PRONÓSTICOS

UNIVERSIDAD DE CUENCA-INVESTIGACIÓN OPERATIVA

Contenido
 Pronóstico
 Aplicaciones
 Métodos del Pronostico racionales
 Series de tiempo
 Métodos de pronostico para un modelo
de nivel constante
 Errores en el pronostico
 Pronóstico en la práctica
2 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Aplicaciones

 Pronóstico de ventas
 Pronóstico de la necesidad de piezas de
repuesto
 Pronóstico de los rendimientos de producción
 Pronóstico de las tendencias económicas
 Pronóstico de las necesidades de personal

3 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
 Los pronósticos se necesitan en muchos
lugares…
Procesamiento
Recolección Planes y metas Decisiones de
Lugar de la Pronóstico
de datos operacionales distribución
información
Cadena de De las demandas Envío del centro de
Mantener la probabilidad de
Supermercad Caja registradora Acumulación del stock de almacenaje por distribución a las
almacenaje entre 0-1%
os producto tiendas
Horario de las
Acumulación de la
Admisiones a # de pacientes y Mantener la probabilidad de habitaciones,
demanda por
Hospital pacientes, actuales los recursos que se almacenaje en 0% enfermeras,
departamento y tipo
y pasadas necesitan medicamentos,
de servicio
suministros, etc.
Acumulación de la Envío desde la fabrica
De la demanda de
Manufactura- Ordenes de demanda de productos Mantener la probabilidad de hasta los centros de
cada centro de
Distribución compras en cada centro de almacenaje entre 1 -2% distribución
distribución
distribución
Asegurar se de que los Asignar aulas,
Formato de las Acumulación de la # de estudiantes
Distrito tamaños de las clases son profesores y
aplicaciones demanda de clases por que permanecen y
escolar razonables, # de profesores y presupuestos
estudiantiles escuela los salientes
presupuesto suficientes necesarios
Programación de
Ordenes de trabajo Acumulación de la # de clientes y de Mantener la probabilidad de
Servicio de almacenamiento de
actuales y demanda por tipo de los servicios almacenaje menor al 1 %
reparaciones ítems y horarios del
presentes trabajo brindados
personal necesario

4 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Marco de Referencia Planeación y control de la producción, Administración de la cadena de
suministros Thomas E. Vollmann et al. Quinta Edición, pg. 32

NATURALEZA DE PLANEACIÓN PLANEACIÓN DE PROGRAMACIÓN Y

LA DECISIÓN ESTRATÉGICA DE VENTAS Y CONTROL
NEGOCIOS OPERACIONES MAESTROS DE
PRODUCCIÓN
Nivel de Ventas o volumen de Unidades de familia de Productos terminados o
Consolidación producción totales productos componentes individuales
Participación de la Cuando se concilian
Intensivo Muy poco
alta gerencia planes funcionales
Frecuencia del
Anual o menor Mensual o trimestral Constantemente
pronóstico
Longitud del Varios meses a un año/
Anual o trimestral Algunos días a semanas
Pronóstico mensualmente
Inversión de la
administración en el Muy grande Moderada Muy poca
pronostico
Costo del
procesamiento y Alto Moderada Mínima
adquisición de datos
Juicio general Consolidación de Técnicas de proyección,
Técnicas útiles Modelos de crecimiento pronósticos detallados, (promedios móviles,
económico planes del cliente suavización exponencial)
5 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Marco de Referencia Planeación y control de la producción, Administración de la cadena de
suministros Thomas E. Vollmann et al. Quinta Edición, pg. 32

NATURALEZA DE PLANEACIÓN PLANEACIÓN DE PROGRAMACIÓN Y

LA DECISIÓN ESTRATÉGICA DE VENTAS Y CONTROL
NEGOCIOS OPERACIONES MAESTROS DE
PRODUCCIÓN
Nivel de Ventas o volumen de Unidades de familia de Productos terminados o
Consolidación producción totales productos componentes individuales
Participación de la Cuando se concilian
Intensivo Muy poco
alta gerencia planes funcionales
Frecuencia del
Anual o menor Mensual o trimestral Constantemente
pronóstico
Longitud del Varios meses a un año/
Anual o trimestral Algunos días a semanas
Pronóstico mensualmente
Inversión de la
administración en el Muy grande Moderada Muy poca
pronostico
Costo del
procesamiento y Alto Moderada Mínima
adquisición de datos
Juicio general Consolidación de Técnicas de proyección,
Técnicas útiles Modelos de crecimiento pronósticos detallados, (promedios móviles,
económico planes del cliente suavización exponencial)
6 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Horizonte de planeación
Corto Plazo

Inventario
Compras
Requerimientos
Programación de la
producción
Días/semanas

Nuevos Locales Fuerza de trabajo,

Ventas y Niveles de servicio
distribución
Canales de servicio Objetivos de
Inventario

Largo Plazo Mediano Plazo

7 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Métodos de pronóstico racionales
(Judgmental Forecasting Methods)
 También llamados modelos cualitativos, involucran
cualidades como la intuición, opinión de los expertos y
experiencia

 Opinión del gerente

 Juicio de opinión ejecutiva
 Agregados de la fuerza de ventas
 Encuestas de mercado
 Método Delphi

8 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Características de los Pronósticos

 Normalmente están equivocados

 Un buen pronostico es más que un simple numero
 Los pronósticos agregados son mas exactos
 Entre más lejano sea el horizonte de pronostico,
menos exacta será la predicción
 Los pronósticos no deben usarse para excluir
información conocida

9 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Series de Tiempo
 Si Xi es la variable de interés en un momento
determinado i, y las observaciones son tomadas en
los momentos i= 1,2,…, t, entonces los valores
observados {X1 =x1, X2 =x2,…, Xt =xt,} son series de
tiempo.

