Capitulo 3 - Pronósticos de Demanda

UNIVERSIDAD ANDRES BELLO
FACULTAD DE INGENIERIA
INGENIERIA CIVIL INDUSTRIAL
AIND3204 - Gestión de la Producción
Pronósticos de Demanda
Javier Maturana Ross

j.maturanaross1@uandresbello.edu
Introducción
• Los pronósticos son vitales para toda organización de negocios, así
como para cualquier decisión importante de la gerencia.
• El pronóstico es la base de la planeación corporativa a largo plazo.
• Los pronósticos al ser la base del plan de producción, cumplen un

rol fundamental en las decisiones táctico operacionales.
• Por lo regular un pronóstico perfecto es imposible ¿Por qué?
Javier Maturana Ross, 2020 2

Ejemplos
• Sony subestimó su demanda de Playstation 2, teniendo los
clientes que esperar semanas para recibir sus consolas
• Microsoft Xbox pensó que sería un éxito similar. Al tener más de
100.000 unidades en las tiendas sin vender, tuvo que reducir el precio
en $100 USD.
• Las dosis de vacunas de influenza el 2002-2003 se

sobreestimaron, debiendo destruir 12 millones de dosis (de un
total de 95 millones).
• El año siguiente se produjeron 87 millones, pero ese año hubo
escasez causando muchas muertes, especialmente en Colorado.
Un ejemplo gráfico
2500
2000
1500
1000
500
0
0 10 20 30 40 50 60 70 80 90 100

Ciclo de los pronósticos
Formular el Obtener Selección de un

problema Información método
Implementar el
método
Evaluar el
Usar el pronóstico
método

Pronósticos de demanda
• Considerando los ejemplos anteriores, ¿Cómo pronosticamos?
• En general, la idea es buscar el método más apropiado posible,

dentro de lo razonable.
• ¿Cómo lo hacemos? La idea es revisar y actualizar

constantemente los datos, los pronósticos y la nueva
información disponible.

Fuentes básicas de demanda
• Existen dos fuentes básicas de la demanda: dependiente e
independiente.
• Demanda Dependiente: es la demanda de un producto o

servicio provocada por la demanda de otros productos o
servicios.
• Demanda Independiente: no se deriva directamente de la

demanda de otros productos.

Ejemplos
• Por ejemplo, si una empresa vende 1.000 triciclos, entonces se
van a necesitar 1.000 ruedas delanteras y 2.000 traseras. Este
tipo de demanda interna no necesita un pronóstico, sino sólo
una tabulación (demanda dependiente).
• Por otra parte la cantidad de triciclos que la empresa podría

vender es la demanda independiente.

Fuentes básicas de demanda
• En cuanto a la demanda independiente, una empresa puede
adoptar distintas estrategias:
• Adoptar un papel activo para influir en la demanda

• Adoptar un papel pasivo y simplemente responder a la
demanda
• ¿Cómo lo hacemos?

Métodos de pronósticos
• El pronóstico se puede clasificar en cuatro tipos básicos:
• Cualitativo o subjetivos
• Análisis de series de tiempo
• Relaciones causales
• Simulación

Aplicación de
Horizonte de Exactitud N° de Nivel Método de
los
Tiempo Requerida Productos Administrativo Pronóstico
Pronósticos
Diseño de Cualitativos y
Largo Plazo Mediana Uno o Pocos Alto
Procesos Causales
Planeación de
Cualitativos y
Capacidad de Largo Plazo Mediana Uno o Pocos Alto
Causales
Instalaciones
Causales y
Planeación Mediano
Alta Pocos Medio Series de
Agregada Plazo
Tiempo
Programación
Series de
de Corto Plazo Superior Muchos Bajo
Tiempo
Actividades
Administració
Series de
n de Corto Plazo Superior Muchos Bajo
Tiempo
Inventarios
• La selección de la técnica de pronóstico a utilizar está influida por diversos
factores:
• La precisión deseada del pronóstico

• El costo del procedimiento
• Los periodos futuros a proyectarse
• La disponibilidad de personal calificado
• Validez y disponibilidad de datos históricos
• Se debe buscar:
• Precisión y objetividad
• Sensibilidad

Métodos cualitativos
• Son utilizados cuando:
• No existen suficientes datos históricos para utilizar métodos

cuantitativos.
• Los métodos cuantitativos que utilizan información histórica no
son capaces de predecir apropiadamente el futuro.
• Son subjetivos, basados en juicios y opiniones.

