UNIVERSIDAD DE CUENCA

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

ADMINISTRACIÓN DE EMPRESAS

“Pronóstico”

INTEGRANTES:
Angie Herrera
César Inga
Rolando León
Gabriela Pacheco
Nancy Quito
Jessica Quituisaca

DOCENTE:

Eco. Guillermo Guamán

ASIGNATURA:

Investigación Operativa II

FECHA:

Martes, 28 de julio de 2020

PERIODO:

Marzo-agosto 2020
Contenido
PRONÓSTICO.............................................................................................................................1
¿Qué es pronostico?.................................................................................................................1
Clasificación de los modelos de series de tiempo....................................................................1
Modelos de nivel..................................................................................................................2
Modelos de tendencia..........................................................................................................3
Modelos Estacionales...........................................................................................................3
Modelos Estacionales de Tendencia.....................................................................................4
Método de promedios móviles............................................................................................5
Suavizado exponencial.........................................................................................................6
Regresión Lineal...................................................................................................................7
Factores Causales.................................................................................................................7
Ejemplo de Pronóstico.........................................................................................................7
CONCLUSIONES.......................................................................................................................8
RECOMENDACIONES..............................................................................................................9
BIBLIOGRAFÍA.......................................................................................................................10
 PRONÓSTICO
¿Qué es pronostico?
Es bien sabido que, tener un buen juicio, basarse en la intuición o tener
conciencia del estado de la economía del sector en el que se planea trabajar; no es
suficiente para diseñar una planeación de cualquier proyecto o tomar una buena decisión
estratégica. El éxito de una organización a largo plazo depende de la eficacia de la
gerencia al momento de realizar estrategias y anticipar el futuro, hay que tomar en
cuenta que, debido al cambio constante del entorno, la incertidumbre juega un papel
importante en el diseño de dichas estrategias; para lo cual se deben realizar pronósticos
correctos y precisos que favorezcan a la empresa con sus planes a largo plazo.

Tener una idea clara del concepto de pronóstico es fundamental para entender lo
que se va a tratar a continuación. Según Krajewski “un pronóstico es una predicción de
eventos futuros que se utiliza con propósitos de planificación. Los pronósticos precisos
permiten que los programadores utilicen en forma eficiente la capacidad de las
maquinas, reduzcan los tiempos de producción y recorten los inventarios” (2008).
Mathur y Solow define un pronóstico como una “predicción sobre el futuro” (1996). Un
pronóstico según Everett y Ronald “es un proceso de estimación de un acontecimiento
futuro proyectado hacia el futuro datos del pasado. Los datos del pasado se combinan
sistemáticamente en forma predeterminada para hacer una estimación del futuro”
(1991).

Si una empresa debe tomar una decisión importante o elegir qué estrategia
utilizar en algún procedimiento, entonces deberá realizar un pronóstico; ya que, según
Mathur y Solow “las decisiones estratégicas a largo plazo dependen de las predicciones
exactas” (1996, pág. 871).

Los modelos de pronóstico que se estudiaran son aquellos que usan datos
pasados para intentar predecir la demanda de artículos, las clases de modelos los más
comunes son: los modelos de series de tiempo y los modelos causales.

Clasificación de los modelos de series de tiempo

Para tener un buen entendimiento de este aspecto, es fundamental conocer el
concepto de un modelo de series de tiempo y según Mathur y Solow “es un modelo de
pronóstico cuya demanda fututa se predice sobre la base del comportamiento anterior de
la demanda durante un periodo de tiempo” (1996); teniendo en cuenta que, se entiende

1
por series de tiempo “los datos estadísticos que se recopilan, observan o registran en
intervalos de tiempo regulares” (Larios Rodríguez & Figueroa Preciado). Otra de los
aspectos que se debe tener en consideración es que “los modelos de series de tiempo
tienen un enfoque netamente predictivo y en ellos los pronósticos se elaborar solo con
base al comportamiento pasado de la variable de interés” (Rios, 2008).

Modelos de nivel
Dentro de los tipos de modelos de series de tiempo están los modelos de nivel
que, según Mathur y Solow es “un modelo de pronóstico que es aplicable cuando la
demanda por periodo es realmente constante sobre el tiempo alrededor de un valor A
fijo pero desconocido”[CITATION Mat96 \p 872 \n \t \l 12298 ] ; A no es un valor exacto y
más adelante se analizará cómo encontrar su valor.

Cuando una empresa u organización ha pertenecido a un sector por un periodo

prolongado de tiempo y se ha mantenido de un tamaño estable, lo más seguro es que la
compañía tenga una demanda constante de un año al siguiente.

La demanda real ( D t ) de la empresa puede variar, en un periodo particular (t) por

encima o por debajo de A. Estas variaciones en la demanda partiendo del valor A no
tienen ninguna explicación y se denominan error aleatorio (e).

Figura 1 Modelo de nivel.

