Producción Notas de Case Ing.
Orlando De Antonio Suarez 09/2018
MODELOS DE PRONOSTICOS PARA LA PLANEACION DE LA DEMANDA
Introducción
Eleonora Masini1 (1993) plantea que la reflexión
acerca del futuro siempre ha sido parte del ser humano
porque hace parte de un profundo anhelo del hombre:
“la necesidad de darle sentido a su existencia”. El futuro
es un símbolo que le da significado al pasado y hace
soportable al presente, al crear un propósito de vida por
el que valga la pena luchar. Ante todo, el futuro es una
categoría mental, no una realidad materializada. La
palabra futuro significa “No aun y en ninguna parte”.
Básicamente es una dimensión en la que la imaginación
puede construir alternativas.
En este mismo sentido se ha venido utilizando este
concepto en la administración de la producción y de las
operaciones comerciales. El pronosticar forma parte
integral de la planeación de un negocio y la toma de
decisiones en ese “aun no”. De su precisión dependen la
supervivencia, el crecimiento y la rentabilidad a mediano
y largo plazo, así como la eficiencia y efectividad a corto
plazo.
1. HISTORIA DE LOS PRONÓSTICOS
A lo largo de la historia quienes ostentan el poder
ante lo incierto del futuro, han sentido la necesidad de
contar con asesores clarividentes; muchos de los cuales
han trascendido hasta el presente, (“contando en la
actualidad con bastantes seguidores”). A comienzos del
siglo XX se hicieron pocos intentos formales de predecir
las condiciones comerciales futuras, y los niveles de
producción se fijaban según sus estimaciones futuras. Sin
embargo, muchas de las técnicas de pronóstico que se
utilizan actualmente se desarrollaron en el siglo XIX; un
ejemplo de ello son los análisis de regresión, realizado
por Francis Galton y Karl Pearson en su libro Natural
inheritance (1889).
Al parece crece la preocupación por el proceso de
mirar el futuro; donde se continúan desarrollando
nuevas técnicas de pronóstico atención que se enfoca de
manera particular en los errores, que son parte
inherente de cualquier procedimiento de pronóstico. Es
raro que los pronósticos coincidan al pie de la letra con el
futuro, una vez llegado este, quienes pronostican solo
1
MEDINA, Javier. Visión compartida del futuro. Programa editorial
Universidad del Valle. 2006
pueden intentar que los inevitables errores sean tan
pequeños como sea posible.
2. PLANEACIÓN DE LA DEMANDA
En la administración, la planeación como etapa inicial
tiene un solo propósito: formular un estado que aun no
se tiene, para plantear cursos de acción y así definir
mecanismos para coordinar y controlar todas las fuentes
de demanda posibles, con el fin de poder usar con
eficiencia el sistema productivo y entregar el producto a
tiempo. Preguntas como ¿De dónde proviene la demanda
del producto o servicio de una empresa? y ¿qué puede
hacer una compañía para administrarla? Son parte de
esa planeación que se debe resolver como parte de las
herramientas necesarias para la toma de decisiones.
Existen dos fuentes básicas de la demanda: una de
carácter dependiente y otra independiente. Con un
ejemplo se puede aclarar, una compañía fabricante de
llantas vende sus productos a grandes almacenes y
servitecas, para que estas sean vendidas a los clientes
que las necesiten y les den la destinación que quieran. En
este caso la demanda es de carácter independiente,
porque está en manos única y exclusivamente del
movimiento del mercado. Sin embargo, la compañía
también vende llantas a las ensambladoras de
automóviles, en este caso el volumen de ventas depende
del movimiento del mercado que tengan los automóviles
de la ensambladora. Esto se conoce como demanda
dependiente.
Una empresa no puede hacer mucho respecto de la
demanda dependiente. Es preciso cubrirla (aunque el
producto o servicio se pueda comprar en lugar de
producirlo en forma interna). Pero sí hay mucho que una
empresa puede hacer en cuanto a la demanda
independiente, si así lo desea.
2.1. Porque Pronosticar
Determinar los cursos de acción que se tomarán a
futuro es una tarea bastante difícil; para ello es
importante que las empresas tengan información
pertinente en todas las fases de su operación, para poder
manejar una adecuada toma de decisiones en el proceso
de planeación empresarial.
Al predecir lo que va a ocurrir en el futuro, quien
elabora el pronóstico confía en la información que tiene
sobre lo ocurrido en el pasado y que son de interés
particular. Esta información se extrapola hacia el futuro,
1

con el fin de preparar el pronóstico, con la hipótesis de
que las causas que generaron los datos en el pasado, si
las condiciones no cambian, los patrones de
comportamiento se mantendrán en el futuro. Sin
embargo, es importante precisar que siempre se
generarán imprecisiones, por tanto, hay que buscar que
estas sean lo más pequeñas posibles, indicando así una
mayor certeza a la hora de pronosticar.
En vista de las imprecisiones inherentes al proceso,
¿Por qué es necesario pronosticar? La respuesta, es que
todas las organizaciones operan en una atmósfera de
“incertidumbre” y que, a pesar de este hecho, se deben
tomar decisiones que afecten el futuro de la
organización.
De esta forma las técnicas de pronóstico ayudan a
complementar el sentido y la capacidad administrativa
de los que toman las decisiones, ya que de esta forma lo
harán mejor, dependiendo si a partir de la comprensión
de las técnicas de pronóstico que usen, las utilizan de
manera adecuada, en vez de que se vean forzados a
planear el futuro sin el beneficio de esta valiosa
información complementaria.
En los últimos años, el papel del pronóstico con base
en el juicio ha cambiado. Antes de la llegada de las
técnicas modernas de pronóstico y del poder de las
computadoras, el juicio del administrador era la única
herramienta de pronóstico disponible. Sin embargo, no
existe evidencia de que los pronósticos basados solo en
juicios no sean tan precisos como aquellos que emplean
la aplicación de técnicas cuantitativas.
2.2. Qué es Pronosticar
Es el arte y la ciencia de predecir los eventos (Hechos
y condiciones) futuros2. Para esta labor de predecir se
puede involucrar el manejo de datos históricos para
proyectarlos al futuro, a través de algún tipo de modelo
matemático. También se puede proponer una predicción
del futuro en forma subjetiva o intuitiva. O también se
puede utilizar una combinación de ambas, es decir, un
modelo matemático ajustado por el buen criterio de
quién lo estima.
¿Quién requiere hacer pronósticos?
Pronosticar es de vital importancia para muchas
empresas en todos los aspectos del negocio, ya que la
predicción de hechos futuros puede incorporarse al
2
Bowerman, Bruce. O’Conell, Richard. Koeleer Anne. Pronósticos,
series de tiempo y regresión. Ed. CENGAGE. 2006.
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
proceso de toma de decisiones; por tanto, casi cualquier
organización, grande y pequeña, pública y privada, utiliza
el pronóstico ya sea implícito o explicito, debido a la
necesidad de enfrentar las condiciones futuras de las
cuales tiene un conocimiento imperfecto, cuando se
hacen procesos de planificación. Esta necesidad de hacer
pronósticos cruza todas las líneas funcionales lo mismo
que todo tipo de organizaciones. Las predicciones que en
general se hacen se orientan a las siguientes situaciones:
 En los departamentos de mercadotecnia: son usados
en la planificación de estrategias de ventas, basados
en la posible demanda de productos en las diferentes
regiones, etc.
 En las finanzas: para evaluar la variación que pueda
tener el costo del dinero, las entradas y salidas de
capital, el flujo de efectivo, etc.
 En la administración de personal: Se requiere
planificar el nivel de trabajadores a reclutar, nivel,
perfil, capacitaciones, así como la evaluación de la
oferta de mano de obra.
 En programas de producción: Estas predicciones se
elaboran para periodos específicos, de mediano y
corto plazo, planificando demanda, nivel de
producción y mantenimiento preventivo, manejo de
inventarios, turnos, a fin de cumplir con el calendario
pactado.
 En la administración de la cadena de suministro, un
buen pronóstico permite buenas relaciones con los
proveedores, ventajas en los precios de materiales
por negociaciones (economías a escala).
 En el control de procesos: Con esta proyección se
puede determinar cuándo se deben maximizar los
controles operacionales ante eventos complicados;
por ejemplo, un aumento de las ventas puede
precipitar el uso de horas extra y por consiguiente la
posibilidad de tener mayor número de defectuosos
en esos periodos adicionales.
 En la administración estratégica: se requiere
información acerca de las condiciones económicas,
precios y cambios de costos, crecimiento del
mercado, para posibles inversiones, ampliaciones o
reducción de la planta, etc.
2

