PRONOSTICO

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Pronosticar: Es el arte y la ciencia de predecir los eventos
futuros. Para ello se pueden usar datos históricos y su proyección
hacia el futuro mediante algún tipo de modelo matemático.

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Horizonte de tiempo del Pronóstico

•Pronóstico a corto Plazo: hasta 1 año, pero casi siempre es menor

que 3 meses. Ej: planear compras, programar el trabajo, determinar
niveles de mano de obra, asignar el trabajo y decidir los niveles de
producción.

•Pronóstico a mediano plazo: de 3 meses a 3 años. Ej: planear las

ventas, la producción, el presupuesto.

•Pronóstico a largo plazo: 3 años o más Ej: planear nuevos

productos, gastos de capital, ubicación o ampliación de las
instalaciones

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Los 7 Pasos de un Pronóstico

1.- Determinar el uso del pronóstico

2.- Seleccionar los aspectos que se deben pronosticar.

3.- Determinar el horizonte del pronóstico

4.- Seleccionar los modelos de pronóstico

5.- Reunir los datos necesarios para elaborar el pronóstico

6.- Obtener el pronóstico

7.- Validar e implantar los resultados

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

Enfoques de Pronósticos

Jurado de opinión de
Ejecutivos
Métodos Cualitativos Método Delphi

Composición de la fuerza
de ventas
Encuesta en el mercado
de consumo

Enfoque intuitivo
Promedios Móviles (*) Modelos
Métodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyección de tendencias (*)
Modelo
Regresión Lineal (*) asociativo
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
 1.- Promedios Móviles.

Promedio Móvil = Demanda en los n periodos anteriores

Promedio Móvil Ponderado = (ponderación para periodo n) (demanda en periodo n)

ponderaciones

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la
columna central de la siguiente tabla. A la derecha se da el promedio
móvil de tres meses.
Ventas Reales de Promedio Móvil de 3
Mes Cobertizos meses

Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 112/3
Mayo 19 (12+13+16)/3 = 13 2/3
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3=19 1/3

Agosto 30 (19+23+26)/3 = 22 2/3

Septiembre 28 (23+26+30)/3= 26 1/3

Octubre 18 (26+30+28)/3= 28
Noviembre 16 (30+28+18)/3 = 25 1/3
Diciembre 14 (28+18+16)/3 = 20 2/3

Vemos que el pronóstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos
en enero próximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronóstico
para enero = (18+16+14)/3 = 16
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
Siguiendo con el ejemplo anterior. Esta empresa decidió pronosticar las ventas de
cobertizos ponderando los últimos tres meses como sigue:
Ponderación Aplicada Periodo
3 Último mes o más reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones

Ventas Reales de Promedio Móvil

Mes Cobertizos Ponderado de 3 meses

Enero 10
Febrero 12
Marzo 13
Abril 16 (3x13)+(2x12)+(10) /6 = 12 1/6
Mayo 19 (3x16)+(2x13)+(12) /6 = 14 1/3
Junio 23 (3x19)+(2x16)+(13) /6 = 17
Julio 26 (3x23)+(2x19)+(16) /6 = 201/2

Agosto 30 (3x26)+(2x23)+(19) /6 = 235/6

Septiembre 28 (3x30)+(2x26)+(23) /6 = 271/2

Octubre 18 (3x28)+(2x30)+(26) /6 = 281/3

Noviembre 16 (3x18)+(2x28)+(30) /6 = 231/3

Diciembre 14 (3x16)+(2x18)+(28) /6 = 18 2/3
 30

Promedio móvil
ponderado
Demanda de Ventas

25
Promedio móvil

20

Ventas reales
15

10

Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Mes
 2.- Suavizamiento Exponencial.

Nuevo pronóstico = pronóstico del periodo anterior + α (demanda real en

mes anterior – pronóstico del periodo anterior)

matemáticamente, se puede escribir así:

Ft = Ft-1 + α (At-1 - Ft-1 )

Ft = nuevo pronóstico
F t-1 = pronóstico anterior
α : es la ponderación, o constante de suavizado, elegida por quien
pronostica, que tiene un valor entre 0 y 1.(0 < α < 1 )
A t-1 = demanda real en el periodo anterior

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Ejemplo: En Enero, un distribuidor de automóviles predijo que la
demanda para Febrero sería de 142 camionetas Ford. La demanda
real de febrero fue de 153 autos. Si empleamos la constante de
suavizado que eligió la administración , α = 0,20, podemos pronosticar
la demanda de marzo mediante el modelo de suavizamiento
exponencial. Sustituyendo los datos del ejemplo en la fórmula,
obtenemos. (suavizamiento exponencial)

Nuevo pronóstico (para la demanda de marzo) = 142 + 0,20 (153 – 142) =

142 + 2,2 = 144,2

α siempre será dada. Se encuentra en un intervalo entre 0,05

y 0,50.