2
 Entonces se obtiene que, en un modelo de nivel de la demanda es Dt =A +e t ; y el
error aleatorio será igual a e y el pronóstico para la demanda futura desconocida, en el
periodo t es F t= A .

Modelos de tendencia
Este modelo de pronóstico es aplicable cuando la demanda por periodo muestra
un patrón por lo general creciente o decreciente durante el tiempo, esta serie de tiempo
no es estable. Esta tendencia puede ser lineal o no lineal, pero nos centraremos en los
modelos de tendencia lineal. Las variaciones a parir de la línea de un modelo de
tendencia son errores aleatorios que se supone no tienen una explicación causal
subyacente.

Si se describe matemáticamente el modelo de tendencia lineal de la demanda D t , en un

periodo t se obtiene: Dt =A + Bt +e t ; donde A es la intersección de la línea de tendencia;
es decir, la demanda esperada en el periodo base, B es la pendiente de tendencia o,
también conocido como, el incremento esperado de la demanda por periodo. E es un
valor inexplicable aleatorio con un valor promedio de 0.

El mejor pronóstico ( F t), para la demanda ( D t ,) en algún tiempo futuro es:

F t= A+ Bt . El volumen de ventas estimado se expresa como una función de tiempo.

Modelos Estacionales
Es un modelo de pronóstico aplicable cuando la demanda por periodo en un año tiene
un patrón estacional definido que se repite cada año.
Para describir un modelo estacional, primero se debe identificar m, el número de
periodos en un año.

3
Para m periodos, el modelo estacional se describe en términos de índices de
estacionalidad S1 , S 2 , … S m, que indican si la demanda está por encima o por debajo de
un valor base, A, en cada periodo 1 ,2 … , m de un año. Un enfoque comúnmente usado
es el modelo estacional multiplicativo, en el que la demanda esperada en cualquier
estación k en un año es A∗S k . Por tanto, un valor para Sk por encima de 1significa que
la demanda esperada en ese periodo excede el valor base A.
Un modelo estacional multiplicativo para predecir la demanda D, en un periodo t
arbitrario se describe matemáticamente en términos de A y S1 , S 2 , … S m y el error
aleatorio e, en el periodo t determinando el periodo k en el año en que cae t y luego
calculando:
D t =( A∗S k ) +e t

e es el error aleatorio inexplicable con un valor promedio de 0. El mejor pronóstico, F t

para la demanda futura D, en el periodo t (donde t corresponde a la estación k) es:
F t= A∗Sk

Modelos Estacionales de Tendencia

Es un modelo de pronóstico en el que la demanda muestra tanto una tendencia lineal
como un efecto estacional.

4
Un modelo estacional de tendencia de la demanda se describe en términos de la
intersección Ay la pendiente B sobre la línea de tendencia junto con índices de
estacionalidad S1 , S 2 , … S m, que indican si la demanda esperada está por encima o por
debajo de la línea de tendencia en cada periodo 1 ,2 … , m de un año.
Características
Un modelo estacional de tendencia para predecir la demanda D, en un periodo
arbitrario t se describe matemáticamente en términos de las cantidades desconocidas
A , B y S1 , S 2 , … S m y el error aleatorio e, en el periodo t determinando el periodo k en el
año en que cae t y luego calculando:
Dt =( A+ Bt )∗S k +e t

e Es el error aleatorio inexplicable con un valor promedio de 0. El mejor pronóstico, F t

para la demanda futura D, en el periodo t (donde t corresponde a la estación k) es:
F t=( A + Bt )∗Sk

Método de promedios móviles

Utiliza el promedio de los k valores de datos más recientes en la serie de tiempo como
el pronóstico para el siguiente periodo. El término móvil indica que, mientras se dispone
de una nueva observación para la serie de tiempo, reemplaza a la observación más
antigua de la ecuación anterior y se calcula un promedio nuevo. Como resultado, el
promedio cambiará, o se moverá, conforme surjan nuevas observaciones. [ CITATION
Vil16 \l 12298 ]

Por ejemplo, con k =5 para el modelo de Good Tire, el valor de A usado en el

pronóstico de las ventas de 1993 es el promedio del número de llantas vendidas en los
cinco años anteriores:

5
 ( ventas en 1988 ) + ( ventas en 1989 ) + ( ventas en 1990 )

A=
[ + ( ventas en 1991 )+ ( ventas en 1992 ) ]
5
86000+ 76900+ 106800+ 98500+85000
A= =90640 llantas
5
Por tanto, el pronóstico, F 13, para la venta de llantas de 1993 es de 90.640 llantas.