2.3. Conceptos Básicos En La Elaboración De
Pronósticos3
Horizonte de Planeación: Es la longitud de tiempo
medida desde que se plantea el proceso de
planificación y que es requerida para que se puedan
desarrollar todos los objetivos planificados. Los
horizontes de planeación a largo plazo abarcan
periodos de 3 a 10 años y más; son necesarios para
planes de carácter estratégico y posicionamiento de la
organización. Los pronósticos a corto plazo abarcan
periodos no mayores a 12 meses y su uso más común
esta en el manejo de presupuestos en áreas de
producción y operaciones.
Información Transversal. Son todos aquellos valores
observados en un punto en el tiempo; ejemplo: Salario
al comenzar a trabajar y el promedio de calificaciones
de los graduados el último año. Costo del
mantenimiento de una casa el año inmediatamente
anterior y su valor actual en la zona.
Serie de Tiempo: Es un conjunto de observaciones
registradas en puntos sucesivos en el tiempo a lo largo
de periodos subsecuentes. Los conceptos básicos
alrededor de las series de tiempo son: la tendencia,
estacionalidad, ciclicidad, fluctuaciones irregulares.
Tendencia: Es el patrón subyacente de movimiento
hacia arriba o hacia abajo con respecto a un periodo de
tiempo. Esta tendencia refleja el crecimiento o
declinación de larga duración en una serie de tiempo.
Estos movimientos pueden estar determinados por
algunos de los siguientes factores:
 Cambios técnicos en la industria.
 Cambios en los gustos de los consumidores.
 Incrementos en el ingreso per cápita.
 Incrementos en la población total.
 Crecimiento del mercado.
 Inflación o deflación (cambio de precios).
Estacionalidad: Patrones periódicos de altas y bajas
que se repiten en una serie de tiempo a lo largo de
periodos cortos, (un año) y que se repiten cada año.
Generalmente son causados por variaciones
estacionales, el clima, o las costumbres de una región
determinada. Por lo general se usan series de datos
mensuales o trimestrales para examinar las variaciones
estacionales; la observación de un solo año no
3
Ibídem.
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
mostraría datos concluyentes sobre la estacionalidad
de un producto o servicio.
Ciclicidad: patrones regulares de una serie de tiempo
que se suceden durante largos periodos de tiempo.
Son los movimientos hacia arriba o hacia abajo que se
presentan alrededor de los niveles de tendencia. Estas
fluctuaciones tienen una duración de dos a ocho años,
medidos de máximo a máximo o de mínimo a mínimo.
El ciclo económico es una de las fluctuaciones más
comunes y representa periodos de prosperidad
alternados con recesión.
Fluctuaciones irregulares o Variación aleatoria:
Llamada ruido, es la desviación inexplicable o errática
de una serie de tiempo; son aquellas variaciones que
no se pueden explicar después de haber analizado las
tendencias, estacionalidad y ciclicidad. Muchas de
estas fluctuaciones irregulares en las series de tiempo
son causadas por hechos inusuales que no se pueden
predecir, como el caso de los sismos, huracanes,
guerras, huelgas y otros. Un ejemplo de ello fue lo
sucedido en el año 2002 en Colombia con la ruptura de
relaciones con los países vecinos. Este hecho afecto
profundamente las finanzas de muchas empresas, ya
que no había forma de predecirlo.
Error del Pronóstico. En toda situación en donde se
manejen datos pronosticados, hay algún grado de
incertidumbre. Por ello es importante incluir un
componente que indique en la descripción de la serie
de tiempo esta irregularidad. Un factor de error alto
está indicando una gran debilidad para predecir; por el
contrario, si el factor de error es bajo, la precisión de
los pronósticos tendrá una alta confiabilidad.
La medición del erro de un pronóstico se hace de la
siguiente forma: sea (yt) el valor real de la variable de
interés, denótese como (ŷt) el valor pronosticado para
dicho periodo (t). Luego el error del pronóstico (et)
para el periodo (t) estará dado por la resta del valor
real de la variable menos lo pronosticado.
et  yt  yˆt 
En la evaluación de la formula anterior, se presentarán
valores negativos y positivos en el análisis de una serie
de tiempos; una manera de resolver el problema es
usando valores absolutos por tanto la ecuación queda:
| et || yt  yˆ t | [1]
De esta forma, y conociendo las desviaciones
absolutas, se puede encontrar las desviaciones medias
3

