar una pequeña porción de su ingreso en
estos bienes, no estará inclinado a cambiar su gasto cuando varía el precio de los mismos.
Pensemos en el caso de la sal, las  personas gastan un pequeño porcentaje de su ingreso
en este bien.
En consecuencia, si su precio se eleva o se reduce las personas siguen consumiendo la
misma cantidad. Ocurre con bienes que no pueden ser sustituidos por otros o bienes de
primera necesidad.

Ejemplo elasticidad
En el primer ejemplo se tiene que a un precio de $100 la cantidad demandada es de 10
unidades. Si el precio sube a $120 la cantidad demandada baja a 9 unidades. Por lo tanto, la
elasticidad de la demanda del producto es de 0,5 (demanda inelástica) es decir, ante una
variación del precio la cantidad demandada varía la mitad en términos porcentuales.
 Ilustración 3: Demanda inelástica
 

En cambio, para otro producto si el precio es $100 la cantidad demandada es 20. Si el precio
sube a $120 la cantidad demandada baja a 12. La elasticidad precio de la demanda es de 2
(demanda elástica), es decir, frente a variaciones en el precio la cantidad demandada del
producto varía al doble en términos porcentuales.
 Ilustración 4: Demanda elástica

Factores que afectan la elasticidad

Algunos de los principales factores que afectan la sensibilidad de los consumidores a cambios
en el precio de los productos se encuentran:

Presencia de bienes sustitutos:

Un bien sustituto se define como un producto que satisface la misma necesidad, aunque no sea
totalmente similar. Por tanto, si existen sustitutos parecidos a mi producto, es de esperar que la
elasticidad sea mayor, es decir, que la demanda sea más elástica.

Precio del bien en relación a la renta del consumidor:

Mientras mayor sea el precio del producto más elástica se vuelve la demanda, dado que implica
un mayor costo. En cambio, si el precio es bajo, la demanda se vuelve más inelástica. A su vez,
no basta sólo con considerar el precio de los productos, sino que la renta del consumidor. Así,
por ejemplo, consumidores con rentas más altas son menos sensibles al precio, es decir, sus
demandas son más inelásticas.

Necesidad:
Mientras más necesario sea el producto, menor es la elasticidad (demanda inelástica). Aun
cuando suba mucho el precio, si el bien es esencial, el consumidor lo tiene que comprar de
todas formas. En cambio, si el bien no es de primera necesidad, la demanda es más elástica.

Horizonte temporal:
Usualmente la demanda es más inelástica en el corto plazo. Si de repente el precio de un bien
sube, en primera instancia los consumidores no tienen tiempo para reaccionar. En cambio, en
el largo plazo los consumidores pueden adaptar sus hábitos de consumo, por lo que la
demanda se vuelve más elástica.
Fuente: https://www.pricing.cl/conocimiento/elasticidad-precio-de-la-demanda/

Elasticidad Cruzada
Cuando hablamos de elasticidad en economía nos referimos al término utilizado para poder
cuantificar la variación experimentada por una variable al cambiar otra, dicha variación puede
ser positiva o negativa y estas dos variables deben de tener una cierta dependencia la una con
la otra para que este sistema de medición pueda ser aplicado. Es decir, se trata de la variación
porcentual de una variable X en función de la variación de una variable Y.
¿Qué entendemos por elasticidad cruzada?
Cuando hablamos de elasticidad cruzada hace referencia a la variación de la demanda en
función de la variación del precio de dos bienes complementarios o sustitutivos. Se denomina
elasticidad cruzada porque relaciona los cambios producidos en el precio de un bien X y
la influencia de dicho cambio de precio en el consumo de otro bien Y.

Un ejemplo para entender la elasticidad cruzada

Podemos poner como ejemplo de elasticidad cruzada el caso de la madera de pino y la madera
de roble como bienes sustitutivos. Si aumenta el precio de la madera de pino, al tratarse de un
bien sustitutivo los consumidores dejarán de consumirla y preferirán consumir la madera de
roble que se encuentra a un precio inferior, disminuyendo así la cantidad que se demanda de la
madera de pino y en contraposición aumentando la de roble.  

¿Qué entendemos por bienes complementarios y sustitutivos?

En la definición de elasticidad cruzada para poder comparar la variación del precio de un bien y
la cantidad demandada del otro, ambos bienes tienen que ser complementarios o sustitutivos,
pero ¿qué entendemos por bienes complementarios y sustitutivos?

 Bien complementario: Aquellos que se consumen de forma conjunta, o que otorgan

una mayor utilidad si se consumen de manera conjunta. Un ejemplo de esto es el caso
de la gasolina y los automóviles.
 Bienes sustitutivos: Aquellos que satisfacen una misma necesidad. Un ejemplo de ello
es el caso de los refrescos Pepsi y Coca Cola.

Fuente: https://www.mytriplea.com/diccionario-financiero/elasticidad-cruzada/

Competencia perfecta e imperfecta:



Para definir qué es la competencia perfecta o la competencia imperfecta, partamos del término

competencia, que, según la definición aséptica de la RAE, es la «disputa entre personas,
animales o cosas que aspiran a un mismo objetivo o a la superioridad en algo». Así pues, para
ceñir el significado de este concepto al ámbito de la economía, la competencia es la disputa que
se produce entre personas, que en este caso pueden ser calificadas como «oferentes» o
«empresarios». Pero, claro está, para que haya oferentes debe haber demandantes. Se infiere
pues que cuando algo o alguien es «competente» lo es porque destaca en alguna clase de
ámbito o bien porque posee alguna clase de habilidad que le confiere algún tipo de
superioridad.