• Técnicas acumulativas: Deriva un pronóstico a través de la
compilación de entradas de aquellos que se encuentran al final
de la jerarquía y que tratan con lo que se pronostica.
• Por ejemplo, un pronóstico de ventas se puede derivar combinando las
entradas de cada uno de los vendedores que están más cerca de su
territorio.
• Investigación de Mercados: Se establece para recopilar datos

de varias formas (encuestas, entrevistas, etc) con el fin de
comprobar hipótesis acerca del mercado. Por lo general, se usa
para pronosticas ventas a largo plazo y de nuevos productos.

• Grupos de Consenso: Intercambio libre en reuniones. La idea
es que la discusión en grupo produzca mejores pronósticos que
cualquier individuo. Los participantes pueden ser ejecutivos,
vendedores o clientes.
• Analogía Histórica: Relaciona lo pronosticado con un artículo

similar. Es importante al planear nuevos productos en los que
las proyecciones se pueden derivar mediante el uso del
historial de un producto similar.

• Método Delphi: Es probablemente la técnica cualitativa que
más se utiliza. Un grupo de expertos responde un cuestionario.
Un moderador recopila los resultados y formula un nuevo
cuestionario que se presenta al grupo. Por lo tanto existe un
proceso de retroalimentación para el grupo mientras recibe
información nueva. No existe influencia por la presión del grupo
o individuos dominantes.

Métodos causales
• Proyección del mercado en base a datos históricos.
• Buscar la causa del comportamiento de la variable a proyectar

relacionándola con variables explicativas.
• Las variables explicativas son variables independientes, que

determinan en consecuencia las variables a proyectar.

Métodos causales
• Los modelos causales de uso más frecuente son:
• Modelo de Regresión
• Modelo Econométrico
• Método de encuestas de intenciones de compra
• Modelo de insumo-producto

Modelos de series de tiempo
• ¿Qué es una serie de tiempo?
• El objetivo de la identificación de la información histórica es

determinar un patrón básico en su comportamiento, que
permita la proyección futura de la variable deseada.
• Por ejemplo, las ventas trimestrales recopiladas durante los

últimos años se pueden utilizar para pronosticar los trimestres
futuros.

Componentes

Modelos de proyección
• Los modelos de series de tiempo más usados son:
• Promedios de móviles simples

• Alisamiento Exponencial (con algunas extensiones)
• Método de Descomposición

Promedio Móvil Simple
• Cuando la demanda de un producto no crece ni baja con
rapidez y si no tiene características estacionales, un promedio
móvil puede ser útil para eliminar las fluctuaciones aleatorias
del pronóstico.
• Es una técnica que se utiliza en pronósticos a corto plazo.
• Es un método que requiere de una serie histórica para obtener

el valor a pronosticar.

• Limitaciones:
• Requiere mucha información…
• No se adapta rápidamente al cambio.

• Cuanto más largo sea el periodo del promedio, más se uniformarán los
elementos aleatorios…
• Si existe una tendencia en los datos, el promedio móvil tiene la
característica adversa de retrasar la tendencia…


Ejemplo

Gráficamente

Actividad en clases
• Obtenga una gráfica de pronósticos utilizando promedio móvil simple
utilizando periodos de tres y nueve semanas. Comente.
SEMANA DEMANDA SEMANA DEMANDA
1 800 16 1700
2 1400 17 1800
3 1000 18 2200
4 1500 19 1900
5 1500 20 2400
6 1300 21 2400
7 1800 22 2600
8 1700 23 2000
9 1300 24 2500
10 1700 25 2600
11 1700 26 2200
12 1500 27 2200
13 2300 28 2500
14 2300 29 2400
15 2000
Javier Maturana Ross,30
2020 2100 27
Gráficamente
3.000
2.500
2.000
DEMANDA
1.500
N=3
N=9
1.000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Promedio Móvil Ponderado
• Permite asignar cualquier importancia a cada elemento siempre y
cuando la suma de todas las ponderaciones sea igual a uno.
• La experiencia y las pruebas son las formas más sencillas de elegir

las ponderaciones.
• Por regla general, el pasado más reciente es el indicador más

importante de lo que se espera en el futuro y, por lo tanto, debe
tener una ponderación más alta.
• No obstante, si los datos son estacionales, las ponderaciones se

deben establecer en forma correspondiente.