absolutas para todo el pronóstico de la siguiente
forma:
 n n

  | et |  | yt  yˆ t |
 t 1  t 1  [2]
 n n 
 
 
Otra forma de evitar resultados positivos y negativos
en el cálculo del error es elevando al cuadrado los
errores; conocido como el erro cuadrático:
(e )
t
2
 ( yt  yˆ t ) 2  [3]
Así, se puede definir el erro cuadrático medio,
calculada como el promedio de los errores elevados al
cuadrado.
2.4. Horizonte De Tiempo De Los Pronósticos
Un pronóstico usualmente se clasifica según el
tiempo que abarca en el futuro, de acuerdo con este
concepto se pueden distinguir tres categorías:
1 Pronósticos a Corto Plazo. Generalmente abarcan un
periodo hasta un año, aunque regularmente el
tiempo más usado es menor a seis meses. Su uso se
oriente a la programación de trabajos, planeación de
compras, definir niveles de mano de obra, asignar
tareas y decidir sobre los niveles de producción.
2 Pronóstico a mediano Plazo. Un pronóstico a mediano
plazo se extiende de seis meses a tres años en
promedio. Su aplicación se orienta a la planeación de
ventas, producción, presupuesto, y flujo de efectivo.
De la misma forma es útil en el análisis de diferentes
planes de operación.
3 Pronósticos a Largo Plazo. En general abarca más de
tres años, su empleo se orienta a la planeación de
nuevos productos, gastos de capital, ubicación y
ampliación de instalaciones, y a la investigación y el
desarrollo. Con ellos se dimensiona el proceso
productivo.
Los pronósticos a mediano y largo plazo se distinguen
de los de corto plazo, por tres características:
a. Los pronósticos a mediano y largo plazo manejan
temas más globales, apoyando decisiones de tipo
administrativo como la planeación de: productos,
procesos, plantas (tamaño, ubicación,
implementaciones, traslados, etc.).
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
b. Los pronósticos a corto plazo tienen a su
disposición diferentes metodologías, que facilitan el
manejo poco regular que presenta la información a
corto plazo.
c. La precisión de los pronósticos a corto plazo es
mayor. Los factores que inciden en la demanda, por
ejemplo, cambian constantemente por tanto en la
medida que el horizonte de Planeación se extienda
probablemente la precisión del pronostico
disminuya.
2.5. Influencia del Ciclo de Vida del Producto
Otro factor que se debe considerar en el desarrollo
del pronóstico de ventas, en especial los de mediano y
largo plazo, es el ciclo de vida del producto. Los
productos que están en su fase de introducción y
crecimiento requieren pronósticos a más largo plazo que
los que están en su fase de madurez. Sintetizando, el
método que se utilice depende de:
1. La información disponible.
2. Costo involucrado.
3. Importancia de la decisión
4. Horizonte de tiempo.
2.6. Pasos Para La Elaboración De Pronósticos
El primer paso en la planeación es el pronóstico, es
decir, estimar la demanda futura de productos, servicios
y los recursos necesarios para producirlos; para ello se
debe tener en cuenta entre otras las siguientes
reflexiones en el horizonte de planeación: ¿qué se debe
producir?, ¿cuánto hay que producir?, ¿donde hay que
producir? y ¿cuándo hay que producir? Esto nos lleva a
identificar las fuentes potenciales de demanda, así como
la capacidad de influencia que se tiene en los niveles y
duración de esta demanda.
Todos los procedimientos formales indican el
conocimiento de las experiencias del pasado para
proyectarlas al futuro por tanto se supone que las
condiciones del futuro serán las mismas que generaron
los datos del pasado. Definiendo que el modelo de
pronósticos opera con los datos generado por los datos
históricos podemos identificar los siguientes siete pasos
en el proceso de pronósticos:
1 Determinar el uso del pronóstico ¿Qué objetivos se
persigue obtener?
2 Seleccionar la variable que se va a pronosticar
4

3 Determinar el horizonte de tiempo del pronóstico ¿Es
a corto, mediano o largo plazo?
4 Buscar los datos históricos necesarios para hacer el
pronóstico.
5 Graficar los datos históricos, para observar su
comportamiento
6 Seleccionar y validar el modelo de pronóstico
7 Hacer el pronóstico e instrumentar los resultados.
El avance mayor que han tenido los pronósticos
durante los últimos años es el software diseñado para tal
fin; se puede agruparlos en dos paquetes de interés por
los pronosticadores.
1) Paquetes estadísticos que incluyen análisis de
regresión, exploración de series de tiempo, etc.
2) Paquetes específicos de pronóstico. Ejemplo de ellos
tenemos: SAS, EViews, SPSS, toolpak para micosoft
Excel, Crisital Ball, predictor y Foercast X.
3. Enfoques de Pronósticos
Como se señalaba al inicio, no existe un solo modelo
para la elaboración de un pronóstico que sea el mejor;
sin embargo, existen dos enfoques generales en los
cuales se pueden clasificar las técnicas para pronosticar,
así como existen dos maneras de abordar todos los
modelos de decisión:
Los pronósticos cualitativos o subjetivos que
involucran algunos factores importantes tales como la
intuición, emociones, experiencias personales del que
toma la decisión, y sistemas de valores para alcanzar un
pronóstico.
Los pronósticos cuantitativos por su parte incorporan
una gran variedad de modelos matemáticos que utilizan
datos históricos y/o variables causales para pronosticar
la demanda o ventas futuras.
3.1. Métodos Cualitativos
Se basan en juicios de expertos respecto a los
factores causales de la venta de productos y servicios,
usando sus opiniones sobre la posibilidad de que dichos
factores sigan presentes en el futuro. Involucran
encuestas de opinión y estimaciones intuitivas que se
hacen a expertos respecto a eventos futuros. Dichos
métodos se usan cuando no hay disponibilidad de datos
históricos, son pocos o están fraccionados. Entre los
métodos cualitativos más usuales, se encuentran:
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
3.1.1. Consulta a la fuerza de ventas
La Encuesta a la fuerza de ventas y a clientes
describen los métodos más utilizados para productos y
servicios existentes. En muchas compañías la fuerza de
ventas entra en contacto directo con los clientes, lo cual
constituye una buena fuente de información que
considera las intenciones de los clientes a corto y
mediano plazo. Las estimaciones de ventas se obtienen
individualmente a partir de cada uno de los miembros de
la fuerza de ventas. Estas estimaciones se combinan a fin
de elaborar una estimación en todas las regiones o
zonas. Este conocimiento puede ayudar a la empresa a
lograr una predicción con rapidez y bajo costo.
El administrador de cada distrito emplea los
estimados de ventas individuales para crear una
predicción consolidada. Los administradores deben
ajustar los estimados individuales para reducir las
inclinaciones optimistas (o la pesimista, sí la fuerza de
ventas recibe bonos por exceder las proyecciones). Las
predicciones de distrito se combinan entonces hasta
crear una predicción global.
3.1.2. Encuestas a mayoristas y Detallistas
Se basa en aprovechar el conocimiento que tienen los
canales de distribución de la compañía; es muy probable
que ellos manejen productos también de la competencia,
por lo tanto, tienen un conocimiento mucho más amplio
de cómo se está comportando el mercado y el nivel de
aceptación del producto que se fabrica. Buscar esta
información puede ser bastante dispendioso, ya que no
todos los distribuidores estarán en disponibilidad de
brindar información, dado que las otras compañías
competidoras pedirán reserva del manejo de sus
productos; pero vale la pena el esfuerzo adicional.
3.1.3. Encuesta a los clientes y consumidores finales:
Una empresa también puede hacer sus predicciones
en los planes establecidos de compras futuras de sus
clientes actuales y potenciales mediante una encuesta a
los clientes. Esta información puede obtenerse
directamente por medio de encuestas personales, por
teléfono, correo o por fax para determinar los volúmenes
de productos que la empresa puede adquirir en cada
periodo en el futuro y se prepara un pronóstico de
ventas combinando las respuestas individuales de los
clientes.
Una vez combinada la información proveniente de las
empresas, normalmente se ajusta por un factor de
5

