Qué es pronostico?

 Es el arte y la
ciencia que nos
ayuda a predecir
eventos en el
futuro.
??
 Base fundamental
para la decisión de
todo negocio en:
 Producción
 Inventario
 Recursos Humano
 Materia Prima
 Horizontes de tiempo del
pronóstico
 Pronósticos a corto plazo
 Extensión de tiempo hasta un año,
generalmente son hasta 3 meses.
 Planear compras, programar trabajo, mano
de obra y decidir niveles de producción.
 Pronósticos a mediano plazo
 Extensión entre 3 meses a 3 años
 Se utilizará para ventas, producción,
presupuesto, planes operativos.
 Pronóstico a largo plazo
 Extensión por arriba de los 3 años
 Diseño de nuevos productos, expansión de
instalaciones, palnes de I+D
 Influencia del ciclo de vida
de los productos
Introducción – Crecimiento – Madurez - Declive

 La etapa de introducción y
crecimiento requieren
pronósticos más largos que el
de madurez y declive.
 Ciclo de vida de los
productos
Introducción Crecimiento Madurez Declive
Mejor periodo Cambio de precio o Poco tiempo para Costos fuera de
Company Strategy/Issues

donde se caliddad de la cambiar imagen, control en

incrementa la imagen precio o calidad estado critico
participación de
mercado Costos competitivos
se convertienten en
aspecto crítico como
defensa
CD-ROMs
Internet search engines
Analog TVs
Restaurantes
LCD & plasma TVs comida rapida

Ventas iPods

3 1/2”
Xbox 360 Floppy
disks
 Tipos de pronosticos
 Pronosticos Economicos
 Abordan el ciclo del negocio al predecir
tasas de inflación, suministros de dinero,
construcción de viviendas, etc.
 Pronosticos Tecnologicos
 Predice la tasa de progreso tecnologico
 Impacta en el desarrollo de nuevos
productos
 Pronosticos de la demanda
 Predice la proyección de la demanda del
producto o servicio.
 Importancia de la estrategia
de pronóstico

 Recursos Humanos– Contratación, despidos y

capacitación dependen de una demada anticipada
 Capacidad – La capacidad es inadecuada (ambas
vias), puede resultar como entregas no confiables
y perdida de clientes y participacion del mercado
 Cadena de suministro– Buenas relaciones con el
proveedor, las ventajas de precio en materiales y
partes dependen de un buen pronostico
 7 pasos en el sistema de
pronostico
 Determinar el uso del pronostico
 Seleccionar los aspectos que se deben
pronosticar
 Determinar el horizonte del tiempo
 Seleccionar los modelos de pronostico
 Recopilación de información
 Realizar el pronostico
 Validar e implementar los resultados
 Enfoques de pronostico
Metodo cualitativo
 Son usados cuando existe una
situación en la cual hay poca
información.
 Nuevos productos
 Incorporar nueva tecnología
 Involucra intuiciones, corazonadas,
estimación de vendedores, etc
 Para tomar decisiones
 Enfoques de pronostico
Metodo cuantitativos
 Usados en sitaciones donde se
existe información historica y
mantiene estabilidad en el tiempo
 Productos existentes
 Tecnologia conocida
 Se utilizan modelos matematicos
 Ex. Pronosticos de la venta de TV a
colores
 Panorama de los métodos
cuantitativos
1. Enfoque intuitivo
2. Promedios móviles
Modelo de
3. Suavización serie de
exponencial tiempos

4. Proyeccion de
tendencias
Modelos
5. Regresión lineal asociativos
Componentes de una serie
de tiempo

Tendencia Ciclo

Estacionalidad Aleatorio
Componentes de la demanda
Tendencia
Demanda del producto or servicio

Picos estacionales

Demanda
actual

Demanda
promedio
Variación durante 4 años
aleatoria
| | | |
1 2 3 4
Year
 La tendencia
 Es el movimiento gradual hacia arriba o
hacia abajo de los datos en el tiempo.
 Cambios de en el ingreso, población,
distribución de edades , etc.
 Por lo general son de larga duración
 La estacionabilidad
 Es un patron que se repite
después de un periodo.
(semanas, trimestres, años,
etc.)