CLASES DE COMPETENCIA
Cuando analizamos un mercado observamos que no siempre existe el mismo tipo de
competencia en él, es decir no siempre existe una misma proporción entre el número de
oferentes y demandantes -empresarios y consumidores- , o no siempre existe el mismo nivel de
cualificación por parte de los oferentes, no siempre se reparten los oferentes el mercado en la
misma proporción, etc… De ahí que la competencia -de tipo económico- sea clasificada de
múltiples formas y maneras.

COMPETENCIA PERFECTA
La situación de competencia perfecta remite a situaciones de mercado en las que ninguno de
los oferentes tiene el poder suficiente de establecer los precios de los productos o servicios
comercializados de acuerdo a un criterio arbitrario. La teoría económica nos dice que para que
este tipo de escenarios se dé debe existir un alto número de empresas participando en el
mercado, así como un alto número de consumidores. Y que, de esta manera, el precio termina
estableciéndose de acuerdo a las reglas de la oferta y la demanda.

COMPETENCIA IMPERFECTA
Todo lo contrario, sucede cuando hablamos de competencia imperfecta. En este caso no existe
un número suficiente de oferentes como para que resulte posible alcanzar un equilibrio
proporcionado entre estos y los demandantes. En situaciones de este tipo se produce lo que se
conoce como  un «fallo de mercado», en el sentido de que los precios, en este caso, no se
establecen de acuerdo a las leyes de oferta y demanda, y son algunas empresas las que pueden
imponerlo de manera arbitraria e incluso, podríamos decir, injusta.
COMPETENCIA MONOPOLÍSTICA
Un caso de competencia imperfecta es el conocido como competencia monopolística, es decir,
aquel en el que no habiendo una sola empresa proveyendo a todo el mercado, lo que se
conocería como monopolio a secas, existen una multiplicidad de vendedores, cada uno de ellos
con capacidad para establecer sus propios precios, con motivo de la aplicación de estrategias de
diferenciación de los bienes, productos o servicios en algún tipo de característica -calidad,
diseñó, garantía…-. Evidentemente, en este tipo de casos también se conserva el riesgo de los
que productores establezcan los precios según su propio criterio, si bien las distintas
oportunidades de elección de los demandantes o consumidores implican que estos conserven
la decisión de aceptarlos o no -circunstancia, esta última, que se dificulta más, cuanto más se
reduce el número de oferentes, conociéndose como oligopolio aquellas situaciones en las que
existen muy pocos oferentes con capacidad para influir en el precio-.

COMPETENCIA DESLEAL
Otro ejemplo de competencia es el conocido como «desleal» y consiste en actuar de un modo
fraudulento o engañoso. Cuando una empresa actúa de esta forma perjudica tanto a los
competidores como a los consumidores. Con respecto a los primeros porque mediante el
fraude se trata de conseguir una ventaja comercial ilegal que le termina confiriendo una cuota
de mercado mayor que la que correspondería siguiendo las reglas establecidas. Con respecto a
los segundos porque los comportamientos fraudulentos consiguen incrementar las ventas
utilizando técnicas de persuasión que encierran medias verdades e inexactitudes entre el
producto ofertado y el producto efectivamente recibido o consumido.

CONCLUSIONES
La dinámica de la competencia en el mercado entraña riesgos que no deben ser
obviados. Existen estímulos a quebrantar las reglas del juego para alcanzar situaciones de poder
de mercado, es decir, situaciones en las que determinados oferentes pueden establecer precios
por encima de los que se establecerían si nos encontráramos en una situación normal -
¿competencia perfecta?- de mercado. Como se puede observar todo este riesgo pivota en
torno de la cuantificación del valor del bien, producto o servicio comercializado, es decir, en
torno del precio. Existen multitud de ejemplos de competencia imperfecta en sectores tales
como energético, telecomunicaciones, prensa…
Fuente: http://www.elcaptor.com/economia/competencia-perfecta-imperfecta-ejemplos

2.Métodos de pronóstico cuantitativo

Hoy tienes la necesidad de prever cuánto vas a vender para el próximo período.
Eres nuevo en el cargo, no se cuenta con experiencia asociada al producto para
hacer un pronóstico cualitativo, no tienes ni idea de qué hacer, pero…, cuentas con
datos históricos de ventas y decides consultar por métodos de pronóstico
cuantitativo.
Así pues, este tipo de métodos se basan en modelos matemáticos con los que se
analizan los números entregados por nuestros productos o servicios en periodos
pasados.

Por lo tanto, es necesario que, para realizar el análisis cuantitativo de un pronóstico,

dispongamos de datos históricos de ventas y conocer los patrones de demanda.
¿Cuáles son los métodos? Son los siguientes y se agrupan en dos:

Métodos de series de tiempo

Definamos serie de tiempo como una sucesión de datos en un periodo de tiempo.

Los siguientes métodos cuantitativos  se basan en la demanda pasada para predecir

la futura por medio de los datos históricos de un periodo anterior.
 Promedio simple: Se aplica promedio sobre los datos históricos de ventas. Útil
cuando la demanda no presenta estacionalidad o tendencia.
 Promedio ponderado: Similar al promedio simple, pero con la diferencia que en
este método calcula el pronóstico asignando nivel de importancia o peso
ponderado a unos elementos de tiempo por sobre otros.
 Suavización exponencial: Requiere el pronóstico anterior, la demanda real del
periodo de pronóstico y una constante de suavizamiento. Útil cuando se cuenta con
pocos datos históricos.
 Suavización exponencial doble: Es una modificación del suavizamiento
exponencial simple. Agrega una constante de suavización delta (δ), cuya función
es reducir el error que ocurre entre la demanda real y el pronóstico.
 Estacional multiplicativo: Considera que la demanda tiene patrones de repetición
de acuerdo a periodos de tiempo y la pronostica por medio del producto de los
factores estacionales con una estimación de la demanda promedio.
Métodos causales o asociativos
Considera los factores presentes en el entorno de tu producto o servicio que
pueden afectar su demanda.

Un método como la  regresión lineal te permite analizar el impacto de los factores
causales con relación a la demanda de tu producto o servicio para obtener un
estimado.
Estas son 6 de las técnicas y métodos de pronóstico cuantitativo para prever la
demanda. ¿Cuál elegir? Para eso nos basamos en múltiples medidas de error que al
ser calculadas nos orientan frente a que técnica deberíamos usar. Aun así, en la
práctica los mejores pronósticos de demanda son aquellos que se calculan de
forma cuantitativa y se ajustan con la experiencia y subjetividad que requiere
un pronóstico cualitativo.

Fuente https://ingenioempresa.com/metodos-cuantitativos-pronostico-demanda/

 Promedio móvil simple, pronóstico y periodos

Le llamamos media móvil o promedio simple cuando definimos el número de

periodos para su cálculo. Un ejemplo de promedio es cuando vamos a calcular la
demanda de diciembre con una móvil de 5 meses: julio, agosto, septiembre,
octubre y noviembre, así pues … el cálculo de pronósticos del mes de enero ahora
será a partir de los meses de agosto, septiembre, octubre, noviembre y diciembre.
El concepto de media aritmética o promedio también contempla la decisión de
qué tan largo será el periodo que usaremos para calcular el promedio, pues entre
más largo sea, nuestro pronóstico calculado será más suavizado. Por otro lado,
cuando observamos una tendencia en la demanda, un periodo más corto será
mejor al entregarnos resultados con mayor oscilación, siendo más fiel a la
tendencia actual.
En este sentido, un periodo más largo en el promedio simple nos da un resultado
más uniforme pero con tendencia retrasada. Con un periodo más corto, tenemos
más oscilación, pero estamos cercanos a la tendencia.
Fórmula para promedio simple

Fórmula de promedio simple

Siendo n el número de periodos que incluimos para calcular nuestro promedio. En
la fórmula de promedio simple cada pronóstico debe ser hecho siempre con el
mismo n, a menos pues que sea necesario dar mayor suavización (haciendo el n
mayor) o mayor oscilación (haciendo el n mejor), esto en función de la tendencia de
la demanda del producto.
Cómo calcular el promedio simple: Un ejemplo
IngE es una compañía productora de alimentos para gato y requiere calcular el
pronóstico de demanda con el método de media o promedio móvil simple,
considerando un periodo de 3 meses.
La siguiente tabla nos muestra la demanda real a través de los próximos 18 meses
iniciando desde enero, con lo cual pronosticamos la demanda de los siguientes
periodos:

El comportamiento gráfico de la demanda sería el siguiente:

Y aprovechando el ejemplo medio móvil, cómo calcularías el pronóstico de
demanda con promedio móvil simple con 8 meses de periodo.

Lo que graficado sería:

Ambos ejemplos nos permiten entender el método de promedio móvil simple.
Fíjate que en el primer caso, al usar un periodo más corto las oscilaciones fueron
un poco más marcadas, logrando seguir la tendencia creciente que se presentaba
de Enero a junio tanto en el primer año como en el primer semestre del segundo.
Ahora fíjate en el segundo caso, la línea es más uniforme y no presenta tantas
oscilaciones.

En este ejemplo de media móvil, el cálculo de pronóstico simple es mejor si se

toma un periodo más corto (3 meses en nuestro caso). Si no eres bueno analizando
gráficos, una medida de error de pronósticos te permitirá entender cuál de los dos
casos es mejor.

 El promedio móvil ponderado para pronosticar la

demanda

Otro método de pronóstico de demanda es el promedio móvil

ponderado. Mientras en el método de promedio móvil simple asignamos igual
importancia a todos los datos de la demanda pasada, el método de promedio móvil
ponderado nos permite calcular pronósticos asignando más peso para los
elementos que consideremos.
Esta es la ventaja del método, pues bajo ciertas circunstancias, las empresas
necesitan predecir la demanda de próximos periodos ponderando unos sobre
otros, lo que permite, por ejemplo, darle más importancia a la tendencia, que,
aunque este método nos sigue debiendo frente a este aspecto, si sale victorioso si
se compara con el promedio o media simple.