Si α es alta, o sea 0,5 el pronóstico se basa en los datos más recientes.

Si α es baja, o sea 0,1el pronóstico da poca importancia a la demanda reciente y
toma en cuenta los valores históricos de muchos períodos.
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
Error del pronóstico

Mide la precisión del modelo de pronóstico que se ha usado,

comparando los valores pronosticados con los valores reales u
observados.

Si Ft denota el pronóstico en el periodo t, y At denota la

demanda real del periodo t, el error de pronóstico (o
desviación) se define como:

Error del Pronóstico = demanda real – valor pronosticado

= A t - Ft
Medidas para calcular el Error Global del pronóstico

• Desviación Absoluta Media (MAD): Su valor se calcula sumando

los valores absolutos de los errores individuales del pronóstico y
dividiendo entre el número de periodos de datos (n)

MAD = real - pronóstico

n

Veamos un ejemplo
Durante los últimos 8 trimestres, el Puerto de Valparaíso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de α .
α = 0,10 y α = 0,50.
La siguiente tabla muestra los cálculos detallados sólo para α = 0,10
Pronóstico Pronóstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas α = 0,10 α = 0,50

1 180 175 Pronóstico del periodo Pronóstico del 175

anterior periodo anterior

2 168 176 = 175 + 0,10 ( 180 – 175) Demanda 178

real en

3 159 175 = 175,50+0,10 (168 – 175,50)

periodo
anterior
173

4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170

6 205 175 = 173,36+0,10(190-173,36) 180

7 180 178= 175,02+0,10(205-175,02) 193

8 182 178 = 178,02 + 0,10 (180-178,02) 186

9 ? 179 = 178,22 + 0,10 (182-178,22) 184

Para evaluar la precisión de ambas constantes de suavizado, calculamos
los errores de pronóstico en términos de desviaciones absolutas y MAD

Toneladas Pronóstico Desviación Pronóstico Desviación

reales Redondeado Redondeado
Absoluta Absoluta
Trimestre
Descargadas con α=0,10 Para α=0,10 con α=0,50 Para α=0,50

1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
Suma de desviaciones absolutas 84 100

MAD = desviaciones 12,50

10,50
n

Con base en este análisis, una constante de suavizado de α=0,10 es preferible a α=0,50 por que su
MAD es más pequeña.
Se debe encontrar la constante de suavizado con el menor error de pronóstico.
 • Error cuadrático Medio (MSE): Es una segunda forma de medir el
error global del pronóstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su fórmula es:

MSE = (errores de pronóstico)

n

Sigamos con el ejemplo del Puerto

de Valparaíso para determinar el
MSE

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Toneladas Pronóstico
reales Redondeado 2
Trimestre (Error)
Descargadas con α=0,10

2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) = 256
4 175 173 (2)2 = 4
2
5 190 173 17 = 289
2
6 205 175 30 = 900
2
7 180 178 2 =4
2
8 182 178 4 = 16
Suma de los cuadrados de los errores 1.558

2
MSE = (errores de pronóstico)
= 1.558 / 8 = 194,75
n

Usando un α= 0,50 se obtendría un MSE de 201,5. Por lo tanto el α= 0,10 es una mejor
elección por que se minimiza el MSE.

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 • Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores pronosticados
y los reales y se expresa como porcentaje de los valores reales. Es
decir, si hemos pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:

n
100
MAPE = real i - pronóstico i / real i
i=1

Sigamos con el ejemplo del Puerto

de Valparaíso para determinar el
MAPE

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

 Toneladas Pronóstico Error porcentual
reales Redondeado Absoluto
Trimestre
Descargadas con α=0,10 100 ( error / real)

1 180 175 100(5/180) = 2,77%

2 168 176 100(8/168) = 4,76%
3 159 175 100(16/159) = 10,06%
4 175 173 100(2/175) = 1,14%
5 190 173 100(17/190) = 8,95%
6 205 175 100(30/205) = 14,63%
7 180 178 100(2/180) = 1,11%
8 182 178 100(4/182) = 2,20%

Suma de errores porcentuales = 45,62%

MAPE = errores porcentuales absolutos = 45,62% = 5,70%

n 8
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
 3.- Proyección de Tendencias
Método de pronóstico de series de tiempo que ajusta una recta de
tendencia a una serie de datos históricos y después proyecta la
recta al futuro para pronosticar.
A través del método de Mínimos Cuadrados, encontramos la recta
que mejor se ajuste a las observaciones reales.