Periodo Longitud de Numero de

Del patron la estacion estaciones
Semana Dias 7
Mes Semanas 4-4.5
Mes Dias 28-31
Año Trimestre 4
Año Mes 12
año Semana 52
 Los Ciclos
 Patrones detectados en los datos
que ocurren cada cierta cantidad de
tiempo (años, meses, dias, etc.)

0 5 10 15 20
 Variación Aleatoria
 Señales generadas en los datos por
casualidad o situaciones inusuales.
 No siguen ningun patrón
 Corta duración

M T W T F
 Medida de precisión de los
pronósticos
 El Error de pronóstico permite ver el
funcionamiento de un modelo y nos ayuda a
comparar con otros valores reales u
observados.

 El error de pronostico o desviación se define

de la siguiente manera:

Error de pronostico = valor real - valor pronosticado

 Medida de precisión de los
pronósticos
 Una medida de predicción es la desviación
media absoluta (MAD) que se calcula al
tomar la suma de los valores absolutos de los
errores pronosticados individuales y se la
divide entre el mismo número de errores (n).

MAD   error pronosticado

n
 Medida de precisión de los
pronósticos
 Otra medida de precisión de los errores
historicos de los pronosticos es el error
cuadrado medio (MSE) el cual es el promedio
de los errores al cuadrado

 error
2

MSE 
n
 Medida de precisión de los
pronósticos
 A veces se utiliza el porcentaje de error
promedio absoluto (MAPE) que es el
promedio de los valores abosultos de los
errores expresados como porcentajes de los
valores reales.
error
 real
MAPE  x100%
n
 Ejemplo: Mes Pronostico Actual
ENE 250 243
La Sra. Smith FEB 320 315
pronosticó el total de MAR 275 286
pacientes por día ABR 260 256
con información del
MAY 250 241
año pasado, Ahora
con la información JUN 275 298
actual, ella reevaluó JUL 300 292
su pronostico. AGO 325 333
Calcular MAD, MSE SEP 320 326
y MAPE para su
OCT 350 378
pronóstico
NOV 365 382
DIC 380 396
MAD = 11.83

MSE = 192.83

MAPE = 0.0375
 Método de promedios
móviles
 Es una serie de operaciones artimeticas
 Se utiliza cuando se supone que las demandas
mantienen estables a lo largo del tiempo
 Un pronóstico de promedio móvil para el
periodo n, el cual sirve como una estimación
de la demanda del siguiente periodo se
expresa de la siguiente manera:

Pronostico de
∑ demanda en periodos anteriores
Promedio movil =
n
 Método de promedios
móviles
 Matematicamente, se describe como

Yt 1  Yt 2  ...  Yt n
Ft 
n
Donde,
Ft = pronóstico para el periodo t
Yt= valor real en el periodo t
n = número de periodos para promediar
 Mes Ventas reales
Enero 10
Febrero 12
Marzo 13
 Ejemplo:
Abril 16
Calcular el Mayo 19
pronostico Junio 23
mediante el
Julio 26
método de
Agosto 30
promedios
moviles de Septiembre 28
tres meses Octubre 18
Noviembre 16
Diciembre 14
Enero ????
Método de Promedio movil
Promedio Movil
Mes Ventas reales de 3 meses
Ene 10
Feb 12
Mar 13
Abr 16 (10 + 12 + 13)/3 = 11 2/3
May 19 (12 + 13 + 16)/3 = 13 2/3
Jun 23 (13 + 16 + 19)/3 = 16
Jul 26 (16 + 19 + 23)/3 = 19 1/3
 Grafica del promedio movil
Pronostico
30 – (promedio movil)
28 –
26 – Ventas
24 – actuales
22 –
Ventas