Cómo elegir la ponderación en el promedio ponderado

Realmente no hay una regla general que nos diga qué ponderación elegir. La
experiencia y el análisis de la demanda suelen ser decisorios para determinar
la importancia en la ponderación.
Sin embargo, se suele considerar que en el cálculo de pronósticos es más
importante la demanda reciente, pues ante ausencia de datos, es el indicador
más fiel que tenemos para el próximo periodo.
Pero esto depende del tiempo donde nos encontremos. Un ejemplo de promedio
móvil ponderado es una empresa que vende piscinas de plástico y que sabe que en
verano la demanda aumenta, y por ende es un periodo en el que se debe asignar
un mayor peso ponderado en el pronóstico.
Formula de promedio móvil ponderado
El promedio ponderado suele reaccionar más rápido ante los cambios de la
demanda, con relación al promedio simple. Sin embargo, la verdadera utilidad del
método dependerá de la experticia del administrador de operaciones al
pronosticar la demanda, como en todos.

En nuestra formula de promedio, la suma de las ponderaciones debe ser igual a 1.

Con esto en mente vamos a nuestro ejemplo.

Cómo calcular un promedio móvil ponderado

Ing E es una compañía productora de alimentos para perro y requiere calcular el

pronóstico de demanda con el método de media móvil ponderada. Para la
empresa, la demanda pasada reciente es la más importante y le asignan un peso
de 50%. La demanda intermedia tiene un peso de 30% y la más lejana de 20%.

En este ejemplo de promedio ponderado, para calcular el pronóstico de

demanda del periodo 4, multiplicamos el periodo 3 (el más reciente) por 50%, el
periodo 2 (el intermedio 2) por 30% y el periodo 1 (el más lejano) por 20%. El
resultado de cada producto lo sumamos y obtuvimos 139.
Para pronosticar el siguiente periodo, multiplicamos la demanda real (la que
obtuvimos, no la pronosticada) del periodo 4 por 50%, la del periodo 3 por 30% y la
demanda del 2 por 20%.
  Suavización exponencial simple para pronosticar la
demanda
Continuando con los métodos de series de tiempo, hoy le toca el turno a
la suavización exponencial simple. Los pronósticos de producción desarrollados
con series de tiempo, hacen uso de los datos del pasado para predecir el
comportamiento de la demanda en el futuro.
Sin embargo, y a diferencia de otros métodos, el suavizado o alisamiento
exponencial funciona con muy pocos registros de periodos anteriores, destacando
los hechos más recientes sobre los más antiguos.

A diferencia de los métodos de promedio móvil simple y ponderado, este método

no necesita de gran volumen de datos históricos de la demanda. Por ende, cada
vez que se calcula el pronóstico, se remueve la observación anterior y es
reemplazada por la demanda más reciente, y aquí es donde radica la ventaja.

Ventajas del método de suavización exponencial simple

Es el método de pronóstico más usado por su simpleza, tanto por pequeñas y

grandes empresas, sea en un sencillo archivo de Excel o un software como forecast
pro. Sus ventajas son:
Formulación es sencilla, pues solo requiere el pronóstico anterior, la demanda real
del periodo de pronóstico y la constante de suavización, como ya lo veremos más
adelante.

No requiere de gran volumen de datos históricos.

Al ser un modelo exponencial, es más preciso.

Es flexible al conseguir darle más importancia a la demanda más reciente o a la

antigua.

Su desventaja, al igual que los métodos de promedio móvil, es la respuesta a la

tendencia. Aun cuando un valor de alfa (α) logra responder frente a cambios en el
promedio, cambios sistemáticos de este harán más grande el error de pronóstico.
Es tan así, que cuando se está aplicando un alfa mayor a 0.5 con buenos
resultados, optar por el alisado exponencial doble suele ser mejor idea.
La constante de suavización en el alisado exponencial
El método de suavización exponencial simple trabaja a través de una constante de
suavización alfa (α) que tiene un valor comprendido entre 0 y 1, aunque en la
aplicación real su valor suele variar entre 0,05 y 0,50.
La constante funciona como un factor de ponderación (si, parecido al pronóstico
móvil ponderado) y su variación se hace de acuerdo a nuestra necesidad de darle
más peso a datos recientes (alfa α más elevado) o a datos anteriores (alfa α más
bajo). En este sentido, si α=1, nuestro pronóstico de demanda del próximo
periodo será exactamente igual al del periodo actual.
En consecuencia, el alfa que elijamos estará relacionado con el índice de respuesta
deseado y la naturaleza del producto. ¿Por qué? Veamos. Por ejemplo, teniendo un
producto o servicio con demanda estable a través del año, nuestra constante de
suavización tenderá a ser pequeña (0,10 por ejemplo), debido a que, no requerimos
un elevado índice de respuesta frente a los cambios entre la demanda real y la
demanda pronosticada.
Caso contrario es cuando la compañía comienza a tener un crecimiento en su
demanda, lo que va a requerir un alfa más elevado (0,30 por ejemplo) para dar
mayor importancia a la demanda reciente.

Cómo calcular un pronóstico con suavización exponencial

Como bien mencionamos antes, el cálculo es simple. Requerimos el pronóstico
anterior, la demanda real del periodo de pronóstico y la constante de suavización.
Si es la primera vez que usamos el método, el pronóstico anterior puede ser un
estimado o el resultado de un promedio simple, por ejemplo.