experiencia que tiene en cuenta la relación histórica
entre los requerimientos establecidos de los clientes y
las compras reales, así como la proporción anticipada del
mercado de los fabricantes. Estas cifras de ajuste se
utilizan como predicción de la demanda. La mejor
información es la que se solicita a los clientes. Para
muchas empresas esto no es práctico y solicitar una
muestra representativa de sus planes es suficiente.
Existen muchas maneras de estructurar las muestras;
las simples y estratificadas al azar, las sistemáticas y las
de grupo se encuentran entre las estructuras más
comunes. Esto puede ayudar no solamente a preparare
el pronóstico sino también a mejorar el diseño del
producto y la planeación de productos nuevos. Las
técnicas para hallar esta información es la disciplina que
se conoce como muestreo.
3.1.4. El Consenso de expertos:
Las predicciones pueden desarrollarse interrogando a
un pequeño grupo de altos ejecutivos eruditos de
diferentes departamentos, o un grupo de expertos
locales, que forman un comité donde se analizan sus
opiniones en cuanto a los valores futuros de las ventas y
de otros aspectos por predecir.
Esta técnica permite la fusión de las opiniones de
expertos interfuncionales; sin embargo, los factores
sociales o la presencia de un miembro poderoso puede
impedir que el grupo llegue a un verdadero consenso,
sesgando el trabajo hacia una idea en especial, y
llegándose prácticamente en la mayoría de los casos a un
pronóstico negociado. Este método se utiliza a menudo
en combinación con modelos estadísticos, y se obtiene
una estimación de grupo sobre la demanda. Esta técnica
es relativamente económica y es la más utilizada en
predicciones a mediano y largo plazo.
3.1.5. Método Delphi
El Consenso de Expertos utiliza información
proveniente de todos los ámbitos de la organización. El
método Delphi se utiliza para lograr un consenso dentro
de un comité, en busca de hallar una predicción a largo
plazo sobre las ventas futuras de un nuevo producto o la
situación del comportamiento de la tecnología.
Consiste en que los ejecutivos o expertos convocados
responden anónimamente a una serie de preguntas en
sesiones sucesivas, que se revisan y se retroalimentan al
grupo en general. La diferencia está en que los miembros
del comité están ubicados en sitios diferentes y sus
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
participaciones se hacen desde el anonimato. Esto ayuda
a reducir la influencia de los ejecutivos poderosos y los
efectos arrolladores de la opinión mayorista. Aunque
tome más tiempo hacer la predicción, el resultado tiende
a ser más preciso que los generados por medio del
enfoque de consenso del comité ejecutivo.
3.2. Métodos Cuantitativos
Son modelos matemáticos que se basan en
información histórica, bajo el supuesto de que los datos
de interés son relevantes para el futuro. Estos modelos
se pueden utilizar con series de tiempo. Una serie de
tiempo es un conjunto de valores observados, medidos
durante períodos sucesivos.
Los pronósticos cuantitativos se apoyan en el manejo
de series de tiempo. Una serie de tiempo se basa en la
secuencia de puntos de datos separados de manera
uniforme (semanal, mensual, trimestral y así
sucesivamente). El pronóstico de serie de tiempo implica
que los valores futuros se predicen únicamente a partir
de los valores pasados, y que cualquier otra variable se
ignore, no importa que tan valiosa sea.
Los modelos cuantitativos de pronósticos se pueden
agrupar en dos clases: modelos univariables y modelos
causales. Los modelos univariables para pronósticos
predicen valores futuros de una serie de tiempo, basados
solo en el análisis de los valores anteriores de la serie de
tiempo, para identificar un patrón de comportamiento
de datos. Luego con el supuesto de que las causas que
originaron los datos anteriores no cambian en el futuro,
se extrapolan los datos con el fin de generar
predicciones.
Los modelos causales requieren la identificación de
otras variables que se relacionan (la economía, las tasas
de interés, acciones de los competidores, etc.) y afectan
la variable que se desea predecir. La relación estadística
derivada se usa luego para el pronóstico de la variable de
interés. Es de suma importancia en la toma de decisiones
ya que a través de esta metodología se puede medir el
impacto de diferentes estrategias en cuanto a publicidad,
promociones, etc.
Dentro de las técnicas cuantitativas a estudiar se
tienen: el análisis de regresión, métodos de
descomposición y suavización exponencial.
3.2.1. Análisis de Regresión Lineal
Esta es una metodología estadística que se usa para
relacionar variables; la variable de interés se define como
6

la variable dependiente o variable de respuesta (y), a
través de uno o más predictores o variables
independientes (x).
Se sabe que existe una relación entre una variable
dependiente y otra independiente (como por ejemplo las
existentes entre: la experiencia profesional de los
trabajadores y sus respectivos sueldos, las estaturas y
pesos de personas, la producción agraria y la cantidad de
fertilizantes utilizados, etc.), puede darse el problema de
que la variable dependiente asuma múltiples valores
para una combinación de valores de las variables
independientes.
Cabe recordar que, en términos generales, una
función es un tipo de relación en la cual para cada valor
de la variable independiente le corresponde uno y sólo
un valor de la variable dependiente. La regresión lineal
simple se puede definir como el estudio de la relación
funcional entre dos variables poblacionales, una variable
(X), llamada independiente, explicativa o de predicción y
una variable (Y), llamada dependiente o variable
respuesta y presenta la siguiente notación:
Y = α + βX + ε [4]
Ejemplo, supóngase que se quiere construir un
modelo de regresión que relacione la siguiente variable
(y) = demanda de un producto de consumo.
Con las siguientes variables independientes:
x1 = precio del producto
x2 = precio promedio en la industria de productos
similares de la competencia.
x3 = gastos de publicidad para promover el producto.
x4 = Tipo de compañía de publicidad (Radio Televisión,
medios impresos, etc.) para promover el producto.
En este caso (x1, x2, y x3) son variables independientes
cuantitativas. (x4) por el contrario es una variable de tipo
independiente cualitativo, que se relaciona con la
descripción del comportamiento de las diferentes
compañías en campañas pasadas.
La construcción del modelo puede tener entre otros
los siguientes usos:
1. Describir: las relaciones entre la variable dependiente
(y) y las variables independientes (x1, x2, x3 y x4). Por
ejemplo, se puede describir el efecto por el
incremento en gastos de publicidad en la demanda
del producto.
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
2. Predecir: Demandas futuras, con base en los valores
futuros de (x1, x2, x3 y x4).
3. Controlar: las demandas futuras mediante el control
de precios del mismo, gastos de publicidad, tipos de
campañas de publicidad.
La construcción de un modelo de pronósticos se hace
usando los valores que presentan las variables
dependientes e independientes. Si son datos a lo largo
de una línea de tiempo reciben el nombre de series de
tiempo; pero si los datos son observaciones en un punto
del tiempo específico se le denominan datos
transversales. Ver numeral (2.3).
 Estimación de la Ecuación de Regresión
Consiste en determinar los valores de “α” y “β” a
partir de la muestra, es decir, encontrar los valores de (a)
y (b) con los datos observados de la muestra. El método
de estimación es el de Mínimos Cuadrados, mediante el
cual se obtiene:
n * ΣX iYi  ( ΣX i ) * ( ΣYi )
b [5]
n( ΣX i2 )  ( ΣX i ) 2
a=
ΣYi  bΣXi [6]
n
Así, la ecuación de regresión muestral estimada es:
= a + b X  [7]
Que se interpreta como:
a : es el estimador de (α), el valor estimado de la
variable (Y) cuando la variable (X = 0)
b : es el estimador de (β), es el coeficiente de regresión,
Está expresado en las mismas unidades de (Y) por
cada unidad de (X). Indica el número de unidades en
que varía (Y) cuando se produce un cambio, en una
unidad, en (X) (pendiente de la recta de regresión).
Un valor negativo de (b) sería interpretado como la
magnitud del decremento en (Y) por cada unidad de
aumento en (X).
ε: es el error
Ejemplo: se desea analizar la relación existente entre
la estatura y el peso de 12 adultos.
Tabla 1 Datos de entrada
7
 Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018

n: 12
∑XY: 128.199,5
∑X: 1.946
∑Y: 783
∑X2: 316.986
∑Y2: 52.297
(∑X)2: 3.786.916

12 * (128199.5)  (1946) * (783)

b  0.8675
12 * (316986)  (3786916)

(783)  0.8675 * (1946)

El gráfico de dispersión nos da una idea de cuál es el a  75.4
12
comportamiento de los mismos ver Grafica (1)
La ecuación de la curva de ajuste asociada al conjunto
Grafico (1) Comportamiento de los datos (Dispersión)
de datos será:
Y = 0.8675X - 75.4

De esta forma para hallar la ecuación que rige esta
serie de datos ecuación [7] (que por la forma muestra
una tendencia a la linealidad), se buscara calcular los
valores de (a y b). Este análisis estará acompañado del
manejo de los datos y cálculos necesarios que se tienen
en la tabla 9. Se obtienen de la tabla los siguientes
resultados:
Tabla 2 Datos de entrada
 Coeficiente de correlación
El coeficiente de correlación de Pearson es un índice
estadístico que mide la relación lineal entre dos variables
cuantitativas. A diferencia de la covarianza, la correlación
de Pearson es independiente de la escala de medida de
las variables. El cálculo del coeficiente de correlación
lineal se realiza dividiendo la covarianza por el producto
de las desviaciones estándar de ambas variables.
(n *  ( X i * Yi )   X i  Yi
r [8]
n X 2

 (  X ) 2 * n Y 2  (  Y ) 2 
3.2.2. Promedios Móviles:
El concepto del promedio móvil simple es el de
promediar las fluctuaciones aleatorias en una serie de
tiempo para identificar las desviaciones que subyacen en
el que dicha serie está cambiando. Esto es que, si se
tiene una serie de datos históricos confiable y de forma
continua durante un periodo apreciable, se pueden
obtener pronósticos a través de promedios móviles
promediando los puntos de los datos a lo largo de un
número deseado de periodos anteriores, con el fin de
atenuar las variaciones de temporada. Esto quiere decir
que los valores altos y bajos tienden a compensarse.

8

Grafico (2) Comportamiento de los pronósticos
Los promedios móviles son efectivos en series de
tiempo que presentan estacionarieda, es decir que
fluctúan con respecto a un nivel base constante, ver
gráfico (2) línea azul.
Tabla 3 Cálculo de Pronósticos por promedios Móviles
El promedio móvil requiere cálculos consecutivos,
cada promedio avanza con el tiempo a fin de incluir una
observación mas reciente y eliminando el punto más
lejano. Para explicar el procedimiento a seguir, se toman
los datos de la tabla (3), donde se puede apreciar
información de 24 meses en forma continua y se asume
un periodo N = 4, los pasos a seguir son:
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
 El primer paso será tomar un valor de (N) para el
ejemplo cuatro periodos y se halla su promedio que
es igual 32,75.
 Para el segundo pronóstico se deja el primer dato y se
coge la información correspondiente al periodo 5 con
un promedio de 33,5.
 Para hallar el siguiente pronóstico se procede de igual
forma que en el paso anterior, dejando el dato más
antiguo y tomando el siguiente en la lista, hasta
agotar toda la información disponible.
Los datos arrojados en los cálculos subsecuentes nos
validan la información obtenida, comparando los datos
hallados vs los datos históricos, que se toman como
ventas reales. La diferencia en valor absoluto de estos
dos datos (38 – 35,8) se le conoce como la desviación
media, El promedio de las desviaciones medias configura
la Desviación Media Absoluta.
Tabla (4) Análisis de la DMA para pronósticos por Promedios
Móviles
Elegir en número de periodos apropiados para el
análisis del pronostico (N), es un trabajo que exige algo
de análisis; Este se puede hacer a través de la Desviación
Media Absoluta que arrojan cada una de las
posibilidades de elección de tamaño de (N) que se hizo
en el caso del ejemplo. La decisión se toma con base al
análisis del valor mínimo de las desviaciones medias
absolutas DMA. Para el ejemplo el valor mínimo hallado
corresponde a la Desviación Media Absoluta DMA para
cuatro periodos, que es el tamaño que se debe usar, para
garantizar un adecuado ajuste de los datos
seleccionados. Se calcula de la siguiente manera:
Evaluando series promedios móviles en grupos de
periodos desde uno hasta 12 meses. Se inicia el análisis
9
 Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018

con un (N) = 1 al que se halla el error de la siguiente muestran eficiencia en el manejo de la tendencia y la
forma: valor Absoluto del error de (Ventas Históricas – estacionalidad.
Promedio Hallado) (ver tabla (3) última columna). Los Tabla (5) Pronóstico por Suavización exponencial Simple
resultados se tabulan tal como aparecen en la tabla (4). A
estos resultados se les busca el mínimo valor DMA que
para el ejemplo es de (3.02), correspondiendo a un
tamaño de (N) = (5). Esta información está garantizando
que la curva de pronósticos es la más cercana a la curva
de datos históricos que se tienen como base del análisis.
(Ver gráfica 2)

3.2.3. Método de los promedios móviles ponderados:

El modelo estudiado con anterioridad tiene la
particularidad de que cada uno de los datos tiene el
mismo peso porcentual. Pero hay ocasiones en que se
trabajar con valores que afectan en forma diferente el
comportamiento de los datos, obliga a que el peso
porcentual no sea el mismo para toda la serie. En este
caso se usan los promedios móviles ponderados, en el
cual se usa la opinión de expertos para evaluar el peso
que se dará a cada dato en la serie. Así el pronóstico para
el siguiente período es un promedio ponderado de las
ventas pasadas, basado en algún criterio especifico.
Si se cree que los datos más recientes son más
importantes para un pronóstico, se pueden aplicar
coeficientes de ponderación más elevados a estos datos
y permite a los pronosticadores especificar la Sea At = el promedio suavizado de una serie de
importancia relativa de cada uno de los períodos pasados tiempo, después de observar Xt, At es el pronóstico para
de datos Por ejemplo: de acuerdo a la tabla (1), el el valor de la serie de tiempo durante cualquier periodo
promedio simple para los cinco primeros meses es: 32,8; futuro. La ecuación de suavización exponencial es:
pero si necesitáramos variar la importancia de los datos
por ejemplo dar mayor peso a la información reciente, At = α  X t + 1  α   At 1
[9]
entonces trabajaríamos con los siguientes pesos 0.02,
0.05 0.14, 0,32 y 0,47; el promedio móvil ponderado Donde:
para este periodo seria de 34,39.
α : en [9] es una constante de suavización que satisface
3.2.4. Método de suavización exponencial simple o (0< α < 1). Para el inicio del proceso es necesario
alisamiento exponencial SES contar con un valor antes de observar (Xt}, (Ao), este
valor se hace coincidir con el valor observado
Tomando los datos de la tabla 3, se plantea la inmediatamente anterior al periodo 1, en el
explicación paso a paso del procedimiento SES. Horizonte de Planeación anterior. La tabla (5)
Este método es aplicable igualmente a series de muestra una serie de tiempo con 24 periodos, datos
tiempo que como el caso anterior fluctúa con respecto a históricos y At=o = 32 que será el valor del pronóstico
un nivel base. Esta técnica utiliza para la elaboración de para el periodo siguiente At=1.
pronósticos un promedio ponderado de los valores
pasados de la serie de tiempo, para pronosticar el valor
de esta en el siguiente periodo. Los pronósticos SES se
basan en promedios en los que no se ponderan de igual
forma los valores observados. Estas técnicas no tratan de
incluir efectos de tendencias estacionales, aunque
10
 Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018

Tabla (6) DMA para Suavización Exponencial Simple 3.2.5. Método Holt, suavización exponencial con
tendencia:
Tabla (7) Análisis para el pronóstico por el método Holt

El cálculo se inicia haciendo α = 0.1, aplicando la

ecuación [9], se calcula periodo a periodo el At, que a su
vez se convierte en el pronóstico para el siguiente
periodo. El error de pronóstico et se calcula como el valor
absoluto de los datos históricos – el pronóstico. Esta
información sirve de base para hallar el DMA, que es el
promedio de los et observados, el valor mínimo nos
muestra el a que tiene la mínima desviación y por tanto
la curva más ajustada a los datos históricos. La tabla (5)
nos muestra un análisis de DMA para el ejemplo de la
tabla (4), donde se puede apreciar que el menor valor es
de 2,88 correspondiendo a un (α = 0,24).
El comportamiento de los datos se puede apreciar en
el gráfico (3). Si al observar el comportamiento de los datos se
presenta una tendencia lineal creciente o decreciente a
Grafico (3) Comportamiento del pronóstico una tasa aproximadamente constante, y ninguna
estacionalidad, entonces el método Holt ofrece con
frecuencia un buen pronóstico al final del t-esimo
periodo.
El modelo Holt requiere de dos cálculos básicos, una
estimación del nivel de base por periodo (Lt), la cual
define el valor que toma Xt, definiendo el nivel de la serie
o el punto desde el cual se inicia el pronóstico, y una
tendencia por periodo (Tt) de la serie, o sea la cantidad
en la cual se incrementa la serie en cada periodo
analizado. Por ejemplo: si tenemos un L20 = 20 y T20 = 2,
quiere decir que después de observar X20 , concluimos
que el nivel de la serie es 20 y que este nivel se
A excepción de la regresión lineal, los modelos vistos incrementa en dos unidades por periodo, por tanto se
en general se comportan bien para series de tiempo que puede estimar que en cinco periodos a partir de ahora, el
no muestran tendencia o estacionalidad. Estas nivel base de la serie será de 30.
estaciones pueden ser causadas por el clima, las
Las ecuaciones para este cálculo son:
vacaciones, los días de pago, los eventos escolares o
cualquier otro fenómeno. Para este tipo de análisis se Lt = α X t + 1  α  Lt 1 + Tt 1  [10]
utilizan los siguientes métodos:
Tt = β Lt   Lt 1 + 1  β Tt 1  [11]

11
 Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018

Los cálculos presentados en la tabla (7); muestran los estacionalidad empleando diferentes constantes de
valores elegidos de (α y ß) que se hacen a partir del atenuación para cada uno de ellos.
rango (0< α < 1) y (0< ß < 1), iniciando en ambos casos en
El efecto multiplicativo se presenta cuando el patrón
0.1, Hallar la DMA se hace a partir de los cálculos
estacional en los datos depende del tamaño de los datos
interactivos de las dos constantes de suavización y
o sea cuando la magnitud del patrón estacional se
tendencia. Un ejemplo del cálculo de estos valores, se
incrementa conforme los valores aumentan y decrece
muestran en la tabla (8).
cuando los valores de los datos disminuyen.
Tabla (8) Análisis DMA método Holt
El efecto aditivo es mejor cuando el patrón estacional
BETA
en los datos no depende del valor de los datos, o sea que
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
0,1 2,86 2,8 2,74 2,7 2,75 2,8 2,83 2,86 2,92 el patrón estacional no cambia conforme la serie se
0,2 2,77 2,73 2,76 2,79 2,84 2,92 2,97 2,98 2,99 incrementa o disminuye de valor.
0,3 2,85 2,87 2,91 2,95 2,99 3,04 3,13 3,22 3,29
ALFA 0,4 2,96 3 3,05 3,11 3,17 3,23 3,3 3,35 3,39 El método consiste en estimar los parámetros del
0,5 3,07 3,13 3,19 3,25 3,31 3,36 3,42 3,5 3,58
modelo y usarlos para generar el pronóstico. La
0,6 3,19 3,26 3,33 3,4 3,48 3,59 3,68 3,78 3,88
0,7 3,31 3,39 3,47 3,6 3,72 3,84 3,95 4,07 4,21 explicación del método Winter requiere de dos
0,8 3,43 3,53 3,67 3,81 3,94 4,07 4,27 4,47 4,68 definiciones: Sea c = numero de periodos de duración del
0,9 3,54 3,69 3,84 4,02 4,23 4,46 4,69 4,95 5,25 patrón estacional. (c = 4 para información trimestral, c =
12 para datos mensuales), y sea (St) una estimación del
Si en el análisis del MAD, ambos valores no están por
factor multiplicativo estacional para el mes (t), obtenido
debajo de 0.5, es porque se está presentando
después de observar (Xt), por ejemplo, si el mes 7 es Julio
estacionalidad o comportamiento cíclico, para lo cual se
y S7 = 2. Luego de observar las ventas del producto en el
tendría que utilizar otro procedimiento de pronostico. El
periodo 7, opinamos que las ventas en el mes de Julio
gráfico (3) muestra el comportamiento de los datos en el
(ceteris paribus) sería el doble de las ventas esperadas en
método Holt.
un mes promedio.
Para el caso (Lt) y (Tt) significan lo mismo que en el
Grafico (4) Comportamiento del pronóstico por método Holt método Holt, y en cada periodo estarán actualizadas
junto con (St) con las ecuaciones del modelo.
Ecuaciones del modelo multiplicativo son:
Serie exponencial atenuada:

 X 
Lt =  α t  + 1  α   Lt 1 + Tt 1  [12]
 S 
 t  c  
Estimación de la Tendencia:
Tt = β Lt   Lt 1 + 1  β Tt 1  [13]

Estimación de la Estacionalidad:

X 
3.2.6. Modelos Holt-Winter: S t = γ t  + 1  γ S t c  [14]
Esta técnica se utiliza para pronosticar series  Lt 
temporales en las cuales están presentes la tendencia y Donde:
la estacionalidad. Cuando la serie temporal presenta una
variación constante se usa el método aditivo, si la serie α, ß y γ: Constantes de atenuación con valores entre
temporal presenta una variación creciente entonces lo (0,1)
más indicado es el uso del método multiplicativo. Se basa Tt = Estimación de la tendencia al inicio mes 1
en atenuar en forma directa la tendencia y la St = Estimación de la estacionalidad del inicio del mes 1

12

L = Estimación de la base de la estacionalidad
Mediante la ecuación [12] se actualiza la estimación
de la base de la serie, tomando un promedio ponderado.
La ecuación [13] es idéntica a la ecuación [11], usada en
el método Holt. La ecuación [14] actualiza la
estacionalidad del periodo (t), considerando un
promedio ponderado de las dos cantidades siguientes:
1. La estimación más reciente de la estacionalidad del
periodo (t) (St-c).
2. X t la cual es una estimación de la estacionalidad del
Lt
periodo (t), obtenida a partir del periodo actual.
Ejemplo: Se dispone de diferentes métodos para
hallar los parámetros requeridos. Como ejemplo se
escogió datos sobre ventas de tres años consecutivos.
Año -2 [4, 3, 10, 14, 25, 26, 38, 40, 28, 17, 16, 13]
Año -1 [9, 6, 18, 27, 48, 50, 75, 77, 52, 33, 31, 24]
Año 0 [13, 7, 23, 32, 58, 60, 90, 93, 63, 39, 37, 29]
Ventas totales durante el año -2 = 243
Ventas totales durante el año -1 = 450
Tabla 9 (Datos de entrada) método Winters multiplicativo
Los parámetros requeridos son:
L0 = Estimación de la base al inicio del mes 1
T0 = Estimación de la tendencia al inicio mes 1
S-11 = Estimación del factor estacional de enero al inicio
del mes 1
S-10 = Estimación del factor estacional de febrero al inicio
del mes 1
::
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
S0 = Estimación del factor estacional de diciembre al
inicio del mes 1
T0 = se estima mediante la fórmula:
T0 =
VPromMesAño  1  VPromMesAño  2 [15]
12
Para el caso del ejemplo T0 = 1.5
L0 = V Prom Mes Año (-1) + 5.5 (T0), Para el ejemplo 45.75
La estimación de la estacionalidad en cada uno de los
periodos en los años (-1), y (-2) se calcula dividiendo el
valor del periodo sobre el promedio mensual del año en
estudio y estas a su vez se promedian.
Así la estimación de estacionalidad de S-10 para el año
(-1) será:
9
S − 11=
37,5 Esto es 0.240
Ver columnas (1, 2 y 3, tabla 10)
Calculo de f0:
f t,k = Lt  + kTt    St+k c   [16]
Siendo (k), el periodo para el cual se está
pronosticando, iniciando en el periodo (t) en el ejercicio
propuesto (k=1). Los valores restantes los puede apreciar
en la tabla 10.
Tabla 10 (Resultados Hallados) método Winters multiplicativo
Para el modelo aditivo las ecuaciones son las
siguientes:
Serie exponencial atenuada:
Lt = α( X t  St c + 1  α  Lt 1 +Tt 1  [17]
Estimación de la Tendencia:
Tt = β Lt   Lt 1 + 1  β Tt 1  [18]
13

Estimación de la Estacionalidad:
St = γ( X t  Lt ) + 1  γ St c 
[19]
Grafico (5) Comportamiento del pronóstico por método Winter
Los valores y las definiciones son las mismas, lo único
que cambia en [14] es la observación compensada en la
ecuación [9] y la estimación de la variación estacional
observada recientemente de la ecuación [11] en [15]. Por
lo demás los cálculos y la organización de la información
son iguales.
3.2.7. Métodos ARIMA
Hasta ahora se han analizado las series temporales
desde un punto de vista determinista o clásico. Se
presenta un nuevo enfoque de estudio desde un punto
de vista estocástico o moderno, que finalizando el siglo
XX se comenzaron a desarrollar, aplicando nuevas
metodologías en el análisis de las series de tiempo con
bastante eficacia; su característica radicó en que se podía
tratar con cualquier patrón de datos y obtener un
pronóstico preciso basados en los patrones de datos
históricos suministrados. Estos modelos se han llamado
autoregresivos (AR), integrados (I), de medias móviles
(MA), diferenciándose de los modelos clásicos en que el
trato de datos no es determinístico, sino que se concibe
la serie de tiempos como valores de tipo aleatorio; es
decir se toma la serie como un proceso de tipo
estocástico.
Box y Jenkins han desarrollado modelos estadísticos
para series temporales que tienen en cuenta la
dependencia existente entre los datos, esto es, cada
observación en un momento dado es modelada en
función de los valores anteriores. Los análisis se basan en
un modelo explícito. Los modelos se conocen con el
nombre genérico de ARIMA (AutoRegresive Integrated
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
Moving Average), el modelo ARIMA permite describir un
valor como una función lineal de datos anteriores y
errores debidos al azar, además, puede incluir un
componente cíclico o estacional. Es decir, debe contener
todos los elementos necesarios para describir el
fenómeno. Box y Jenkins recomiendan como mínimo 50
observaciones en la serie temporal.
La metodología de Box y Jenkins se resume en cuatro
fases:
1. La primera fase: consiste en identificar el posible
modelo ARIMA que sigue la serie, lo que requiere:
 Decidir qué transformaciones aplicar para
convertir la serie observada en una serie
estacionaria.
 Determinar un modelo ARMA para la serie
estacionaria, es decir, los órdenes p y q de su
estructura autorregresiva y de media móvil.
2. La segunda fase: Seleccionado provisionalmente un
modelo para la serie estacionaria, se pasa a la
segunda etapa de estimación, donde los parámetros
AR y MA del modelo se estiman por máxima
verosimilitud y se obtienen sus errores estándar y los
residuos del modelo.
3. La tercera fase: es el diagnostico, donde se
comprueba que los residuos no tienen estructura de
dependencia y siguen un proceso de ruido blanco. Si
los residuos muestran estructura se modifica el
modelo para incorporarla y se repiten las etapas
anteriores hasta obtener un modelo adecuado.
4. La cuarta fase: es la predicción, una vez que se ha
obtenido un modelo adecuado se realizan
predicciones con el mismo.
La metodología trata de determinar cuál es el modelo
probabilístico que rige el comportamiento de la serie a lo
largo del tiempo.
4. EJERCICIOS PROPUESTOS
1) Las temperaturas máximas diarias de la ciudad de
Barranquilla la semana pasada fueron como sigue:
31, 30, 29, 31,30 y 29 grados (ayer)
a) Pronosticar la temperatura máxima para hoy,
utilizando un promedio móvil de tres días.
b) Pronosticar la temperatura máxima para hoy,
utilizando un promedio móvil de dos días.
14
 Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018