20 –
18 –
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
E F M A M J J A S O N D
Método del promedio móvil
ponderado
 Se utiliza cuando existe una
tendencia o patrón localizable
 La información historica juega un
papel importante

∑ (ponderacion para el periodo n)

Promedio x (Demanda del periodo n)
Movil pondereado = ∑ ponderaciones
 Método del aplicada
Ponderación promedio movil
Periodo
ponderado
3 Ultimo mes
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Promedio movil ponderado
Mes Ventas actuales para 3 meses
Ene 10
Feb 12
Mar 13
Abr 16 [(3 x 13) + (2 x 12) + (10)]/6 = 121/6
May 19 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3
Jun 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
Jul 26 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
 Promedio movil Vs Promedio
movil ponderado
Promedio
30 – Movil
ponderado
25 –

20 – Ventas
Ventas

actuales
15 –
Promedio
10 – Movil

5 –
| | | | | | | | | | | |
E F M A M J J A S O N D
Figure 4.2
Suavizamiento exponencial
 Es un método de pronostico movil
ponderado.
 Se necesita utilizar una constante de
suavizamiento ()
 Rango entre 0 y 1
 El valor lo escoge quien pronostica
 Implica mantener muy pocos
registros de datos historicos.
 Suavizamiento exponencial

Nuevo pronostico = Pronostico del periodo anterior

+  (demanda real del mes anterior
– pronostico del periodo anterior)

Ft = Ft – 1 + (At – 1 - Ft – 1)
where Ft = Nuevo pronostico
Ft – 1 = pronostico del periodo anterior
 = constante de suavizamiento (o ponderación)
(0 ≤  ≤ 1)
At – 1 = demanda real del periodo anterior
 Suaviazamiento
exponiencial - Ejemplo
En enero un concesionario predijo que en febrero
la demanda de un cierto modelo de Mustang sería
de 142 unidades. La demanda real en febrero fue
de 153. Utilizando la constante de suavizamiento
de  = .20, pronosticar a demanda de marzo.

Demanda pronosticada= 142 Ford Mustangs

Demanda actual = 153
Constante de suaviamiento  = .20
 Suaviazamiento
exponiencial - Ejemplo
Demanda pronosticada= 142 Ford Mustangs
Demanda actual= 153
Constante de suavizamiento  = .20

Nuevo pronostico = 142 + .2(153 – 142)

 Suaviazamiento
exponiencial - Ejemplo
Tri Toneladas
descargadas
reales

1 180

2 168
3 159
4 175
5 190
6 205
7 180
8 182
9 ?
 Suaviazamiento
exponiencial - Ejemplo
Tri Toneladas Pronostico redondeado
descargadas utilizando  =0.10
reales

1 180 175

2 168 176= 175.00+0.10(180-175)

3 159 175 =175.50+0.10(168-175.50)
4 175 173 =174.75+0.10(159-174.75)
5 190 173 =173.18+0.10(175-173.18)
6 205 175 =173.36+0.10(190-173.36)
7 180 178 =175.02+0.10(205-175.02)
8 182 178 =178.02+0.10(180-178.02)
9 ? 179= 178.22+0.10(182-178.22)
 Suaviazamiento
exponiencial - Ejemplo
Tri Toneladas Pronostico redondeado
descargadas utilizando  =0.50
reales

1 180 175

2 168 178 =175.00+0.50(180-175)

3 159 173 =177.50+0.50(168-177.50)
4 175 166 =172.75+0.50(159-172.75)
5 190 170 =165.88+0.50(175-165.88)
6 205 180 =170.44+0.50(190-170.44)
7 180 193 =180.22+0.50(205-180.22)
8 182 186 =192.61+0.50(180-192.61)
9 ? 184 =186.30+0.50(182-186.30)
 Suaviazamiento
exponiencial - Ejemplo
Pronostico Desviaciones Pronostic Desviaciones
con Absolutas con Absolutas
Actual  = 0.10 (error)  = 0.50 (error)