La fórmula de suavizamiento exponencial es la siguiente:

Donde

Ft= Nuevo pronóstico

Ft-1= Pronóstico del periodo anterior
α = constante de suavización

At-1= demanda real del periodo anterior

Ejemplo de suavización exponencial
Luz Verde es una empresa de seguros que ha decidido expandir su mercado a la
ciudad capital de un país. Por ser la ciudad que congrega más habitantes, han
decidido comenzar ofreciendo servicio de seguro para coches.

Como ejercicio inicial, la empresa desea pronosticar cuántos seguros de vehículo

serán contratados por las personas de la ciudad capital, para lo cual usarán como
dato inicial los seguros de vehículos contratados en otra ciudad con menos
habitantes pero con mayor posicionamiento en el mercado.

El pronóstico de demanda del período 1 es 2869 seguros de carro adquiridos por

personas, pero la demanda para ese periodo fue de 3200. La compañía según su
criterio asigna α=0,35.

La demanda del próximo periodo es:

Ft= 2869+0.35(3200-2869)=2984.85
Este mismo ejercicio lo realizó a través del año, obteniendo la siguiente tabla
comparativa entre lo realmente obtenido (demanda – segunda columna) y lo
pronosticado en ese momento (tercer columna).
Gráficamente, esa tabla sería algo como esto:

Plantilla en Excel suavizamiento exponencial

¿Quieres automatizar tu trabajo?
Todos queremos hacer más rápido nuestro trabajo. En plantillas en excel encuentras
archivos para automatizar o acelerar tus tareas, incluyendo nuestra plantilla de suavización
exponencial simple. Las celdas color blanco son las que se diligencien. Las grises son de
cálculo automático. Únicamente defines cuál va a ser tu constante de suavización y
registras la demanda de cada periodo.

¿Útil? Esta y otras plantillas en excel los puedes encontrar en descarga directa en la
sección de recursos para empresarios.
Como mencionamos antes, a comparación de las técnicas de promedios
cuantitativos, en general, el suavizamiento exponencial puede prever mejor la
tendencia,pero se sigue quedando corto. Mira como en el gráfico la línea gris se
encuentra muy por arriba o por debajo de la azul (la demanda) sin lograr seguirle el
paso.

 La tendencia en el suavizamiento exponencial doble o modelo

de holt
Referirse a tendencia significa hablar de un incremento o decremento sobre el
promedio de la serie de tiempo. Otros métodos como promedios móviles y
suavización exponencial simple no consiguen prever la tendencia con anterioridad,
sin embargo, una modificación a este último lo logra, dando origen a otro método
para pronosticar la demanda, modelo de holt o suavización exponencial doble.
Con este método se agrega una constante de suavización delta (δ), cuya función es
reducir el error que ocurre entre la demanda real y el pronóstico. Otros autores
usan como constante la letra griega beta (β), es lo mismo.

La constante de suavización en el método holt

El método de suavización exponencial con ajuste a la tendencia requiere de dos
constantes de suavización: alfa (α) y delta (δ). Su valor puede estar entre 0 y 1, pero
a nivel práctico varía entre 0,05 y 0,50.
¿Cómo escoger los valores más adecuados? Los criterios para definir los valores de
las constantes son similares al método de suavización simple.
Para alfa dependerá de la importancia que otorgamos a datos recientes (alfa α más
elevada) o a datos más antiguos (alfa α más bajo).
El delta funciona similar. Un δ elevado responde con más velocidad a los cambios
en la tendencia, mientras que un δ inferior tiende a suavizar la tendencia actual,
dando menos peso a los datos recientes.

En la práctica, los valores de α y δ se encuentran con prueba y error utilizando

las medidas de error de pronóstico. También se usan softwares

Fórmula de cálculo suavización exponencial con ajuste a la tendencia

Este método requiere algunos parámetros adicionales con respecto a su hermano
suavización simple. Una constante delta y un valor para la tendencia.

Las fórmulas para calcular cada componente son las siguientes:

Donde:

 Ft= Pronóstico suavizado exponencialmente con la serie de datos del periodo t

 Tt= Tendencia suavizada para el período t
 At= Demanda real para el período t
 Alfa α= Constante de suavizamiento para el promedio
 Delta δ= Constante de suavizamiento para la tendencia
 FITt= Pronóstico de demanda con tendencia
A nivel metodológico, primero calculamos el pronóstico suavizado. Paso siguiente
es determinar la tendencia suavizada, para finalmente calcular el pronóstico con
ajuste a la tendencia, el cual es el resultado final de nuestro método. Veamos un
ejemplo.

Cómo calcular un pronóstico con el método de holt – Suavizado

exponencial doble
Necesitamos dos constantes de suavización, el pronóstico anterior, la demanda
real del periodo de pronóstico y la tendencia suavizada.

Un ejemplo con plantilla de suavización exponencial doble para comprender el

método:
IngE es una empresa productora de alimento para peces y requiere calcular el
pronóstico de demanda con el método de suavizado exponencial con corrección
por tendencia para los próximos meses.
El pronóstico de demanda del período 1 fue de 1500, pero las ventas reales fueron
de 1132 y la tendencia en ese momento fue de 150. La compañía asigna un α=0,10.
Prevén una tendencia alcista en próximos meses, por lo que definen δ=0,30.

Vamos por la solución:

El primer paso es determinar el pronóstico suavizado para el período 2:

Con el pronóstico suavizado, calculamos la tendencia para el período 2:

Por último determinamos nuestro pronóstico con ajuste a la tendencia, que es
simplemente una suma:

Para el período 2, IngE pronostica una demanda de 1732,66 unidades de alimento

para peces.

Con el mismo procedimiento, logramos calcular el pronóstico de demanda para

los próximos meses:

Eso, graficando la demanda y nuestro pronóstico ajustado con tendencia (segunda

y última columna) se ve así:
  La lineal para pronosticar la demanda

Dentro de los modelos causales o asociativos encontramos el análisis de

regresión o regresión lineal, que es un método con enfoque cuantitativo que nos
permite pronosticar la demanda. Agrupa regresión una variable dependiente (la
demanda) con una o más variables independientes a través de una ecuación lineal.

Qué es la regresión lineal y cómo te ayudará en tu pronóstico de ventas

El objetivo del análisis de regresión como método causal es pronosticar la
demanda a partir de una o más causas (variables independientes), las cuales
pueden ser por ejemplo el tiempo, precios del producto o servicio, precios de la
competencia, economía del país, acciones del gobierno o fomentos publicitarios.

Algunos apuntes importantes sobre este método son:

 Puedes calcular series de tiempo y relaciones causales. En el primer caso, ubicas la

demanda histórica de tu bien o servicio para que cambie en función del tiempo. El
segundo caso es cuando la variable que pronosticas cambia en función de otra
(variable causal).
 Lineal significa que los datos del periodo anterior y la proyección para el periodo
futuro que vas a obtener caen sobre una recta.
  Si hablamos de una sola variable independiente, es una regresión lineal simple,
contrario a si son dos o más variables independientes, donde hablaríamos de
regresión lineal múltiple.
Cuando utilizar la regresión lineal
El análisis de regresión es pertinente cuando se evidencia una tendencia en los
datos históricos del pronóstico. ¿Cómo? Dibuja los datos de meses anteriores, los
de la demanda real. Si lo estás haciendo en Excel 2010 o superior, da click derecho
sobre la serie de datos graficados y luego click en agregar línea de tendencia. Si no,
simplemente analiza la tendencia de los datos, ¿es creciente o decreciente?

¿Cómo es la relación entre la demanda y el tiempo? Para responder esta pregunta,

haremos uso del coeficiente de correlación (r).
Este coeficiente, te permitirá entender qué tanta correlación existe entre la
demanda y el tiempo.

 Correlación perfecta: Cuando el resultado de coeficiente es igual a 1 o -1. En este

caso existe una relación directamente proporcional entre la demanda y el tiempo.
 Correlación fuerte: Cuando el resultado es mayor a 0.5 y menor que 1 (correlación
positiva) o menor a -0.5 y mayor que -1(correlación negativa).
 Correlación débil: Valores que están entre -0.5 y 0.5.
Entre más cercano se encuentre el coeficiente de correlación a +1 o -1 más fuerte
será la tendencia y más apropiado será aplicar un modelo de regresión lineal. Por
ejemplo si la correlación es igual a 1, observaremos que la relación entre las
variables es directamente proporcional, en el sentido que si uno aumenta, la otra
también lo hará.

Bien vale aclarar que este método es más útil cuando se enfoca en periodos de
largo plazo. Esto aunado a su utilidad para estimar la demanda en función de
variables independientes.

Veamos entonces de que va el análisis de regresión.

El análisis de regresión en el pronóstico de demanda

Esta es la ecuación de la recta. En ella:

 La b es la inclinación de la recta.
 La a es la secante o la altura en la que la recta corta al eje y.
 La X es nuestra variable independiente.
 La Y es nuestra variable dependiente, nuestro pronóstico calculado para un
periodo.

Como hacer una regresión lineal

Un ejemplo de regresión lineal para pronosticar la demanda:
Las ventas de la empresa IngE durante los últimos 10 trimestres son las siguientes:

¿Cómo pronosticar la demanda de los trimestres 13, 14 y 15 a través de un análisis

de regresión lineal?
Lo primero es estimar los parámetros. Lo podemos lograr con el método de
mínimos cuadrados, que nos permite encontrar la recta que mejor se ajusta a un
conjunto de datos dados. En nuestro caso, este conjunto está dado por las ventas
trimestrales (variable dependiente). La variable independiente es el tiempo. Vamos
entonces a la siguiente fórmula para determinar a y b:

 La y “minúscula” es el valor y de cada punto de datos.

 La n es el número de punto de datos.
Conocidas las ecuaciones y el papel de las variables, vamos a calcular el pronóstico
con regresión lineal:
En la siguiente se encuentran los cálculos realizados para los 12 trimestres según lo
requerido por las ecuaciones:

Con los valores de la última fila de la tabla, podemos calcular a y b, con los cuales
logramos calcular los valores de la última columna (Y) que es la recta que más se
ajusta a la demanda y.

Veamos entonces:

Fíjate que el valor de «b» varía de 63,64 a 63,657 siendo este último el resultado si
se toman todos los decimales de las variables que participan en su cálculo. Para
tener resultados más fiables usamos el valor de «b» calculado con todos los
decimales, tal como lo aprecias cuando hallamos «a». Fíjate además que pasa lo
mismo con el valor calculado de «a» y el valor que se obtiene cuando en la
operación están todos los decimales.

