Pronósticos

Estimar cuántas unidades nos

compraran nuestros clientes el
próximo mes.

¿Cuáles de los Calcular con exactitud la

población dominicana para el
siguientes año 2022.
enunciados son
pronósticos?
Predecir la cantidad de lluvia
que caerá en el invierno 2020.

Predecir los números que

saldrán en la lotería del
próximo domingo.
 Introducción
• La gerencia de las empresas debe prepararse para
responder a las necesidades del mercado.
• Para iniciar a tiempo la producción deben
proyectar las demandas de bienes y servicios de
sus clientes.
• Pronóstico: es sinónimo de estimar, predecir o
proyectar el comportamiento futuro de una
variable mediante el análisis de su historial.
• Es una herramienta de apoyo en el proceso de
planificación de las actividades operacionales de
una empresa.
 Manejo o Administración de la Demanda

• Estimar la demanda de un producto.

• Establecer políticas de inventario.
• Planificación de la producción.
• Estudios factibilidad de nuevas inversiones.
• Crecimiento poblacional
• Proyectar índices económicos: importaciones,
exportaciones, inflación, etc.
 Características de la Demanda
• Patrón de
45

tendencia.
40

• Patrón Estacional
35 o cíclico.

30 • Patrón Aleatorio.

25
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
 Principios de los Pronósticos
• No hay pronóstico exacto.
• El pronóstico es más preciso cuando se hace a
corto plazo.
• Los pronósticos son más precisos para grupos
o familias de artículos.
• Los pronósticos no son sustitutos de la
demanda calculada.
 Tipos de pronósticos

Pronósticos

Cualitativos Cuantitativos
Mixtos
(Subjetivos) (Objetivos)
 Técnicas Cualitativas.
• Se utilizan cuando no disponemos
de datos pasados y/o un producto
nuevo.
• Depende mucho de la experiencia
de los analistas.
• Algunas técnicas son:
1. Investigación de Mercados.
2. Paneles.
3. Método Delphi.
4. Analogía por ciclo de vida.
5. Valoración o juicio informados
(Equipo de vendedores)
 Técnicas Cuantitativas

Pronósticos

Tasas de
Promedios Causales
crecimiento

Móvil Ajuste Porcentual

Simple Ponderado Móvil Acumulada Lineal Cuadrática
Ponderado Exponencial Promedio
 Promedios o series de tiempo
Se sugieren cuando los datos no presentan una
tendencia definida.
a) Promedio simple (variación baja)
dt '
=
 dt
n
b) Promedio móvil (variación media)
dt =
'  dt
4≥K≤n
k
c) Promedio ponderado (variación media)
dt ' =
 dt.wt
 wt
 Cont. Promedios o series de tiempo
d) Promedio móvil ponderado (variación alta)
dt '
=
 dt.wt
 wt
e) Suavización exponencial (variación alta)
dt =  .dt(i −1) + (1 −  ).dt (i −1)
' '

Alfa comúnmente es menor o igual que 0.4, de 0.00 a

0.20 para variable relativamente homogénea y de
0.21 a 0.40 para variable heterogénea.
 Seguimiento a los Pronósticos

• Desviación Media Absoluta: es una de las medidas de

dispersión o variación vista en Estadística, en nuestro caso la
usaremos para comparar la eficiencia o precisión de dos o
más métodos de pronósticos.

DMA =
 dt − dt '

• Luego veremos otras medidas de seguimiento a los

pronósticos.
• Ejemplo 1: La demanda de laptop X Mes Demanda
que se ha tenido en una tienda de 1 10
la cuidad de Santiago se muestra en 2 12
la siguiente tabla. 3 13
• Determine: 4 9
5 15
a) ¿Qué tipo de pronostico se
6 12
adecua a este caso?
7 10
b) Pronostique la demanda del mes
8 13
11 mediante todos los métodos
9 11
posibles.
10 12
c) Escoja dos métodos ¿Cuál método
es más preciso?
 Demanda de laptop X en los últimos 10 meses
16