La evolución de las ventas mensuales

de un producto ilustra una serie de
tiempo.

10 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Patrones de series de tiempo típicas con
fluctuaciones aleatorias

(a): nivel constante

(b): tendencia lineal
(c): nivel constante + efectos estacionarios

11 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Patrones de series de tiempo típicas con
fluctuaciones aleatorias

(a): nivel constante

(b): tendencia lineal
(c): nivel constante + efectos estacionarios

12 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Métodos de pronóstico para un modelo de
nivel constante
 Se presentan 4 métodos de pronósticos alternativos:

 Método del último valor

 Método del promedio
 Método del promedio móvil
 Método de suavización exponencial

13 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Promedios móviles
 Un promedio móvil del orden n es sencillamente el
promedio aritmético de las n observaciones más
recientes
 Entonces, el pronóstico hecho en el periodo t-1 para el
periodo t, está dado por:

14 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Ejemplo
 Los datos trimestrales para las fallas de ciertos
motores de aeronaves en una base local militar
durante los pasados dos años son 200, 250,
175, 186, 225, 285, 305, 190. Determine los
pronósticos de un paso hacia adelante para los
periodos 4 a 8 utilizando los promedios
móviles de tres periodos, y los pronósticos de
un paso adelante para los periodos 7 y 8
utilizando promedios móviles para seis
periodos.
15 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Solución
 Pronóstico de promedio móvil de 3 periodos para el
periodo 4:
 Pronóstico de promedio móvil de tres periodos para el
periodo 5:
 Pronóstico de promedio móvil de tres periodos para el
periodo 6:
 Pronóstico de promedio móvil de tres periodos para el
periodo 7:
 Pronóstico de promedio móvil de tres periodos para el
periodo 8:

16 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Solución
 Pronóstico de promedio móvil de 6 periodos para el
periodo 7:

 Pronóstico de promedio móvil de 6 periodos para el

periodo 8:

17 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Solución
Trimestre Fallas de PM(3) Error PM(6) Error
motor
1 200
2 250
3 175
4 186 208 22
5 225 204 -21
6 285 195 -90
7 305 232 -73 220 -85
8 190 272 82 238 48

18 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
 Nuevo pronóstico = α (Observación actual de la
demanda) + (1- α)(último pronóstico)
 En símbolos:

Donde 0< α ≤ 1 es la constante de suavización , que determina la

ponderación relativa colocada en la observación de demanda actual.
(1- α) es el peso asignado a las observaciones pasadas de la demanda.

 Reacomodando los términos:

19 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
 Como antes, Ft es el pronóstico de un paso adelante para
el periodo t realizado en el periodo t-1. Obsérvese que,
como

esto puede sustituirse en la ecuación anterior para obtener

Ahora podemos sustituir F t-2 en la misma forma. Si

continuamos de esta manera obtenemos la expansión
infinita para Ft,


20 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
 Donde los pesos son:

Por lo tanto, el suavizamiento exponencial aplica un

conjunto de ponderaciones decrecientes a todos los
datos pasados .
La constante de suavización juega esencialmente el mismo
papel aquí que el valor de n en los promedios móviles.
21 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial

 Si α es grande,
 + ponderación en la observación actual
 - ponderación sobre las observaciones pasadas
 El pronóstico reacciona rápidamente a cambios de
patrones
 + variación de periodo a periodo

 Si α es pequeña,
 + peso en los datos pasados
 Los pronósticos son mas estables.
22 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Ejemplo
 En el ejemplo anterior, con el fin de iniciar el método,
asumimos que el pronostico para el periodo 1 fue 200.
supongamos que α =0.1 , el pronóstico de un paso
adelante para el periodo 2 es

 De forma similar

23 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Resultados
Trimestre Fallas Pronóstico
1 200 200 (Por suposición)
2 250 200
3 175 205
4 186 202
5 225 201
6 285 203
7 305 211
8 190 220

Observe el efecto constante de suavización. Aunque la serie original muestra

una alta varianza, los pronósticos parecen ser muy estables.

24 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Errores en el Pronóstico
 Defina el error de pronostico en cualquier periodo t, et,
como la diferencia entre el pronostico para el periodo y
la demanda real para el mismo periodo. Para pronósticos
de varios pasos adelante.

y para los pronósticos de un solo paso adelante

25 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Errores en el Pronóstico
 Digamos que e1, e2,…, en son los errores de pronóstico
observados en n periodos. Las dos medidas mas comunes
de exactitud de pronóstico durante estos periodos n son
la Desviación Absoluta Media (DAM) y el Error
Cuadrático Medio (ECM), dados por las formulas
siguientes:

26 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Errores en el Pronóstico
 Cuando los errores de pronostico se distribuyen
normalmente, como generalmente se supone, un
estimado de la desviación estándar del error de
pronostico, σe , está dada por 1.25 veces la DAM.

 El Error Porcentual Absoluto Medio (EPAM) no es

dependiente de la magnitud de los valores de demanda:

27 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL