Pronóstico:

Proceso de estimación de un acontecimiento futuro


proyectando hacia el futuro datos del pasado.

Predicción:
Proceso de estimación de un suceso futuro
basándose en consideraciones subjetivas diferentes a
los simples datos provenientes del pasado.
Influencia de los pronósticos en otras
áreas de la Dirección de
Operaciones

• Diseño de productos

• Diseño de plantas

• Gestión de la capacidad

• Gestión de inventarios
 Patrones de la demanda
Las observaciones repetidas de la demanda de un producto o servicio
en el orden que se realizan forman un patrón que se conoce como
serie de tiempo. Los cinco patrones básicos de la mayoría de las series
de tiempo aplicables a la demanda son:
• HORIZONTAL
• TENDENCIA
• ESTACIONAL
• CÍCLICO
• ALEATORIO

Una serie de tiempo puede contener cualquier combinación de estos

patrones.
Componente horizontal: los datos fluctúan en torno de
una línea horizontal (una media constante)
Tendencia: los datos aumentan o disminuyen
sistemáticamente a través del tiempo
Componente estacional: los datos muestran incrementos y
decrementos de manera consistente, o sea, se repiten
dependiendo de la hora del día, la semana, mes o año.
Componente cíclico: los datos revelan incrementos y
decrementos graduales y menos previsibles de la demanda,
en el transcurso de períodos largos (años, decenios).
Componente aleatorio: Indica una variación imprevisible de
la demanda.

Es resultado de causas fortuitas y no puede pronosticarse.

Es la razón principal por la que todos los pronósticos de
ventas resultan equivocados.
 PREVISIÓN DE LA DEMANDA

Son de tipo subjetivo, basados en las opiniones

Modelos de gerentes y expertos, los resultados de las
encuestas de consumidores y las estimaciones
cualitativos del personal de ventas. Cuando no se dispone de
información histórica al respecto son los únicos
métodos utilizables.

Parten de la información histórica recogida sobre

Modelos las variables que tienen influencia en el proceso,
cuantitativos mediante técnicas de tipo estadístico.
PREVISIÓN DE LA DEMANDA

Modelos cualitativos
 Método Delphi
Es uno de los más conocidos y consiste en seleccionar
una serie de expertos (que entre sí desconocen el hecho
de haber sido seleccionados), dirigidos por un
coordinador que actúa de intermediario entre ellos. Este
les va solicitando opiniones y previsiones, y de entre las
recibidas selecciona aquellas que caen en el 25% de las
más pesimistas y el 25% de las más optimistas, pidiendo
explicaciones a esas personas de cómo justifican ellos
este hecho. Toda la información recibida, incluyendo las
justificaciones, son enviadas a los expertos, repitiendo el
proceso hasta que se llegue a un consenso.
 Consulta a la fuerza de ventas
Consiste en solicitar las opiniones de los
vendedores o agentes comerciales, sobre lo que
ocurrirá en su área o región. Pueden presentarse
los siguientes problemas: suelen existir
perjuicios y tendencias según intereses
particulares, pueden ser afectadas por el
carácter excesivamente optimista o pesimista y
hay que hacer intervenir a muchas personas, lo
cual resulta costoso por el tiempo que requiere
contestar los cuestionarios.
 Grupos de consenso
Se basa en el intercambio libre en juntas o
reuniones entre un pequeño grupo de personas.
La idea es que la discusión en grupo produzca
mejores pronósticos que cualquier individuo por
sí solo. Los participantes pueden ser ejecutivos,
vendedores o consumidores.
 Analogías históricas
Si dos cosas tienen, cuando menos, una
característica común, aparece una analogía.
El interés de este método de previsión
tecnológica está en investigar si ambas cosas
presentan también otras características
similares.
Permite el análisis comparativo de nuevos
productos con otros ya existentes y similares en
el mercado.
 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 pronosticar ventas a largo
plazo y de nuevos productos.
PREVISIÓN DE LA DEMANDA

Modelos cuantitativos
 Modelos cuantitativos

Modelos Modelos
de series causales
de tiempo
 ANÁLISIS DE SERIES DE TIEMPO
Es un método estadístico que depende en alto
grado de datos históricos de la demanda, con los
que proyecta la magnitud futura de la misma y
reconoce las tendencias y patrones estacionales.
Métodos
• Pronóstico empírico
• Promedio móvil simple
• Promedio móvil ponderado
• Suavizamiento exponencial simple
• Regresión lineal simple
 Etapas para realizar una previsión de ventas
basado en series históricas.

4
Etapas para realizar una previsión de ventas
basado en series históricas.
5

9
 Pronóstico empírico:
Método de series de tiempo en el cual el
pronóstico de la demanda para el siguiente
período es igual a la demanda observada en el
período actual, es decir:
Ft+1= Dt

Donde:
Ft+1: Pronóstico
Dt: Demanda del período actual
 Ejemplo:
Desviación
Pronostique la demanda anual de cierto absoluta del
pronóstico
respecto a la
equipo electrodoméstico demanda real

Demanda real Pronóstico

Años.
(Dt) (Ft) |Dt-Ft|
2007 845
2008 920
2009 988
2010 1172
2011 1145
2012 1174
2013 1475
2014
 Desviación absoluta media:
• Permite determinar la media de las
desviaciones absolutas de las previsiones
respecto a la demanda real. A su vez, permite
decidir cual será el mejor modelo de
pronósticos de la demanda (aquel con el
menor MAD).
n

 D F t t
MAD  t 1
n
 Solución: No conocemos los datos de
demanda real del año 2006
Demanda real Pronóstico por lo cual es imposible

Años. 𝐷𝑡 − 𝐹𝑡 hacer un pronóstico para el

2007 basado en el modelo
(Dt) (Ft) empírico, por tal motivo el
modelo corre desde el año
2007 845 2008.

2008 920 845 75

2009 988 920 68
2010 1172 988 184
2011 1145 1172 27 Como aún no ha pasado el
año 2014 no conocemos la

2012 1174 1145 29 cantidad real de productos

que demandaron nuestros
clientes. Por tal motivo no
2013 1475 1174 301 podemos determinar la
desviación absoluta del
2014 1475 pronóstico respecto a los
valores reales

𝐷𝑡 − 𝐹𝑡 = 684
Con los datos históricos con
los que se cuenta, las
n desviaciones absolutas bajo
D t  Ft
684
este modelo se han podido
determinar para 6 períodos
MAD  t 1
  114 (años). Por tal motivo
n 6 consideramos n=6
 Promedio móvil simple:
El pronóstico se realiza promediando la
demanda de los n períodos más recientes
(generalmente un número impar), o sea:

𝐷𝑡 + 𝐷𝑡−1 + 𝐷𝑡−2 + ⋯ +𝐷𝑡−𝑛+1

𝐹𝑡+1 =
𝑛
 El valor de t indica que
el modelo utilizará el
promedio de las

Ejemplo: demandas reales

correspondientes a los
tres años anteriores al
año que se pronostica, o
sea un trienio.

Pronostique la demanda anual de cierto

equipo electrodoméstico (utilizando t=3)
Demanda real Pronóstico
Años. |Dt-Ft|
(Dt) (Ft)
2007 845
2008 920
2009 988
2010 1172
2011 1145
2012 1174
2013 1475
2014
 Solución:
No conocemos los datos de
demanda real de años
Demanda real Pronóstico anteriores al 2007, por tanto
Años. 𝐷𝑡 − 𝐹𝑡 el modelo de pronóstico en
(Dt) (Ft) este caso (promedio móvil
de los tres períodos

2007 845 anteriores) solo puede

correrse a partir de 2010.

2008 920
2009 988
2010 1172 917,67 254,33
2011 1145 1026,67 118,33 Como aún no ha pasado el
año 2014 no conocemos la
2012 1174 1101,67 72,33 cantidad real de productos
que demandaron nuestros

2013 1475 1163,67 311,33 clientes. Por tal motivo no

podemos determinar la
desviación absoluta del
2014 1264,67 pronóstico respecto a los
valores reales
𝐷𝑡 − 𝐹𝑡 = 756,33
n Con los datos históricos con

D  Ft
los que se cuenta, las
t desviaciones absolutas bajo
756,33
MAD  t 1
  189,08 este modelo se han podido
n 4 determinar para 4 períodos
(años). Por tal motivo
consideramos n=4
 Promedio móvil ponderado:
Cada una de las demandas históricas que
intervienen en el promedio pueden tener su
propia ponderación. La suma de tales
ponderaciones es igual a 1.

𝐹𝑡+1 = 𝑤1 𝐷𝑡 + 𝑤2 𝐷𝑡−1 +∙∙∙ +𝑤𝑛 𝐷𝑡−𝑛

 Ejemplo:
Pronostique la demanda anual de cierto
equipo electrodoméstico (considere t =3 y
ponderaciones de 0,5; 0,25 y 0,25)
Demanda real Pronóstico
Años.
(Dt) (Ft) |Dt-Ft|
2007 845
2008 920
2009 988
2010 1172
2011 1145
2012 1174
2013 1475
2014
 Solución: No conocemos los datos de
demanda real de años
Demanda real Pronóstico anteriores al 2007, por tanto

Años. 𝐷𝑡 − 𝐹𝑡 el modelo de pronóstico en

este caso (promedio móvil
(Dt) (Ft) ponderado de los tres
períodos anteriores) solo
2007 845 puede correrse a partir de
2010.

