Semana 04 - Pronósticos

Gestión de Operaciones

MBA Jorge Luis Loaiza Carrasco

 ¿Qué es pronosticar?

Diferencia entre pronosticar y

planear?

 No son sinónimos

 Pronósticos se usan para

predecir dado un conjunto
de circunstancias.

 En planeación se utilizan
pronósticos para la toma de
decisiones

MBA. Jorge Luis Loaiza Carrasco

 ¿Qué es pronosticar?

Es el arte y la ciencia de predecir los eventos futuros.

Emplea datos históricos y los proyecta mediante un

modelo matemático.

Es base fundamental de todas

las decisiones empresariales:
• Recursos Humanos
• Capacidad
• Administración de la cadena
de suministro

MBA. Jorge Luis Loaiza Carrasco

 Horizontes de tiempo del pronostico:

1. Pronósticos a corto plazo

• Entre meses hasta 1 año,
• Planear compras, programar el trabajo, determinar niveles de mano
de obra.

2. Pronósticos a mediano plazo

• Entre 03 meses y 03 años.
• Para planear las ventas, la producción, elaboración de
presupuestos y flujo de efectivo.

3. Pronostico a largo plazo

• 03 años a mas.
• La planificación de nuevos productos, ubicación de las
instalaciones.

MBA. Jorge Luis Loaiza Carrasco

 ¿Por qué pronosticar?

¿Podré atender toda mi demanda?

¿Tengo el PT en almacén?
¿Tengo los insumos necesarios?

¿Tengo la mano de obra necesaria?

¿Tengo Capacidad de
Almacenamiento de MP o
PT?

¿Tengo disponible la maquinaria ¿Qué hago?

que necesito?

MBA. Jorge Luis Loaiza Carrasco

Tipos de pronostico:

1.Pronósticos económicos:
Abordan el ciclo del negocio a predecir las
tasas de inflación, suministros de dinero etc.

2.Pronósticos tecnológicos:
Predice el desempeño del progreso
tecnológico.
Predice la aceptación de un nuevo
producto.

3.Pronósticos de la demanda:
Proyecciones de las ventas de una
compañía para cada periodo en el
horizonte de planeación.

MBA. Jorge Luis Loaiza Carrasco

 7 pasos en un Sistema de pronostico:

1. Determinar el uso del pronóstico.

Ej. «Pronostico de ventas de producto terminado del
Área comercial año 2021».

2. Seleccionar los aspectos que se deben pronosticar

Ej. Programar MO, MP, No. de camiones etc.

3. Determinar el horizonte de tiempo del

pronostico. ¿Es a corto, mediano o largo plazo?

4. Seleccionar los modelos de pronósticos. Ej. Promedios

móviles , suaviza miento exponencial, análisis de regresión (Modelos
estadísticos).

5. Recopilar los datos necesarios para elaborar el

pronostico. Datos históricos de la empresa.

6. Hacer el pronostico.

7. Validar e implementar los resultados. (Comparar con los

resultados).

MBA. Jorge Luis Loaiza Carrasco

 Realidades de los pronósticos:

Los pronósticos casi nunca son

exactos.

La mayoría de las técnicas de

pronósticos suponen la existencia
de cierta estabilidad en el
sistema.

MBA. Jorge Luis Loaiza Carrasco

Tipos de pronósticos:

Métodos Métodos
Cualitativos cuantitativos

Usó cuando la situación es vaga y

poca data existente. Usado cuando la situación es
estable y existe data histórica.

Nuevos productos
Uso de técnicas matemáticas
Incorpora factores como la intuición,
Ej. Pronostico de ventas de
las emociones , las experiencias
productos etc
personales

Regresión Lineal
Estudio de Mercado
Tasas de Crecimiento
Selección del modelo de pronósticos:

1. El método depende del

comportamiento de los datos.

2. El método debe ser preciso y

entendible.

3. El método debe proveer un

beneficio.
Métodos cuantitativos:

Pronosticos
Cuantitativos

Modelos Modelos
Series de tiempo Asociativos

Promedio Prom Movil Suavizado Regresion

Movil Ponderado Exponencial Lineal
¿ Que es una serie de tiempo ?

Datos numéricos uniformemente espaciados

(semanales, mensuales, trimestrales etc).

Pronóstico basado sólo en los valores del pasado.

• Se asume que los factores que influyen en el
pasado y el presente continuará influenciado en el
futuro.

Mes: Ene Feb Mar Abr May

Ventas: 787 635 897 932 921
Descomposición de una serie de tiempo:

La Tendencia
La Tendencia Ciclica
Ciclica

SERIE
TIEMPO
La Estacionalidad Aleatorias
La
Aleatorias
Estacionalidad
La Tendencia:
• Es el movimiento gradual, hacia arriba o hacia abajo, de
los datos en el tiempo.

• Ej. Debido a los cambios en el ingreso, la población,

tecnología etc.
La Estacionalidad:

• Es un patrón de datos que se repite después de un

periodo de días, semanas, meses etc.

• Debido al clima, costumbres, etc.

• Ocurre dentro de un año.

Los Ciclos:

• Son patrones detectados en los datos, ocurren cierta

cantidad de años.

• De gran importancia para la planeación del negocio a

mediano plazo. Ej. Fenómeno del niño. Ciclos entre 4
y 8 años, Elecciones presidenciales
Las variaciones aleatorias:

• Son «saltos» generadas en los datos

por casualidad o por situaciones
inusuales.

• No siguen ningún patrón discernible

y por lo tanto no se pueden
predecir.
• Huelgas.
• Fenómenos naturales (Sismos)
 Demanda de un producto durante 4 años
-indica una tendencia creciente y una estacionalidad-
Demanda del producto o servicio

Picos estacionales Componente de tendencia

Línea de la demanda
actual

Demanda promedio durante

4 años
Variación
aleatoria

Año Año Año Año

1 2 3 4
Modelos de series de tiempo:

o Los valores en una serie de

tiempo: Es el producto o
suma de los componentes
de la serie de tiempo.

o Modelos multiplicativos:
• Yi = Ti · Si · Ci · Ri

o Modelos Aditivo:
• Yi = Ti + Si + Ci + Ri
Modelos de series de tiempo:

Pronosticos
Cuantitativos

Modelos Modelos
Series de tiempo Asociativos

Promedio Prom Movil Suavizado Regresion

Movil Ponderado Exponencial Lineal
Promedio móvil:
• Los promedios móviles son útiles si suponemos que las
demandas del mercado permanecerán bastante
estables en el tiempo.

• Un pronóstico de promedio móvil de «n» periodos, que

sirve como estimación de la demanda del siguiente
periodo.

• Esto tiende a suavizar las irregularidades del corto

plazo en la serie de datos.
Promedio móvil:
1. Industrias S.A necesita hacer un pronostico, de sus ventas con
promedio móvil de 3 meses para sus ventas

Mes ventas reales promedio móvil

3 meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 + 13) / 3 = 11.67
Mayo 19 (12 + 13 + 16) / 3 = 13.67
Junio 23 (13 + 16 + 19) / 3 = 16.00
Julio 26 (16 + 19 + 23) / 3 = 19.33
Agosto 30 (19 + 23 + 26) / 3 = 22.67
Setiembre 28 (23 + 26 + 30) / 3 = 26.33
Octubre 18 (26 + 30 + 28) / 3 = 28.00
Noviembre 16 (30 + 28 + 18) / 3 = 25.33
Desventajas de los promedios móviles:

Resta sensibilidad al método ante cambios reales de los

datos.

No reflejan muy bien las tendencias. Por que son promedios,

siempre se quedaran en niveles pasados, no predicen los
cambios hacia niveles mas altos ni bajos.