Con esta aclaración, puedes ver cómo se realiza el pronóstico de producción del
trimestre 13. Procedemos igual para los demás trimestres.

Y=63,657(14)+72,894=964.09
Y=63,657(15)+72,894=1027.75
Eso tiene el siguiente aspecto:

Cuando pronosticamos, siempre queremos saber qué tan exacto es el método que

estamos utilizando, igual que una medida de error de pronóstico.
Para eso hay diferentes medidas que nos dan el grado de error en un pronóstico.
Una medida apropiada para medir el error en regresión lineal es el error estándar
de estimación (Sy,x), que nos permite determinar la variabilidad en torno a la recta
de regresión.

Con los datos obtenidos en nuestra tabla, reemplazamos en la formula y

obtenemos:
Error estándar del estimado Sy,x: 54,79
Esto lo interpretamos como una medida de la variabilidad o dispersión de los
valores observados alrededor de nuestra línea de regresión.
Otro análisis que si o si debemos realizar cuando trabajamos con un análisis de
regresión, no importa si es con un fin de pronóstico, es el cálculo del coeficiente de
correlación.
Como lo dijimos anteriormente, el coeficiente de correlación dará una medida de
asociación entre las variables X y Y.

Dicho de otra forma, el coeficiente correlación en la división entre la covarianza y el

producto de las desviaciones estándar de ambas variables.

Así pues, si queremos ver la correlación entre la demanda y lo pronosticado en

periodos anteriores (desde el periodo 1 hasta el 12), usamos la
función COEF.DE.CORREL de excel.

La función requiere dos datos de entrada:

 Matriz 1: Señalamos las demandas por mes.

 Matriz 2: Señalamos los pronósticos por mes.
El resultado de este ejercicio es r=0,975. Esto indica que la correlación es muy
fuerte y positiva porque está cercana a 1.
En otras palabras, nos conviene seguir usando este método de pronóstico para
futuros períodos.

Medición del error en pronósticos de demanda

07 de marzo de 2016

Wikipedia define error de medición como la diferencia entre un valor que se mide y
un valor verdadero. Si esto lo transportamos al ámbito empresarial, en nuestros
pronósticos de demanda, y en el sentido más general, podemos definir error de
pronóstico como la comparación entre el valor pronosticado y el valor real.
El error de pronóstico, qué es, cómo se calcula y con qué medidas se hace; es el
tema de hoy en Pronósticos de demanda.

Con esto en mente, el error de pronóstico estaría dado por:

Error de pronóstico=Demanda real – valor pronosticado

Para qué calcular el error pronóstico

¿Qué utilidad tiene calcular el error de pronóstico de demanda? Su cálculo nos
permite tomar decisiones frente a qué método de pronóstico es el mejor y logran
detectar cuando algo en nuestra previsión de la demanda no está marchando bien,
con lo que conseguimos cambiar el rumbo de nuestras decisiones a fin tomar las
mejores elecciones.
Cuál es la causa del error de pronóstico
Hay dos fuentes de error en pronósticos: Sesgados y aleatorios.
El primero, también llamado sistemático es ocasionado por un error constante, por
ejemplo, una mala interpretación de la demanda, usar variables incorrectas o con
relaciones equivocadas. Este tipo de error se verá minimizado de acuerdo a la
experticia del administrador de operaciones.

El error aleatorio es aquel que no tiene explicación, es decir, es el error originado

por factores imprevisibles y por ende no se conoce qué es lo que lo causa.

Tener en cuenta
Siempre va a haber error en el cálculo de un pronóstico de demanda. En la práctica, se
intenta minimizar ambos tipos de errores eligiendo el mejor método de pronóstico, y es
por eso que existen la medición del error en pronósticos de demanda.

Suma acumulada de errores de pronóstico (CFE)

Es la medida más básica de todas y es la que da origen a las demás. Es la suma
acumulada de los errores de pronóstico. Nos permite evaluar el sesgo del
pronóstico. Por ejemplo, si a través de los periodos el valor real de la demanda
siempre resulta superior al valor de pronóstico, la CFE será más grande, indicando
la existencia de un error sistemático en el cálculo de la demanda.

Desviación media absoluta (MAD)

Mide la dispersión del error de pronóstico o dicho de otra forma, la medición del
tamaño del error en unidades. Es el valor absoluto de la diferencia entre la
demanda real y el pronóstico, dividido sobre el número de periodos.

Error cuadrático medio (MSE)

Al igual que la DAM, el MSE es una medida de dispersión del error de pronóstico,
sin embargo, esta medida maximiza el error al elevar al cuadrado, castigando
aquellos periodos donde la diferencia fue más alta a comparación de otros. En
consecuencia, se recomienda el uso del MSE para periodos con desviaciones

pequeñas.
Error porcentual medio absoluto (MAPE)
El MAPE nos entrega la desviación en términos porcentuales y no en unidades
como las anteriores medidas. Es el promedio del error absoluto o diferencia entre
la demanda real y el pronóstico, expresado como un porcentaje de los valores

reales.
Otros autores le llaman Porcentaje de error medio absoluto (PEMA) o lo manejan
como EPAM.
Error de pronóstico MAD/MEAN, GMRAE y SMAPE
Existen otras medidas de error de pronóstico menos comunes, generalmente
variaciones de MAPE y MAD. El MAD/MEAN actúa sobre datos intermitentes y de
bajo volumen, mientras el GMRAE es usado para evaluar el grado de error del
pronóstico fuera de la muestra.
Cómo calcular las medidas de error de pronóstico
En este ejemplo de errores de pronóstico, tomamos la empresa IngE que vende
televisores y su demanda a través del año fue la siguiente:

Igualmente, a través del año la empresa pronosticó la demanda con el método de

promedio móvil simple. Estos fueron los resultados:

Para calcular cada una de las medidas de error mostradas hasta ahora:
  En una columna para cada periodo calculamos el error de pronóstico hallando la
resta entre la demanda real y el pronóstico.
 En otra columna restamos en valor absoluto la demanda real con el pronóstico para
cada periodo. Lo que en otras palabras vendría siendo el valor absoluto del error de
pronóstico. Esto lo hacemos para calcular el MAD.
 En otra columna elevamos al cuadrado el error de pronóstico de cada periodo. Esto
lo hacemos para calcular el MSE.
 En otra columna, dividimos la demanda real / mad.
 Hacemos la suma de los resultados que obtuvimos para cada periodo en cada
columna.
Lo descrito anteriormente en nuestro ejercicio sería algo como esto:

Los cálculos se realizan a partir del periodo 4, debido a que nuestro promedio
móvil simple tiene n=3, por ende en los tres primeros periodos no tenemos
pronóstico de demanda.

Hecho esto, ya estamos a un paso de obtener nuestras medidas de error.

Teniendo en cuenta que el número de periodos que pronosticamos es de 12:

 La suma acumulada de errores de pronóstico es 27. Ya la teníamos calculada al

hacer la sumatoria en la columna de error de pronóstico.
 La desviación absoluta media (MAD) la calculamos dividiendo 97 entre 12.
 El error cuadrático medio (MSE) lo calculamos dividiendo 1081 entre 12.
 Dividimos 182% entre 12 para calcular el error porcentual absoluto medio (MAPE)
Esto es lo que obtenemos:
Resultados ejemplo de error de pronostico

Cómo interpretar las medidas de error de pronóstico

Las medidas de error de pronóstico calculadas para un solo método en un solo
período de tiempo carecen de significado. Su utilidad radica cuando comparamos
las medidas de error con las medidas de otros métodos de pronóstico o con otros
períodos de tiempo.
¿Cómo sería esto en nuestro ejemplo? Para nuestro siguiente ejemplo vamos a
considerar únicamente métodos de pronóstico cuantitativos: promedio móvil
simple, promedio ponderado, suavización exponencial simple y suavización
exponencial doble. La demanda la calculamos a partir del periodo 4 hasta el
período 15.
El n a usar en el promedio simple es de 3. En el promedio ponderado usaremos
pesos de 40%, 30% y 30% para el periodo más reciente, intermedio y más lejano
respectivamente. La constante de suavización alfa en el alisado exponencial será de
0,4. La constante de suavización alfa y delta en el alisado exponencial doble ambas
serán de 0,3.

Vale decir que no jugué mucho con estos datos y coloqué los primeros valores que
se me vinieron a la mente. Pues bien, los pronósticos calculados con cada método
serían:

Con estos datos ya tenemos para determinar por medio de las medidas de error,
cuál es el mejor método durante los 12 periodos de medición:
 Métodos de
pronóstico de demanda comparados a través de medidas de error de pronóstico

Inicialmente analicemos la demanda.

La demanda presenta una tendencia creciente, decreciente y creciente para

finalmente bajar un poco al final. Se debe anotar además que la tendencia es
suavizada, es decir, que no sube y baja hacia una dirección.

Esto se ve reflejado en los métodos de promedio simple, promedio ponderado y

suavización exponencual que responden mejor a las medidas de MAD, MSE y MAPE
comparado con la suavización exponencial doble, cuya bondad es prever la
tendencia con anterioridad, pero al tener esta demanda comportamientos
crecientes y decrecientes tan marcados, ¿es necesario? Evidentemente no.

Es por eso que, si bien la suavización exponencial doble obtiene el mejor resultado
en CFE, termina siendo descartada por las demás medidas.

En el período 6, 9 y 14 es cuando cambia el comportamiento de la demanda. Aquí

es cuando el promedio simple queda debiendo (descartado) y el promedio
ponderado y la suavización exponencial salen victoriosos, pues consiguen prever
este cambio de dirección.
Quizá si le hubiera asignado al promedio ponderado un mayor peso para los datos
más recientes, se lograría obtener mejores medidas de MAPE, MSE y MAD, aún así
sus medidas son muy buenas.

¿Qué queda entonces? La suavización exponencial simple presenta los mejores

resultados en 3 de las 4 medidas. Por supuesto los suavizamientos son métodos
susceptibles de ser mejorados. La definición de las constantes de suavización por
ensayo y error seguro nos habría entregado mejores métricas.

Al observar el CFE inferimos que hay un grado de error de sistematización en la

suavización simple y es necesario cambiar las constantes de suavizamiento. Debido
a esto los promedios se ven mejor en esta medida (a excepción de la suavización
doble).

Hecho esto y considerando la naturaleza de los datos a tener tendencias crecientes

y decrecientes que duran varios períodos, yo me quedaría con el método de
suavización exponencial simple.

https://ingenioempresa.com/metodos-cualitativos-pronostico-demanda/