• Por ejemplo, una tienda departamental se da cuenta que en un
periodo de cuatro meses, el mejor pronóstico se deriva
utilizando 40% de las ventas reales durante el mes más
reciente, 30% de dos meses antes, 20% de tres meses antes y
10% de hace cuatro meses. Si las ventas reales fueron:
MES 1 MES 2 MES 3 MES 4 MES 5

100 90 105 95 ?

• El pronóstico para el mes 5 es:
• F(5) = 0,40*(95) + 0,30*(105) + 0,20*(90) + 0,10*(100)
• F(5) = 97,5

• Cuando existe una tendencia, las ponderaciones pueden ser utilizados
para poner más énfasis en los valores recientes.
• Donde:
• At-i : demanda real del periodo (t-i)
• n : número de periodos incluidos en el promedio
• pt-i: ponderación del periodo (t-i);
• Ft : pronostico para el periodo t
• Consideremos nuevamente nuestro ejemplo para obtener un
promedio ponderado para 3 meses utilizando las siguientes
ponderaciones:
SEMANA DEMANDA SEMANA DEMANDA
1 800 16 1700
2 1400 17 1800
3 1000 18 2200
4 1500 19 1900 N-1 70%
5 1500 20 2400 N-2 20%
6 1300 21 2400 N-3 10%
7 1800 22 2600
8 1700 23 2000
9 1300 24 2500
10 1700 25 2600
11 1700 26 2200
12 1500 27 2200
13 2300 28 2500
14 2300 29 2400
15 2000 30 2100
Gráficamente
3.000
2.500
2.000
DEMANDA
1.500 N=3
N=9
Prom. Pond
1.000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Alisamiento Exponencial
• En estos métodos, cada vez que se añade un nuevo dato, se
elimina la observación más antigua y se calcula el nuevo
pronóstico.
• Considera válida la premisa de que la importancia de los datos

disminuye mientras más antiguos sean.
• El alisamiento o suavización exponencial es una de las técnicas

más utilizada de pronóstico.

• El nombre se debe a que cada incremento del pasado se
reduce en (1 - α) .
• Para realizar el pronóstico sólo se necesitan tres datos: el

pronóstico más reciente, la demanda que se presentó para ese
período y una constante de suavizamiento α

• La ecuación para un solo pronóstico de alisamiento exponencial es
simplemente:
• F(t) = El pronóstico suavizado exponencialmente para el periodo t

• F(t-1) = El pronóstico suavizado exponencialmente para el periodo
anterior
• A(t-1) = La demanda real para el periodo anterior
• α = El índice de respuesta deseado o constante de alisamiento

Ejemplo
• En enero, un vendedor especializado en celulares, pronosticó
una demanda para febrero de 142 aparatos. La demanda real
de celulares fue de 153 celulares. Utilizando una constante de
suavización de =0,2 ; determine la demanda para marzo.
• Pronostico para marzo = 142 + 0,2*(153-142) = 144,2

Ejemplo

Ejemplo

Ejemplo
3.500
3.000
2.500
2.000
1.500
1.000
500
0
ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
DEMANDA ALFA = 0,1 ALFA = 0,5 ALFA = 0,9

Suavizamiento Exponencial Simple
ØEl analista que está a cargo de la clínica médica

utilizará el método de suavización exponencial
con alfa = 0,1 para estimar la demanda del tercer
periodo. Use el promedio correspondientes a las
dos primeras semanas para estimar un
pronóstico inicial y calcular el pronóstico de la
semana 4
Semana Llegada de pacientes