Los promedios móviles requieren amplios registros de

datos históricos.
Modelos de series de tiempo:

Pronosticos
Cuantitativos

Modelos Modelos
Series de tiempo Asociativos

Promedio Prom Movil Suavizado Regresion

Movil Ponderado Exponencial Lineal
Promedio móvil ponderado:

Se utiliza cuando la tendencia esta presente.

Los datos mas antiguos, por lo general son los menos

importantes.

Se da mayor peso a los valores mas recientes. Por

Ejemplo. 3,2,1. o 60%, 40%, 20%

(Ponderación para el periodo "n")(Dem anda en el periodo "n")

PMP=
Ponderaciones

Donde n es el número de periodos incluidos en el promedio móvil

Promedio móvil ponderado
Industrias S.A. quiere pronosticar sus ventas para el próximo enero.
Ponderando los últimos 03 meses, dando mas peso a los datos recientes
para hacerlo mas significativo.

AÑO DEMANDA REAL L PROMEDIO MOVIL DE 3 MESES

Enero 10
Febrero 12
Marzo 13
Abril 16 [(1 x 10) + (2 x 12) + (3 x 13)] / 6 = 12.17
Mayo 19 [(1 x 12) + (2 x 13) + (3 x 16)] / 6 = 14.33
Junio 23 [(1 x 13) + (2 x 16) + (3 x 19)] / 6 = 17.00
Julio 26 [(1 x 16) + (2 x 19) + (3 x 23)] / 6 = 20.50
Agosto 30 [(1 x 19) + (2 x 23) + (3 x 26)] / 6 = 23.83
Setiembre 28 [(1 x 23) + (2 x 26) + (3 x 30)] / 6 = 27.50
Octubre 18 [(1 x 26) + (2 x 30) + (3 x 28)] / 6 = 28.33
Noviembre 16 [(1 x 30) + (2 x 28) + (3 x 18)] / 6 = 23.33
Diciembre 14 [(1 x 28) + (2 x 18) + (3 x 16)] / 6 = 18.67
Enero [(1 x 18) + (2 x 16) + (3 x 14)] / 6 = 15.33
Modelos de series de tiempo:

Pronosticos
Cuantitativos

Modelos Modelos
Series de tiempo Asociativos

Promedio Prom Movil Suavizado Regresion

Movil Ponderado Exponencial Lineal
Suavizamiento exponencial:
Técnica de pronostico de promedios móviles ponderados donde los datos se
ponderan mediante una función exponencial.

• Requiere constante de suavizamiento

• Subjetivamente elegido.

• Rango de 0 a 1.
• Se eligen valores altos de para dar mas peso a datos recientes

• Valores bajos para dar mas peso a datos anteriores.

Ft = Pronóstico nuevo
Ft-1 = Pronóstico anterior
At-1 = Demanda real del periodo anterior

α = Constante de suavizado
Suavizamiento exponencial:
En Enero, el área comercial, predijo que la demanda para febrero
sería de 142 Toneladas. La demanda real para febrero fue de 153
toneladas. Usando la constante de suavizamiento que eligió la
administración de = 0.20, el vendedor quiere pronosticar la demanda
para marzo usando el modelo de suavizamiento exponencial.

Ft = Pronóstico nuevo
Ft-1 = Pronóstico anterior

At-1 = Demanda real del periodo anterior

= Constante de suavizado (0 1)

Pronóstico Marzo = 142 + 0.20 (153 – 142) = 144.2

El pronóstico de la demanda de marzo será 144.2 toneladas.