14
Demanda

12

10

8
1 2 3 4 5 6 7 8 9 10
Meses
 Promedio Simple Promedio Móvil
Mes dt
dt ’ |dt ’-dt| dt ’ |dt ’-dt|

5 15 11.0 4.0 11.0 4.0

6 12 11.8 0.2 12.3 0.3

7 10 11.8 1.8 12.3 2.3

8 13 11.6 1.4 11.5 1.5

9 11 11.8 0.8 12.5 1.5

10 12 11.7 0.3 11.5 0.5

Totales 8.5 10.0

 Pronósticos Basados en Tasas de Crecimiento

• Estos se usan cuando la variable analizada

presenta una tendencia definida y no se tiene
evidencias de qué la provoca.
a) Tasa de Crecimiento Acumulada
dn
dt ' = dn(1 + i ) t − n i=m −1
d1
b) Tasa de Crecimiento Porcentual
d k − d k −1
dt = dn(1 + i )
' t −n  d
i= k −1
m
 Modelos de Pronósticos Causales
• Estos se usan cuando la variable analizada
presenta una tendencia definida y se tiene
evidencias de la o las variables qué la provoca.
a) Regresión Lineal.
dt ' = a + b.t n.a + b t =  dt
a  t + b t 2 =  t.dt

b) Regresión Cuadrática.
n.a + b t + c t 2 =  dt
dt ' = a + b.t + c.t 2 a  t + b t 2 + c t 3 =  t.dt
a  t 2 + b t 3 + c t 4 =  t 2 .dt
 Cont. Seguimiento a los Pronósticos
• Coeficiente de correlación. Este mide que tan
fuerte es la relación de dependencia entre dos
o más variables.
n xy −  x. y
r=
(n. x 2 2
(
− ( x ) . n. y − ( y )
2 2
))
/r/ Relación
0.90 – 1.00 Muy Buena
0.70 – 0.89 Buena
0.40 – 0.69 Regular
Ejemplo 2: El ministerio de turismo está analizando la relación entre la demanda
de habitaciones en los hoteles de Puerto Plata y la cantidad de turistas que llegan
por este aeropuerto. Los datos se dan a continuación:
Años Llegadas de turistas Demandas de habitaciones
(en miles) (en miles)
2014 20.2 13.1
2015 24.0 15.2
2016 21.5 14.0
2017 25.0 15.0
2018 28.1 15.1
2019 30.3 17.0
Determine:
a) Si para el 2020 se esperan unos 20,000 turistas, ¿Cuál sería la demanda de
habitaciones?
b) ¿Qué tan fuerte es la relación existente entre llegadas de turistas y demanda de
habitaciones?
c) Proyecte la demanda de habitaciones del 2020 independientemente de la
llegada de turista.
Años Turistas(X) Habitaciones(Y) X^2 X.Y
2014 20.2 13.1 408.0 264.6
2015 24.0 15.2 576.0 364.8
2016 21.5 14.0 462.3 301.0
2017 25.0 15.0 625.0 375.0
2018 28.1 15.1 789.6 424.3
2019 30.3 17.0 918.1 515.1
totales 149.1 89.4 3779.0 2244.8

6a + 149.1b = 89.4
149.1a + 3779b = 2244.8
Ejemplo 3: A continuación, se da la demanda actual de un artículo durante un periodo de
nueve meses (de enero a septiembre). Su supervisor quiere probar dos métodos de prueba
para ver cuál resultó mejor en el periodo.
Meses enero febrero marzo abril mayo junio julio agosto sept
Demandas 110 130 150 170 160 180 140 130 140

Determine:
a) Pronostique la demanda del mes de octubre con un promedio móvil a tres meses.
b) Mediante suavización exponencial simple con una alfa de 0.3, calcule la demanda de
octubre.
c) Usando un promedio móvil ponderado con pesos de 0.60, 0.30 y 0.10, calcule el
pronóstico de octubre.
d) Con un análisis de regresión lineal simple, pronostique la demanda del mes de octubre.
e) Resuelva las preguntas anteriores según la teoría sugerida en clase.
f) Pruebe mediante DMA, cuál modelo es más confiable entre el pronóstico de la pregunta b
(PSE) y el PSE de la pregunta e.
 Distribución de la demanda por periodos
• Este ocurre cuando tenemos patrones de
estacionalidad o ciclos.
• Procedimiento:
a) Estimar la demanda del próximo año.
b) Calcular los índices de cada periodo.