1 400
2 380
3 411
42
D1 =400
D2 =380
D3 = 411
415
410 411
Llegada de pacientes
405
nPronóstico Inicial 400 400
nF3 = (D1 + D2)/2
395
nF3 = (400 + 380)/2 = 390
390
nParaa = 0.1 385
nFt+1 = 0.1*Dt + (1 380
- 0.1)*Ft 380
nF4 = 0.1*D3 + (1 - 0.1)*F3
375
nF4 = 0.1*411 + (1 - 0.1)*390
0 1 2 3 4 5Semana 6
nF4 = 392,1
43
D1 =400
D2 =380
420
D3 = 411
415 415
D = 415
410 4 411
Llegada de pacientes 405
400 400
395
n Si la demanda real390
D4 = 415
nF5 = 0.1*415 + 0.9*392.1 = 394.1
385
380 380
375
0 1 2 3 4 5 6
Semana
44
Regresión lineal
• La regresión lineal es una metodología muy utilizada para
realizar pronósticos.
• Lo podemos hacer rápidamente utilizando Excel.

Método basado en estacionalidad
• Utilizando los índices estacionales, pronosticar la demanda mensual para enero y febrero
de 2009, si se espera que la demanda anual para 2009 sea de 1.464 toneladas.
(80+100+110)/3
96,67/99,47

Actividad en Clases
Fecha Pronóstico
Enero 118,6
Febrero 104,3
Marzo 110,4
Abril 134,9
Mayo 159,9
Junio 149,2
Julio 134,9
Agosto 128,8
Septiembre 116,5
Octubre 104,3
Noviembre 102,2
Diciembre 100,2

Tendencia
• ¿Cómo podemos incluir la tendencia en un pronóstico?
• Esto se responde a través del suavizamiento exponencial

doble.
• También se conoce como un método de suavizamiento

exponencial ajustado a la tendencia.

Tendencia
• Para poder aplicar el suavizamiento exponencial doble
necesitamos los siguientes datos y fórmulas, y seguir los
siguientes pasos:
1. Calculamos un pronóstico inicial de acuerdo a la siguiente

fórmula:
𝐹! = 𝛼𝐴! + (1 − 𝛼)(𝐹!"# + 𝑇!"# )

Tendencia
2. Calculamos un factor de tendencia de acuerdo a lo calculado
en el punto anterior:
𝑇! = 𝛽 𝐹! − 𝐹!"# + 1 − 𝛽 𝑇!"#
3. Determinamos el pronóstico a través de la suma de la

proyección del paso 1 y la tendencia del paso 2:
𝐹𝐼!$# = 𝐹! + 𝑇!

Ejemplo
Ø Médica SA, ofrece servicios de laboratorio clínico a los pacientes del Hospital Providencia, una agrupación de
10 médicos familiares asociados que brindan un nuevo programa de mantenimiento de la salud. Los gerentes
están interesados en pronosticar el número de pacientes que van a requerir análisis de sangre cada semana.
Es preciso comprar suministros y tomar una decisión acerca del número de muestras sanguíneas que serán
enviadas a otro laboratorio, para compensar las limitaciones de la capacidad del laboratorio principal.
Ø Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el corazón han
generado un incremento en las solicitudes de análisis ordinarios de sangre en todo el país. En promedio el
laboratorio realizó 28 análisis de sangre cada semana durante las 4 últimas semanas. La tendencia durante en
ese periodo fue de tres pacientes adicionales por semana.
Ø La demanda de esta semana fue de 27 análisis de sangre.
Ø Utilizar a = 0.20 y b =0.20 para calcular el pronóstico correspondiente a la semana siguiente

Ejemplo
F0 = 28 pacientes 𝐹! = 𝛼𝐴! + (1 − 𝛼)(𝐹!"# + 𝑇!"# )
T0 = 3 pacientes 𝐹# = 0,2 ∗ 27 + (1 − 0,2)(28 + 3)
A1 = 27 pacientes 𝐹# = 30,2
a = 0.20 y b = 0.20 𝑇# = 𝛽 𝐹! − 𝐹!"# + 1 − 𝛽 𝑇!"#

𝑇# = 0,2 30,2 − 28 + 1 − 0,2 3
𝑇# = 2,8
𝐹𝐼$ = 𝐹# + 𝑇# = 30,2 + 2,8 = 33

Error de Pronósticos
• El término error se refiere a la diferencia entre el valor del
pronóstico y lo que ocurrió en la realidad.
• La demanda de un producto se genera mediante la interacción

de varios factores demasiado complejos para describirlos con
precisión en un modelo. Por lo tanto, todas las proyecciones
contienen algún grado de error.
• Al analizar los errores de pronóstico, es conveniente distinguir

entre las fuentes de error y la medición de errores.