c) Calcular la desviación media absoluta basada en el ponderado en el cual las ventas en el año más
promedio móvil de dos días. resientes se les da un peso y las ventas de los otros
años se le dan un peso de 1 a cada una. ¿Cuál
2) Para los datos que se dan a continuación, desarrollar
método cree que sea mejor?
un pronóstico de promedios móviles con un (N=3).
5) Utilizar la suavización exponencial con una constante
Ventas Acumulada de suavización de 0,3 para pronosticar la demanda
Meses
de Autos
de arroz del problema (4). Asumir que el pronóstico
Enero 100 del último período para el año 1 es de 5.000 sacos
Febrero 105 para iniciar el procedimiento. ¿Preferiría utilizar el
Marzo 75 modelo de suavización exponencial o el modelo de
Abril 70 promedio ponderado desarrollado en el problema 4?
Mayo 65 Explique su respuesta.
Junio 80 6) La demanda para cirugía de trasplante de corazón en
Julio 85 la Clínica Shaio ha crecido constantemente en los
Agosto 90 años pasados, como se aprecia en la siguiente tabla:
Septiembre 100 Año Cirugías Realizadas
Octubre 100 1 60
Noviembre 105 2 65
Diciembre 115 3 70
3) Con los datos que se dan a continuación, desarrollar 4 72
un pronóstico de demanda de promedios móviles de 5 75
cuatro años:
6 ¿?
Año Demanda Año Demanda El director de servicios médicos predijo hace seis
1 21 7 36 años que la demanda en el año 1 sería de 58 cirugías.
2 27 8 39 a) Use la suavización exponencial, primero con una
3 27 9 27 constante de suavización de 0,7 y posteriormente
4 27 10 33 con una de 0,9, para desarrollar pronósticos para los
5 39 11 21 años 2 a 6.
6 24 12 29 b) Utilice un promedio móvil de tres años para
pronosticar las demandas de los años 4,5 y 6.
4) Los datos recolectados para la demanda de sacos de
50 libras de arroz el Leopardo se muestra en la c) Use el método de proyección de tendencia para
siguiente tabla: pronosticar las demandas de los años 1 a 6.
Año Dem Arroz Año Dem Arroz d) Con DAM como criterio, ¿cuál de los cuatro sistemas
anteriores de pronóstico es el mejor?
1 4.000 7 7.800
7) Con los siguientes datos, utilice la suavización
2 6.000 8 9.300
exponencial (α = 0.25) para desarrollar un pronóstico
3 4.000 9 12.000 de demanda. Asuma que el pronóstico para el
4 5.500 10 14.900 período inicial es de 100.
5 10.500 11 15.200 Periodo 1 2 3 4 5 6
6 8.300 Demanda 140 185 100 180 265 128
Desarrollar un promedio móvil de tres años para 8) Calcule la DAM para los siguientes pronósticos
pronosticar las ventas. Después de determinar una contra los números de ventas reales.
vez más la demanda con un promedio móvil

15
 Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018

Pronostico 1000 1100 1200 1300 a) Graficar estos datos para ver si una ecuación lineal
puede describir la relación entre los shows en
Real 950 1085 1230 1300
televisión de los conjuntos vallenatos la venta de
9) Con los siguientes datos, utilice la regresión por acordeones.
mínimos cuadrados para derivar una ecuación de b) Utilizar en método de regresión de mínimos
pronóstico. ¿Cuál es su estimado de la demanda cuadrados para derivar una ecuación del pronóstico.
para el período?
c) ¿Cuáles serán los estimados de ventas de
Periodo 1 2 3 4 5 6 acordeones si los conjuntos se presentaran
Demanda 210 270 150 330 300 390 televisión nueve veces durante el próximo mes?
12) Su gerente trata de determinar qué método de
10) Con los siguientes datos, utilice la regresión de
pronóstico usar. Basándose en los siguientes datos
mínimos cuadrados para desarrollar la relación entre
históricos, calcule el siguiente pronóstico y
el número de partidos jugados con lluvia en invierno
especifique qué procedimiento utilizaría.
y el número de juegos perdidos por el equipo de de
Fútbol Junior de Barranquilla. Si en el 2.006 se
prevén 16 partidos con lluvia, ¿cuántos partidos se
espera perderá el Júnior?

Año Partidos con Lluvia Juegos Perdidos

1996 15 5
1997 18 10
1998 10 7
1999 10 6 a) Calcule un pronóstico de promedio móvil simple a
tres meses para los periodos 4 a 12.
2000 12 9
2001 16 11 b) Calcule el promedio móvil ponderado a tres meses
con pesos de 0.50, 0.30 y 0.20 para los periodos 4 a
2002 9 6
12.
2003 15 10
c) Calcule un pronóstico de suavización exponencial
2004 10 5
simple para los periodos 2 a 12 usando un
2005 12 8 pronóstico inicial (F1) de 61 y una α de 0.30.
11) El gerente comercial de la distribuidora de d) Calcule el pronóstico de suavización exponencial con
instrumentos musicales Niche, en Barranquilla cree componente de tendencia para los periodos 2 a 12
que la demanda de acordeones puede estar con un pronóstico de tendencia inicial (T1) de 1.8,
relacionada con el número de apariciones por un pronóstico de suavización exponencial inicial (F1)
televisión Telecaribe y Canales Nacionales de los de 60, una α de 0.30 y una δ de 0.30.
conjuntos vallenatos durante el mes previo. El
gerente ha recolectado los datos que se muestran en e) Calcule la desviación absoluta media (MAD) de los
la siguiente tabla: pronósticos hechos con cada técnica en los periodos
4 a 12. ¿Qué método de pronóstico prefiere?
Demanda de Aparición en TV de
Acordeones Conjuntos Vallenatos 13) Suponga una Ft inicial de 300 unidades, una
tendencia de 8 unidades, una alfa de 0.30 y una
3 3
delta de 0.40. Si la demanda real fue finalmente de
6 4 288, calcule el pronóstico para el siguiente periodo.
7 7
14) La tabla siguiente contiene el número de quejas
5 6 recibidas en una tienda departamental durante los
10 8 primeros seis meses de operación.
8 5

16

Si se usara un promedio móvil de tres meses, ¿cuál
habría sido el pronóstico para el mes de mayo?
BIBLIOGRAFÍA
AGUIRRE Armando, Jaime. TRATAMIENTO DE SERIES
TEMPORALES. Aplicación a las ciencias de la salud.
Ediciones Díaz Santos 1994
BOWERMAN, Bruce L. O`CONNEL, Richard. KOEHLER,
Anne. Pronósticos, Series y Regresión. Un enfoque
aplicado. Ed. CENCAGE Learning. Mexico. 2007
Producción Notas de Case Ing. Orlando De Antonio Suarez 09/2018
CHASE, Richard B. Dirección y administración de la
producción y de las operaciones. Buenos Aires -
Argentina: Ed. Addison Wesley Iberoamericana, 1992.
COLLIER, David A. EVANS James R. Administración de
Operaciones
HEIZER Jay. RENDER Barry. Principios de Administración
de Operaciones. Ed. Prentice Hall. 2004
MEREDITH, Jack R. Administración de las operaciones.
México D.F: Ed. Limusa, 1999.
SCHROEDER, Roger G. Administración de operaciones.
México DF: Ed. Mc Graw Hill, 1992.
17