Una recta de mínimos cuadrados se describe en términos de su

ordenada o intersección con el eje “y” y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta
con la siguiente ecuación:

y = a + b x
y “ y gorro” = valor calculado de la variable que debe predecirse (variable dependiente)

a = ordenada

b = pendiente de la recta de regresión (o la tasa de cambio en y para los cambios dados en x)

X = variable independiente (Ej: tiempo)
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
 Los profesionales de estadísticas han desarrollado ecuaciones que se
utilizan para encontrar los valores de a y b para cualquier recta de
regresión. La pendiente b se encuentra mediante:

xy - n x y
b =
x - nx
2 2

donde:
b = pendiente de la recta de regresión

= signo de suma

x = valores conocidos de la variable independiente

y = valores conocidos de la variable dependiente
x = promedio del valor de las x
y = promedio del valor de las y
n = número de datos puntuales u observaciones.

Profesora: Paulina Mayorga Peralta Gestión de Operaciones

Calculamos la ordenada a cómo sigue:

a= y - bx

Veamos un ejemplo para aplicar estos

conceptos:
A continuación se muestra la demanda de energía eléctrica en la
ciudad de Puerto Montt, durante el año 1997 al 2003, en kilowatt.
El Jefe de Operaciones de la empresa SAESA, debe pronosticar la
demanda para el 2004 ajustando una recta de tendencia a estos datos.

Demanda de
Año Energía Eléctrica

1997 74
1998 79
1999 80
2000 90
2001 105
2002 142
2003 122
Para simplificar, transformamos los valores de x (tiempo) en números
más sencillos, como 1,2,3,4…

Demanda de
energía
2
Año Periodo (x) Eléctrica (y) x xy

1997 1 74 1 74
1998 2 79 4 158
1999 3 80 9 240
2000 4 90 16 360
2001 5 105 25 525
2002 6 142 36 852
2003 7 122 49 854
X = 28 y = 692 2
x = 140 xy = 3.063

X = 28 y = 692 = 98,86
X= =4 y=
n 7 n 7
 xy - n x y
b = = 3.063 – (7) (4) (98,86) = 295 = 10,54
x - nx
2 2 2
140- (7) ( 4 ) 28

a = y - b x = 98,86 – 10,54 (4) = 56,70

Así, la ecuación de mínimos cuadrados para la

tendencia es y = 56,70 + 10,54 x. Para proyectar la
demanda en el 2004, primero denotamos el año 2004
en el nuevo sistema de códigos como x = 8.

Demanda en el 2004 = 56,70 + 10,54 (8)

= 141,02, o 141 Kilowatt.
Profesora: Paulina Mayorga Peralta Gestión de Operaciones
 Estimamos la demanda para el 2005 insertando x = 9 en la misma
ecuación:

Demanda en el 2005 = 56,70 + 10,54 (9)

= 151,56, o 152 Kilowatt.
Para comprobar la validez del modelo, graficamos la demanda histórica y la recta
de tendencia. En este caso debemos tener cuidado y tratar de comprender el
cambio en la demanda de 2002 a 2003.

Recta de tendencia y =56,70 + 10,54 x

160
Demanda de energía

150
140
130
120
110 Demanda histórica
100
90
80

70
60
50

1997 1998 1999 2000 2001 2002 2003 2004 2005

Año
 4.- Regresión Lineal
•Regresión lineal simple:
Podemos usar el mismo modelo matemático que usamos con el método
de mínimos cuadrados para la proyección de tendencias, con el fin de
realizar un análisis de regresión lineal. Las variables dependientes que
deseamos pronosticar se simbolizan con y. Pero la variable independiente,
x, ya no necesita ser el tiempo. Usamos la ecuación.

y = a + b x

y = valor calculado de la variable que debe predecirse (variable dependiente)

a = ordenada, intersección con el eje y.

b = pendiente de la recta de regresión

X = variable independiente.