Fuentes de Error
• Los errores se pueden clasificar como sesgados o aleatorios.
• Los errores sesgados ocurren cuando se comete un error

consistente. Las fuentes de sesgo incluyen el hecho de no
incluir las variables correctas, el uso de relaciones equivocadas
entre las variables, etc.
• Los errores aleatorios se definen como aquellos que el modelo

de pronóstico utilizado no puede explicar.

Medición del error
• ¿Cómo definimos el error en términos matemáticos?
E(t) = A(t) – F(t)
• Donde:
• A(t) : demanda real del periodo t.
• F(t) : pronostico para el periodo t.
• E(t) : error en el periodo t.

Medición del error
• Varios términos comúnmente empleados para describir el grado
de error son el error estándar, error cuadrado medio (o
varianza) y desviación absoluta media (MAD).
• La desviación absoluta media (MAD) es el error promedio en

los pronósticos, mediante el uso de valores absolutos.
• Es valiosa porque, al igual que la desviación estándar, mide la

dispersión de un valor observado en relación con un valor
esperado.

Selección de un Método
Error de Pronóstico
Suma Acumulativa de errores de Pronósticos (CFE)
Mide el error total de un pronóstico
Ventajas CFE = SEt

• Los errores positivos grandes tienden a anular a los errores
negativos grandes.
• Es útil para evaluar el sesgo de un pronóstico, por ejemplo:
Si F t siempre es más bajo que D t entonces CFE cada vez será
mayor (+).
Este error creciente indica deficiencias continuas en el enfoque
del pronóstico, que puede deberse a:
ü Omisión de un elemento de tendencia o patrón cíclico.
ü Influencias estaciónales cambiaron frente al patrón
histórico.
= SEt
CFE
Error de pronóstico promedio E= n
n
57
La dispersión de los errores de pronóstico suelen ser medidas por:
Desviación estándar s = S(E - E )

t
2
n-1
58
MAD

Error Cuadrático Medio
• El último indicador que revisaremos en este curso corresponde
al error cuadrático medio, el cual se calcula de la siguiente
forma:
'
1
𝑀𝑆𝐸 = 7 𝑒 (
𝑁
%&#

Señal de Rastreo (TS)
• Una manera de monitorear los pronósticos para asegurar que
se están llevando a cabo en forma adecuada es el empleo de
una señal de rastreo.
• Una señal de rastreo es una medida de desempeño de la

efectividad del pronostico, al predecir los valores reales. Al
actualizar los pronósticos en forma semanal, mensual o
trimestral, el nuevo valor disponible de la demanda se compara
con los valores pronosticados.

MAPE
• Finalmente, un último indicador para determinar el desempeño
de un pronóstico es el Error Porcentual Absoluto Medio
(MAPE).
• Naturalmente esta relacionado al MAD, y es que mide la

desviación media en términos porcentuales, lo cual es mucho
más fácil de entender e interpretar.

MAD ; s ; MSE si los valores que entregan son:

Pequeños; el pronóstico dado generalmente se aproxima a la demanda
real.
Grandes: enuncia la posibilidad de errores de pronóstico considerable.
Los errores grandes reciben mayor ponderación en MSE y s por elevarse

el error al cuadrado.
MAD entrega un valor común de error, el que no detecta, si el error

consistió en estimaciones excesivas o de subestimaciones.
63
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
64
Mediciónes del Error

Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico,Error, del Error , absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
65
Mediciones del Error

Suma acumulativa de errores de pronósticos
Error
CFE = SE t = - 15 Cuadrado Error porcentual
Mes,
Indica que Demanda,
el pronóstico Pronóstico,
tiene la Error, del Error, absoluto, absoluto,
2
tendenciat de sobrestimar
Dt la Ft Et Et |Et| (|Et|/Dt)(100)
demanda1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
Pronóstico > Demanda
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
66

Error
CFE = - 15 Cuadrado Error porcentual
Error de pronóstico promedio
Mes, Demanda, Pronóstico, Error, del Error, absoluto, absoluto,
- 15
E =t =D-t 1,875 Ft Et Et2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12.5%
Tendencia 2del Pronóstico
240 > Demanda
220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
67

Error
Mes, Demanda, Pronóstico, Error, , del Error absoluto, absoluto,
- 15
E =t =D-t 1.875 Ft Et Et2 |Et| (|Et|/Dt)(100)
8
Cuadrado1 del error 200
medio 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4 285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
Proporciona5 medida230 250
de la variabilidad -20 400 20 8.7
6 pronóstico
del error de 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
68

Error
Mes, Demanda, Pronóstico, Error, del Error, absoluto, absoluto,
- 15
8
1 200 225 -25 625 25 12.5%
2 5275 240 220 20 400 20 8.3
MSE 3= 300 = 659.4
285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
Desviación estándar
5 230 250 -20 400 20 8.7
6 s = 27.4
260 240 20 400 20 7.7
Indica que7 la distribución
210 de errores
250 -40 1600 40 19.0
de pronóstico
8 dentro de una muestra
275 240 35 1225 35 12.7
tiene una desviación estándar de
Total -15 5275 195 81.3%
27,4 unidades.
69

Erro
Mes,
- 15Demanda, Pronóstico,Error, del error, absoluto, absolutor,
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3
MSE 3= 300 = 659.4285 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 s = 27.4
260 240 20 400 20 7.7
Desviación media absoluta
7 210 250 -40 1600 40 19.0
8 195275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
Indica que el error de pronóstico
promedio fue de 24,4 unidades en
valor absoluto.
70

Erro
CFE = - 15 Cuadrado, Error porcentual
Mes,
- 15Demanda, Pronóstico, Error, del error absoluto, absolutor,
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3
MSE 3= 300 = 285
659.4 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 s = 27.4
260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 195
275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
Error porcentual medio absoluto
81.3% Indica que, en promedio, el error de
MAPE = = 10.2% pronóstico fue de más o menos el 10% de la
8
demanda 71 real observada.

Error
Mes, Demanda, Pronóstico, Error, del error, absoluto, absoluto,
- 15
8
1 200 225 -25 625 25 12.5%
2 5275240 220 20 400 20 8.3
MSE 3= 300 = 285
659.4 15 225 15 5.0
4 8 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 s = 27.4
260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 195
275 240 35 1225 35 12.7
MAD = = 24.4
8 Total -15 5275 195 81.3%
81.3%
MAPE = = 10.2%
8
72
TS
• La señal de rastreo se calcula como la suma de los errores de
los pronósticos dividido entre la desviación media absoluta.

Ejemplo
120/2
220/3
260/4
400/6

Patrones

Criterios para la Selección de
Métodos con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando
se debe seleccionar un método de pronóstico tanto para manufactura
como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado
en el método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
a y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el
parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.
81
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
a = 0,1 65,6 14,8
a = 0,2 41,0 15,3
82
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
0,7 ; 0,2 ; 0,1 14,0 18,4
a = 0,1 65,6 14,8
a = 0,2 41,0 15,3
Promedio móvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicarían que los
pronósticos son muy bajos, n = 3 sería el mejor.
Suavización exponencial: MAD muy parecidos, CFE distintos a = 0,2
se prefiere.
83
0,7 ; 0,2 ; 0,1 14,0 18,4
a = 0,1 65,6 14,8
a = 0,2 41,0 15,3
De los tres métodos con n = 3 y a = 0,2 NO se asigna una mayor
ponderación a los niveles de demanda más recientes.
Note que Promedio móvil ponderado con ponderación 0,7 para la
demanda más reciente entrega un Sesgo (CFE) más bajo y MAD
levemente superior.
En consecuencia “Promedio Ponderado” sería el método elegido.
84
Criterio Expectativas de Gerencia
Frente a los diversos factores internos como externos (un cambio

en el promedio, en la tendencia, etc) se tiene las siguientes
posibilidades:
a) Proyecciones basadas en patrones de demanda estables, usar

valores de a más bajos o valores de n más altos, con el fin de
dar importancia a los datos históricos.
b) Proyecciones basadas en patrones de demanda dinámicas,

usar valores de a más altos o valores de n más bajos, como
los datos históricos están cambiando se pone énfasis a la
historia más nueva.
85
Criterio Expectativas de Gerencia
Uso del último período en el error de pronósticos
¿Siempre se obtiene un mejor pronóstico cuando se utiliza un

modelo de pronóstico más sofisticado?
¿Existe una técnica de pronóstico óptima para todos los

productos o servicios?
Para ambas preguntas NO
Da origen(particularmente) al Pronóstico enfocado que surge

de seleccionar el mejor pronóstico a partir de un grupo de
pronósticos generados por medio de técnicas sencillas
86
Ejemplos
alpha 0,1
Periodo A(t) F(t) e(t) e(t) abs SUM e(t) ABS MAD SUM e(t) NOR TS MAPE
1 100 120,0 -20,0 20,0 20,0 20,0 -20,0 -1,0 20%
2 120 118,0 2,0 2,0 22,0 11,0 -18,0 -1,6 2%
3 145 118,2 26,8 26,8 48,8 16,3 8,8 0,5 18%
4 80 120,9 -40,9 40,9 89,7 22,4 -32,1 -1,4 51%
5 90 116,8 -26,8 26,8 116,5 23,3 -58,9 -2,5 30%
6 85 114,1 -29,1 29,1 145,6 24,3 -88,0 -3,6 34%
7 137 111,2 25,8 25,8 171,4 24,5 -62,2 -2,5 19%
8 152 113,8 38,2 38,2 209,6 26,2 -24,0 -0,9 25%
9 131 117,6 13,4 13,4 223,0 24,8 -10,6 -0,4 10%
10 90 118,9 -28,9 28,9 251,9 25,2 -39,5 -1,6 32%
242%
10
MAPE 24%

Ejemplos

Una pequeña variación
alpha 0,9
1 100 120,0 -20,0 20,0 20,0 20,0 -20,0 -1,0 20%
2 120 102,0 18,0 18,0 38,0 19,0 -2,0 -0,1 15%
3 145 118,2 26,8 26,8 64,8 21,6 24,8 1,1 18%
4 80 142,3 -62,3 62,3 127,1 31,8 -37,5 -1,2 78%
5 90 86,2 3,8 3,8 130,9 26,2 -33,8 -1,3 4%
6 85 89,6 -4,6 4,6 135,5 22,6 -38,4 -1,7 5%
7 137 85,5 51,5 51,5 187,0 26,7 13,2 0,5 38%
8 152 131,8 20,2 20,2 207,2 25,9 33,3 1,3 13%
9 131 150,0 -19,0 19,0 226,2 25,1 14,3 0,6 14%
10 90 132,9 -42,9 42,9 269,1 26,9 -28,6 -1,1 48%
254%
10
MAPE 25%
Gráficamente

Visión global

Visión global (TS)

Un punto extraño…
alpha 0,1
1 1000 900,0 100,0 100,0 100,0 100,0 100,0 1,0 10%
2 120 910,0 -790,0 790,0 890,0 445,0 -690,0 -1,6 658%
3 145 831,0 -686,0 686,0 1576,0 525,3 -1376,0 -2,6 473%
4 80 762,4 -682,4 682,4 2258,4 564,6 -2058,4 -3,6 853%
5 90 694,2 -604,2 604,2 2862,6 572,5 -2662,6 -4,7 671%
6 85 633,7 -548,7 548,7 3411,3 568,6 -3211,3 -5,6 646%
7 137 578,9 -441,9 441,9 3853,2 550,5 -3653,2 -6,6 323%
8 152 534,7 -382,7 382,7 4235,9 529,5 -4035,9 -7,6 252%
9 131 496,4 -365,4 365,4 4601,3 511,3 -4401,3 -8,6 279%
10 90 459,9 -369,9 369,9 4971,1 497,1 -4771,1 -9,6 411%
4576%
10
MAPE 458%