Ejercicio:

Durante los últimos 8 trimestres, se han comercializado,

grandes cantidades de grano. El Area de PCP quiere probar
el uso de suavizamiento exponencial para ver que tan bien
funciona la técnica para predecir la cantidad a comercializar.
Supone que el pronóstico de grano durante el primer
trimestre fue de 175 toneladas. Examine los valores de α =
0.10 y α = 0.50. Compare los datos reales con los
pronosticados (usando cada uno de los valores de α
 TRIMESTRE Tn REAL PRONÓSTICO
VENDIDO = 0.10

1 180 175
2 168 175.00 + 0.10 (180 - 175.00) = 175.50
3 159 175.50 + 0.10 (168 - 175.50) = 174.75
4 175 174.75 + 0.10 (159 - 174.75) = 173.18
5 190 173.18 + 0.10 (175 -173.18) = 173.36
6 205 173.36 + 0.10 (190 – 173.36) = 175.02
7 180 175.02 + 0.10 (205 – 175.02) = 178.02
8 182 178.02 + 0.10 (180 – 178.02) = 178.22
9 178.22 + 0.10 (182 – 178.22) = 178.60

Ft = Pronóstico nuevo
Ft = Ft - 1 + α (At - 1 - Ft - 1 )
Ft-1 = Pronóstico anterior
At-1 = Demanda real del periodo anterior
α = Constante de suavizado
TRIME Tn REAL PRONÓSTICO
STRE VENDIDO = 0.50
1 180 175
2 168 175.00 + 0.50 (180 - 175.00) = 177.50
3 159 177.50 + 0.50 (168 - 177.50) = 172.75
4 175 172.75 + 0.50 (159 - 172.75) = 165.88
5 190 165.88 + 0.50 (175 -165.88) = 170.44
6 205 170.44 + 0.50 (190 – 170.44) = 180.22
7 180 180.22 + 0.50 (205 – 180.22) = 192.61
8 182 192.61 + 0.50 (180 – 192.61) = 186.30
9 186.30 + 0.10 (182 – 186.30) = 184.15
 Pronosticos
Cuantitativos

Modelos Modelos
Series de tiempo Asociativos

tion
Promedio Prom Movil Suavizado Regresion
Movil Ponderado Exponencial Lineal
Modelos asociativos:

Modelo matemático de línea recta usado para describir

las relaciones funcionales que hay entre las variables
dependiente e independiente

Y =a+bx
Y = Valor de la variable a predecir (v. dependiente)

a = Intersección con el eje y

b = Pendiente de la recta de regresión

x = Variable independiente (Causa)

*** “X” ya no es el tiempo

Ecuaciones de mínimos cuadrados:

Ecuación ŷ= a+bx

Pendiente de la recta

Intercepción-Y

b = Pendiente de la recta de regresión.

= Signo de sumatoria.
x = Valores conocidos de la variable independiente.
y = Valores conocidos de la variable dependiente.

x = promedio de los valores de x.

y = promedio de los valores de y.
n = numero de observaciones.
Pronostico con mínimos cuadrados

La siguiente tabla muestra la demanda

de energía eléctrica en Perú, durante el
periodo 2014 a 2020 en mega watts.

Pronosticar la demanda para el 2021,

2022 ajustando una recta de tendencia a
los siguientes datos.
 PERIODO DEMANDA
AÑO x y x² xy

2014 1 74 1 74 ŷ= a+bx

2015 2 79 4 158
2016 3 80 9 240 a=yˆ-bx
2017 4 90 16 360
2018 5 105 25 525
2019 6 142 36 852
2020 7 122 49 854
Σ 28 692 140 3063

3063-(7)(4)(98.86) = 295 = 10.54

b=
140-(7)(4 2 ) 28

a = 98.86-10.54(4)= 56.70

yˆ= a+bx= 56.70 + 10.54X

Calculando el futuro:

yˆ= a+bx= 56.70 + 10.54X

Demanda en el 2021 ŷ 8 = 56.70 + 10.54(8)= 141 Megawatts

Demanda en el 2022 ŷ 9 = 56.70 + 10.54(9)= 152 Megawatts
 Recta de tendencia
Demanda de Energía Eléctrica
160
Demanda de Energía (megawatts)

140
120
100
80
60
40
20
0
2012 2013 2014 2015 2016 2017 2018 2019 2020