Ip =
 dti
 dt
c) Distribuir la demanda en cada periodo
Ejemplo 4: A continuación, la demanda del producto A en los últimos:

Estaciones
Años Totales
I II III IV
1 10000 15500 53500 12000 91000
2 12000 14000 48000 13000 87000
3 9500 16000 54500 11500 91500
4 13000 17000 50000 14000 94000
5 11000 20000 49000 12000 92000
Totales 55500 82500 255000 62500 455500

Determine:
a) La demanda de cada una de las estaciones del 6to año.
b) La demanda de cada una de las estaciones del 6to año de manera individual.
¿Cuáles modelos de pronósticos se sugieren?
Cont. Seguimiento a los Pronósticos
Señal de Rastreo o Seguimiento: Mide si el modelo de pronóstico se
adapta a la realidad de la variable proyectada, si el modelo está bajo
control.
Limites de control:
LCI = −3.75 DMA = −3
LCS = 3.75 DMA = 3
SCEP
TS =
DMA
SCEP =  D =  dt − dt '
(TS: Señal de rastreo o seguimiento, SCEP: Suma acumulada de los
errores de pronósticos)
Señales de anomalías:
1. Un punto fuera de los límites.
2. Dos o más puntos consecutivos muy próximos a los límites.
3. Tendencia ascendente o descendente de 5 puntos consecutivos.
4. Comportamiento errático.
5. Sesgo positivo o negativo.
Ejemplo 5: Con los datos del ejemplo 1 y del método de promedio simple, analice
mediante la señal de rastreo si el modelo está bajo control.

Meses dt dt ’ D SCEP |D| ∑|D| DMA TS

5 15.0 11.0 4.0 4.0 4.0 4.0 4.0 1.00
6 12.0 11.8 0.2 4.2 0.2 4.2 2.1 2.00
7 10.0 11.8 -1.8 2.4 1.8 6.0 2.0 1.18
8 13.0 11.6 1.4 3.8 1.4 7.5 1.9 2.03
9 11.0 11.8 -0.8 3.0 0.8 8.2 1.6 1.85
10 12.0 11.7 0.3 3.4 0.3 8.5 1.4 2.37
3.75

3.00

2.25

1.50

0.75

0.00
1 2 3 4 5 6

-0.75

-1.50

-2.25

-3.00

-3.75
Selección de un Sistema de Pronóstico Adecuado

• Elementos a considerar:
a) La disponibilidad de datos: A carencia de datos
se usan métodos cualitativos.
b) El comportamiento de los datos: Patrones de
tendencia, estacionalidad…
c) El horizonte del pronóstico: Promedios a corto
plazo, tasas de corto a largo plazo y regresiones
de corto a largo plazo.
 Notas:
• La herramienta de DMA no es exclusiva de los modelos de
promedios, se pueden aplicar a cualquier modelo, tasa y
regresión.
• La formula del coeficiente de correlación supone una relación
lineal entre las variables, por lo tanto para la regresión lineal se
aplicarían directamente a las variables, mientras que para
cualquier otro modelo, se debe pronosticar la demanda por
dicho modelo y se correlacionan asumiendo que la demanda real
es la variable independiente (X ó d(t)) y la demanda pronosticada
como variable dependiente (Y ó d’(t))
• Algunas veces si los datos tienen tendencia y no nos dan la
variable que la provoca, se puede asumir que dicha variable es el
tiempo.
• Teóricamente es posible usar un modelo de Suavización
Exponencial Doble para adaptarlo cuando los datos tienen
tendencia, pero sería más confiable usar tasa de crecimiento.