Veamos un ejemplo para mostrar cómo

usar la regresión lineal.
Los siguientes datos relacionan las cifras de ventas de un bar de un
pequeño Hotel, con el número de huéspedes registrados esa semana:

semana Huéspedes Ventas del bar

1 16 $330
2 12 270
3 18 380
4 14 300

400
Ventas del bar

350
300
250
200
150
100
50

4 8 12 16 20 Huéspedes (en miles)

 2
Ventas, y Huéspedes,x x xy

330 16 256 5.280

270 12 144 3.240
380 18 324 6.840
300 14 196 4.200

y = 1.280 X = 60 2
x = 920 xy =19.560

X = 60 y = 1.280 = 320
X= = 15 y=
n 4 n 4

xy - n x y
b = = 19.560 – (4) (15) (320) = 360 = 18
x - nx
2 2 2
920- (4) ( 15 ) 20

a = y - b x = 320 – 18(15) = 50

La ecuación de regresión estimada es, por lo tanto,

y = 50 + 18 x 0 Ventas = 50 + 18 (huéspedes)
Si el pronóstico es de 20 huéspedes la semana siguiente ¿de
cuánto se esperan que sean las ventas?

y = 50 + 18 x 0 Ventas = 50 + 18 (huéspedes)

Ventas = 50 + 18 (20)
= 410

Recta de regresión lineal Simple

400
Ventas del bar

350
300 Demanda histórica
250
200
150
100
50

4 8 12 16 20 Huéspedes (en miles)

• Error estándar de la estimación S y,x
Medida de la variabilidad alrededor de la recta de regresión,
su desviación estándar.
El cálculo se llama desviación estándar de la regresión y mide
el error desde la variable dependiente, “y”, hasta la recta de
regresión, en lugar de hasta la media.

S y,x =
( y – yc ) 2

n-2

donde:
y = valor de y de cada dato puntual
yc = valor calculado de la variable
dependiente, a partir de la ecuación de
regresión.
n = número de datos puntuales
Esta ecuación puede resultar más fácil de usar. Ambas fórmulas
entregarán el mismo resultado

S y,x = y 2 - a y - b xy

n-2

Recta de regresión lineal Simple

400
Ventas del bar

350
300 Demanda histórica
250
200
150
100
50

4 8 12 16 20 Huéspedes (en miles)

Para calcular el error estándar de la estimación , la única cifra que
necesitamos es
y2
2
y

108.900
72.900
144.400
90.000

2
y = 416.200

S y,x = y 2 - a y - b xy

n-2

S y,x = 416.200 – 50(1.280) – 18 ( 19.560)

4-2

= 60 Error estándar de la
estimación
= 7,74 $ en ventas
• Coeficiente de correlación para rectas de regresión

Sirve para medir o evaluar la relación entre las dos variables

de una regresión lineal. Se expresa con la letra “r”.

Para calcular el valor, se utiliza la siguiente fórmula:

n xy - x y
r=
2 2
2 2
n x - x n y - y

El coeficiente de correlación “r” puede ser cualquier

número entre +1 y -1.
Cuatro valores del coeficiente de correlación.

y y

Correlación positiva perfecta Correlación positiva r= 0< r <1

r= +1

X X
y y

X X
Correlación negativa perfecta
No hay Correlación r= 0
r= -1
Siguiendo con el ejemplo, calcular el coeficiente de correlación:

2 2
Ventas, y Huéspedes,x x xy y

330 16 256 5.280 108.900

270 12 144 3.240 72.900

380 18 324 6.840 144.400

300 14 196 4.200 90.000

y = 1.280 X = 60 2 2
x = 920 xy =19.560 y = 416.200

(4) (19.560) - (60) (1.280)

r=
2 2
(4) (920)- (60) (4) (416.200)- (1.280)

= 1.440 1.440
= = 0,993619798

2.112.000 1453,27217
Correlación positiva r= 0< r <1
 • Regresión Lineal Múltiple

La regresión múltiple es una extensión práctica del modelo simple de

regresión que acabamos de ver. Nos permite construir un modelo con
varias variables independientes en lugar de sólo una variable. Por
ejemplo, si en el ejemplo anterior se desea incluir el alza en los pasajes
de los huéspedes, la ecuación apropiada sería:

y = a + b 1 x 1 + b2 x 2

y = variable dependiente, ventas

a = una constante

x1 y x2 = valores de las dos variables independientes (Ej: nº de huéspedes y alza en los

pasajes)

b1 y b2 = coeficientes de las dos variables independientes

Las matemáticas de la regresión múltiple son bastante complejas y lo usual

es que los cálculos se realicen en el computador, por lo cual dejaremos las
fórmulas para encontrar a, b1 y b2 a los libros de estadística.