180 175 5 175 5

168 176 8 178 10

159 175 16 173 14

175 173 2 166 9

190 173 17 170 20

205 175 30 180 25

180 178 2 193 13

182 178 4 186 4

MAD 10.0 12
 Impacto con diferentes 
225 –

Demanda  = .5
200 – Actual
Demanda

175 –

 = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestres
Periodo Mes Demanda actual
1 Ene 37
2 Feb 40
3 Mar 41
4 Abr 37
5 May 45
6 Jun 50
7 Jul 43
8 Ago 47
9 Sept 56

 Calcule con 2 meses el con el método de promedio móvil

 Calcule con 3 meses con el método de promedio movil
ponderado donde las ponderaciones seran 4, 2, 1 pasado
tres meses
 Calcule utilizando el método de pronostico con
suavizacion explonencial usando using  = 0.7
 Usando MAD, escoger cual es la mejor opción
22month
meses Desv. Abs 2 meses P Movil Desv. Abs Suavizamiento Desv. Abs
P Movil
MA (error)
Abs. Dev 3 Ponderado
month WMA (error)
Abs. Dev Exponencial
Exp.Sm. (error)
Abs. Dev

37.00

37.00 3.00

38.50 2.50 39.10 1.90

40.50 3.50 40.14 3.14 40.43 3.43

39.00 6.00 38.57 6.43 38.03 6.97

41.00 9.00 42.14 7.86 42.91 7.09

47.50 4.50 46.71 3.71 47.87 4.87

46.50 0.50 45.29 1.71 44.46 2.54

45.00 11.00 46.29 9.71 46.24 9.76

51.50 51.57 53.07
MAD 5.29 5.43 4.95
 Suavizamiento exponencial
con ajustes de tendencias
Cuando la tendencia esta presente, el
suavizamiento exponencial debe ser
modificado
Pronostico Pronostico Tendencia
incliyendo (FITt) =suavizado (Ft) + (Tt) suavizada
tendencia exponencialmente exponencialmente
Suavizamiento exponencial
con ajustes de tendencias

Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)

Tt = b(Ft - Ft - 1) + (1 - b)Tt - 1

Primer paso: Calcule Ft

Segundo paso: Calcule Tt
Tercer paso: Calcule el pronostico FITt = Ft + Tt
 Suavizamiento exponencial
con ajustes de tendencias -
Ejemplo
Pronostico
Demanda Pronostico Tendencia Incluyendo
Mes(t) Actual (At) Suavizado, Ft Suavizada, Tt Tend., FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Pronostico incluyendo tendencia (FITt)
con  = .2 and b = .4
 Suavizamiento exponencial
Exponential Smoothing with
con ajustes de tendencias -
Trend Adjustment
Ejemplo Example
Pronostico
Demanda Pronostico Tendencia Incluyendo
Mes(t) Actual (At) Suavizado, Ft Suavizada, Tt Tend., FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24 Paso 1: Pronostico para el mes 2
6 21
7 31 F2 = A1 + (1 - )(F1 + T1)
8 28 F2 = (.2)(12) + (1 - .2)(11 + 2)
9 36
10 = 2.4 + 10.4 = 12.8 unidades
 Suavizamiento exponencial
Exponential Smoothing with
con ajustes de tendencias -
Trend Adjustment
Ejemplo Example
Pronostico
Demanda Pronostico Tendencia Incluyendo
Mes(t) Actual (At) Suavizado, Ft Suavizada, Tt Tend., FITt
1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24 Paso 2: Tendencia para el mes 2
6 21
7 31 T2 = b(F2 - F1) + (1 - b)T1
8 28 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
9 36
10 = .72 + 1.2 = 1.92 unidades
 Suavizamiento exponencial
Exponential Smoothing with
con ajustes de tendencias -
Trend Adjustment
Ejemplo Example
Pronostico
Demanda Pronostico Tendencia Incluyendo
Mes(t) Actual (At) Suavizado, Ft Suavizada, Tt Tend., FITt
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Paso 3: Calcular FIT para el mes 2
6 21
7 31 FIT2 = F2 + T1
8 28 FIT2 = 12.8 + 1.92
9 36
10 = 14.72 unidades
 Suavizamiento exponencial
Exponential Smoothing with
con ajustes de tendencias -
Trend Adjustment
Ejemplo Example
Pronostico
Demanda Pronostico Tendencia Incluyendo
Mes(t) Actual (At) Suavizado, Ft Suavizada, Tt Tend., FITt