Luego, para una nueva estimación de A, para pronosticar ventas en 1994 ( F 14 ), se

eliminan las ventas del año 1988 y se toma en cuenta las ventas de los años 1989, 1990,
1991, 1992 y se debe agregar las ventas del año 1993 y dividir estos valores para 5 años.
Cuando se comparan los valores pronosticados con la demanda real, se da un error de
pronóstico, el cual se puede calcular con las siguientes mediciones:
Error de pronóstico=Dt −F t

 Error medio cuadrado (RMSE): Evita el problema de que los errores de

pronóstico positivos, cancelen los errores de pronóstico negativos. Mientras más
pequeño sea este error es mucho mejor el modelo de pronóstico, un valor 0
indicaría un pronóstico perfecto.
n


RMSE=
√ ∑ ( Dt −F t )2
t=1
n
Error medio absoluto (MAE): Se basa en una recolección de errores de
pronóstico, usando el promedio del valor absoluto de los errores de pronóstico.
n

∑|Dt−F t|
MAE= t =1
n
 Error medio porcentual absoluto (MAPE): Es el promedio de los errores de
pronóstico absolutos como un porcentaje de la demanda real
n
| D −F |
MAPE=
t=1
(
∑ tD t ∗100
t
)
n
Ventajas: Es fácil de entender y de poner en práctica.
Desventaja: No siempre reacciona confiablemente a cambios en el valor del parámetro
A.
Suavizado exponencial
Utiliza un promedio ponderado de valores de series de tiempo pasadas como pronóstico.
Está diseñado para usar el error de pronóstico en un periodo a fin de corregir y mejorar
el pronóstico del siguiente periodo. Se utiliza la siguiente fórmula:
F t=F t−1 +α∗( Dt−1−F t −1 )

6
[ Pronóstico para = pronósticoanterior para el + error de pronósticoen
el periodo t ] [ periodo(t−1) ] [ el periodo(t−1) ]
Donde, α llamado constante de suavizado, es un valor entre 0 y 1, que se especifica para
determinar el grado en el cual el pronóstico del siguiente periodo se ve influido por el
error de pronóstico actual. Cuandoα esté más cerca de 0, más ignora el error de
pronóstico y cuando esté más cerca de 1, más grande es la fracción del error de
pronóstico que atribuye a α un cambio real.
Generalmente para una serie de tiempos estable, un valor de α entre 0,10 y 0,30 a
menudo da como resultado pronósticos confiables.
Por ejemplo, usando las ventas actuales de   D0=76900 llantas, como pronóstico inicial,
F 0 y α =0,10, como consecuencia no hay error de pronóstico.

F 1=F1−1 +α∗( D0 −F0 )

F 1=76900+0,10∗(76900−76900)
F 1=76900llantas

Luego, la demanda real para D1=81200 llantas:

F 2=F2−1 +α∗( D 1 −F 1 )

F 2=76900+0,10∗(812 00−76900)
F 2=7733 0llantas

Y así sucesivamente con los subsiguientes datos y el cálculo del error.

Regresión Lineal

7
Es un método estadístico que estudian la relación lineal existente entre dos variables.
Utiliza un enfoque para determinar valores para las variables de tal forma que
la línea resultante se ajuste de mejor manera a los datos pasados lo más exacto posible. 
Este método puede usarse en base a datos anteriores para estimar los parámetros de un
modelo de tendencia y obtener pronósticos más confiables. Al usar el método de promedios
cambiantes o el de suavizado exponencial, se obtienen pronósticos que pueden subestimar
la situación real. 
Se puede desarrollar un modelo de pronóstico más exacto basado en la confianza de que
existe una tendencia, asumiendo una tendencia lineal, un modelo apropiado para obtener
un pronóstico Ft en el periodo t es: 
 
Donde: 

Ft =A +Bt

A= La intersección de la línea de tendencia 

B= La pendiente de la línea de tendencia 
 
En la regresión lineal se usan los datos pasados para obtener estimaciones de los parámetros A
y B y además como usar estas estimaciones para hacer pronósticos futuros. 

Los estadísticos han determinado que en términos de n demandas pasadas D0, …………, D n-1,
los valores A y B que pueden proporcionar la mejor línea son:

n−1

∑ t∗Dt −n∗t́ ∗D́

B= t=0 n−1
∑ t 2−n∗t´2
t=0

A= D́−B∗ t́
Donde:
n−1

∑ Dt
D́=la demanda promedio= t=0
n
n −1

∑t n−1
t́=el valor promedio de t= t =0 =
n 2

El método de regresión da igual peso a todos los datos anteriores. Esto significa que las
estimaciones de A y B cambian solo ligeramente con cada nuevo valor de datos. Si hay un
cambio abrupto en los valores de A y/o B, deben pasar muchos periodos antes de que las
estimaciones reflejen el verdadero alcance de los nuevos valores. Cuando anticipa un cambio
abrupto en los valores reales de A y B, se dispone de mejores métodos de pronóstico. Estos

8
métodos son los procedimientos de promedios cambiantes y de suavizado exponencial que se
modifican para tomar en cuenta la tendencia.

Factores Causales
Ejemplo de Pronóstico

9
CONCLUSIONES

Los diferentes métodos de proyección nos permiten

10
RECOMENDACIONES

11
BIBLIOGRAFÍA

12