Los indicadores dicen…

Gráficamente…

Otro ejemplo
MAD
120
100
80
60
40
20
0
1 2 3 4 5

Otro ejemplo
Demanda actual versus pronóstico
800
700
600
500
400
300
200
TS
100 0
0 1 2 3 4 5 6
0
1 2 3 4 5 -1
At Ft
-2
-3
-4
-5
-6

Preguntas
• Utilice la información de la tabla para pronosticar la demanda
del periodo 15 utilizando los tres métodos. Realice un gráfico
de la demanda y de los pronósticos realizados y concluya de
acuerdo a sus características.
• Considerando la información entregada ¿Qué método utilizaría

usted para pronosticar la demanda del periodo 15? Grafique y
analice la señal de rastreo (TS) y utilice todos los argumentos
posibles de acuerdo a la información de la tabla y la pregunta
anterior.
Resultados

Resultados

Capitulo 3 - Pronósticos de Demanda

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 3 - Pronósticos de Demanda

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD ANDRES BELLO

AIND3204 - Gestión de la Producción

Javier Maturana Ross

• El pronóstico es la base de la planeación corporativa a largo plazo.

• Los pronósticos al ser la base del plan de producción, cumplen un

• Por lo regular un pronóstico perfecto es imposible ¿Por qué?

Javier Maturana Ross, 2020 2

• Las dosis de vacunas de influenza el 2002-2003 se

Javier Maturana Ross, 2020 4

Formular el Obtener Selección de un

Javier Maturana Ross, 2020 5

• En general, la idea es buscar el método más apropiado posible,

• ¿Cómo lo hacemos? La idea es revisar y actualizar

Javier Maturana Ross, 2020 6

• Demanda Dependiente: es la demanda de un producto o

• Demanda Independiente: no se deriva directamente de la

Javier Maturana Ross, 2020 7

• Por otra parte la cantidad de triciclos que la empresa podría

Javier Maturana Ross, 2020 8

• Adoptar un papel activo para influir en la demanda

Javier Maturana Ross, 2020 9

Javier Maturana Ross, 2020 10

• La precisión deseada del pronóstico

Javier Maturana Ross, 2020 12

• No existen suficientes datos históricos para utilizar métodos

• Son subjetivos, basados en juicios y opiniones.

Javier Maturana Ross, 2020 13

• Investigación de Mercados: Se establece para recopilar datos

Javier Maturana Ross, 2020 14

• Analogía Histórica: Relaciona lo pronosticado con un artículo

Javier Maturana Ross, 2020 15

Javier Maturana Ross, 2020 16

• Buscar la causa del comportamiento de la variable a proyectar

• Las variables explicativas son variables independientes, que

Javier Maturana Ross, 2020 17

Javier Maturana Ross, 2020 18

• El objetivo de la identificación de la información histórica es

• Por ejemplo, las ventas trimestrales recopiladas durante los

Javier Maturana Ross, 2020 19

Javier Maturana Ross, 2020 20

• Promedios de móviles simples

Javier Maturana Ross, 2020 21

• Es una técnica que se utiliza en pronósticos a corto plazo.

• Es un método que requiere de una serie histórica para obtener

Javier Maturana Ross, 2020 22

• Requiere mucha información…

• No se adapta rápidamente al cambio.

Javier Maturana Ross, 2020 23

Javier Maturana Ross, 2020 24

Javier Maturana Ross, 2020 25

Javier Maturana Ross, 2020 26

Javier Maturana Ross, 2020 28

• La experiencia y las pruebas son las formas más sencillas de elegir

• Por regla general, el pasado más reciente es el indicador más

• No obstante, si los datos son estacionales, las ponderaciones se

Javier Maturana Ross, 2020 29

MES 1 MES 2 MES 3 MES 4 MES 5

Javier Maturana Ross, 2020 30

• F(5) = 0,40*(95) + 0,30*(105) + 0,20*(90) + 0,10*(100)

Javier Maturana Ross, 2020 31

Javier Maturana Ross, 2020 34

• Considera válida la premisa de que la importancia de los datos

• El alisamiento o suavización exponencial es una de las técnicas

• F(5) = 0,40(95) + 0,30(105) + 0,20(90) + 0,10(100)