1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19.91 2.23 22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27.14 2.45 29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16
Suavizamiento exponencial
Exponential Smoothing with
con ajustes de tendencias -
Trend Adjustment
Ejemplo Example
35 –

30 – Demanda actual(At)
Demanda del producto

25 –

20 –

15 –

10 – Pronostico incluyendo tendencia (FITt)

con  = .2 and b = .4
5 –

0 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Tiempo (mes)
Proyecciones de tendencias
Este técnica ajusta a una recta de tendencia a una
serie de datos puntuales historicos y después
proyecta dicha recta al futuro para obtener
pronósticos de mediano y largo plazo.
Las lineas de tendencia se pueden encontrar
utilizando la técnica de mínimos cuadrados, donde
podemos expresar la ecuación de la recta de la
siguiente manera: ^
y = a + bx
^ = valor calculado de la variable que
y
debe predecirse (valor dependiente)
a = intersección con el eje y
b = pendiente de la recta
x = variable independiente (tiempo)
 Método de mínimos
Valores de la variable dependiente cuadrados
Observacion actual Deviacion7
(valor de y)

Deviacion5 Deviacion6

Deviacion3

Deviacion4

Deviacion1
(error) Deviacion2
^ = a + bx
Linea de tendencia, y

Periodo de tiempo
 Método de mínimos
Valores de la variable dependiente cuadrados
Observacion actual Deviacion7
(valor de y)

Deviacion5 Deviacion6

Deviacion3 El metodo de mínimos

cuadrados minimiza la
sumaDeviacion
de la desviaciones de
4

los errores al cuadrado

Deviacion1
(error) Deviacion2
^ = a + bx
Linea de tendencia, y

Periodo de tiempo
 Método de mínimos
Least cuadrados
Squares Method
Ecuaciones para el cálculo para cualquier recta
de regresion
 Método de mínimos
Least Squares Method
cuadrados - Ejemplo
 Método de mínimos
Least Squares Example
cuadrados
Tiempo Demanda de la
Año Periodo (x) Energia Electr x2 xy
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2005 6 142 36 852
2007 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86

∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x - nx
2 2 140 - (7)(4 2)

a = y - bx = 98.86 - 10.54(4) = 56.70

 Método de mínimos
Least Squares Example
cuadrados
Time Electrical Power
Year Period (x) Demand x2 xy
1999 1 74 1 74
2000 2 79 4 158
2001La linea 3 de tendencia80 es 9 240
2002 4 90 16 360
2003 y^ 5= 56.70 + 10.54x
105 25 525
2004 6 142 36 852
2005 7 122 49 854
Sx = 28 Sy = 692 Sx2 = 140 Sxy = 3,063
x=4 y = 98.86

Sxy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
Sx - nx
2 2 140 - (7)(4 2)

a = y - bx = 98.86 - 10.54(4) = 56.70

 Método de mínimos
Least Squares Example
cuadrados
160 –
Linea de tendecia,
150 – y^ = 56.70 + 10.54x
Demanda de energía

140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
2001 2002 2003 2004 2005 2006 2007 2008 2009
año