2008 920
2009 988
2010 1172 935,25 236,75
2011 1145 1063,00 82
2012 1174 1112,50 61,50
2013 1475 1166,25 308,75
2014 1317,25
𝐷𝑡 − 𝐹𝑡 = 689
n Con los datos históricos con

D  Ft
los que se cuenta, las
t desviaciones absolutas bajo
689
MAD  t 1
  172,25 este modelo se han podido
n 4 determinar para 4 períodos
(años). Por tal motivo
consideramos n=4
Suavizamiento exponencial simple:
Es un método de promedio móvil ponderado que
permite calcular el promedio de una serie de
tiempo, asignando a las demandas recientes mayor
ponderación que a las demandas anteriores.

𝐹𝑡+1 = 𝐹𝑡 +∝ (𝐷𝑡 − 𝐹𝑡 )

Donde:
α: parámetro de suavización
 Ejemplo:
Pronostique la demanda anual de cierto
equipo electrodoméstico (considere  = 0.2)
Demanda real Pronóstico
Años.
(Dt) (Ft) |Dt-Ft|
2007 845
2008 920
2009 988
2010 1172
2011 1145
2012 1174
2013 1475
2014
 Solución: Para correr el modelo requerimos de
pronósticos anteriores. Como el
ejercicio no nos brinda el dato del
pronóstico utilizado para el año 2007

Demanda real Pronóstico (que es el primer período en la serie de

Años. 𝐷𝑡 − 𝐹𝑡 datos), la literatura sugiere que se

tome la demanda real de ese primer
(Dt) (Ft) período como el valor de pronóstico.
De tal forma, F2007=845 y como
2007 845 consecuencia:
𝐹2008 = 𝐹2007 + 0,2(𝐷2007 − 𝐹2007 )
𝐹2008 = 845 + 0,2(845-845)
2008 920 845,00 75,00 𝐹2008 = 845

2009 988 860,00 128,00

2010 1172 885,60 286,40
2011 1145 942,88 202,12
2012 1174 983,30 190,70
2013 1475 1021,44 453,56
2014 1112,15
𝐷𝑡 − 𝐹𝑡 = 1335,77
n Con los datos históricos con

D  Ft
los que se cuenta, las
t desviaciones absolutas bajo
1335,77
MAD  t 1
  222,63 este modelo se han podido
n 6 determinar para 6 períodos
(años). Por tal motivo
consideramos n=6
Pronósticos suavizados (exponenciales) versus demanda real de
un producto a través del tiempo

Cuando el producto tiene una demanda estable es recomendable utilizar un valor de 𝛼

pequeño (0,05 ó 0,1)
Si la demanda experimenta un crecimiento sería mejor considerar un valor de 𝛼 más
alto (quizás de 0,15 o 0,30). Mientras más rápido sea el crecimiento, más alto deberá
ser el valor de 𝛼.
 Método de regresión lineal:
Método causal en el que una variable (conocida como variable
dependiente), está relacionada con una variable independiente
por medio de una ecuación lineal de la forma:

𝑌 = 𝑎 + 𝑏𝑥
Cuando la variable independiente son los períodos de tiempo, se
le considera un método de serie de tiempo, en cualquier otro
caso se considera un método causal.

Donde:
Y: variable dependiente
X: variable independiente
a: intersección de la recta con el eje Y
b: pendiente de la recta
 El objetivo es encontrar los valores de a y b
que minimicen la suma de las desviaciones
cuadráticas de los puntos de datos reales que
están representados en la serie de tiempo

𝑌 = 𝑎 + 𝑏𝑥
Método de regresión lineal:
 Ejemplo:
Pronostique la demanda anual de cierto equipo
electrodoméstico

Demanda real Pronóstico

Años.
(Dt) (Ft) |Dt-Ft|
2007 845
2008 920
2009 988
2010 1172
2011 1145
2012 1174
2013 1475
2014
Primeramente debe obtenerse la ecuación de regresión lineal
𝒀 = 𝒂 + 𝒃𝒙
Esta ecuación, nos permitirá determinar el pronóstico de la
demanda Y cuando la variable independiente X (el número de
año, mes u otra variable causal) tome valores en el dominio para
el cual esté definida.

Para determinar la ecuación debemos encontrar los parámetros

a y b a través de las fórmulas matemáticas que siguen:

𝒏 𝑿𝒀 − ( 𝒙)( 𝒀)
𝒃= 𝒂 = 𝒚 − 𝒃𝒙
𝒏 𝒙𝟐 − (𝑿)𝟐

Para realizar estos cálculos es conveniente auxiliarse de una

tabla como la que se presenta a continuación:
 En este caso la variable
independiente X es el
número del período (año)
pero trabajar con los
Solución 1:
números 2007…2013 resulta
en cálculos engorrosos. Por Años. X Demanda (Y) XY X2
eso se le asignan
convenientemente valores 2007 -3 845 -2535 9
más pequeños que
simplifiquen el cálculo 2008 -2 920 -1840 4
2009 -1 988 -988 1
2010 0 1172 0 0
2011 1 1145 1145 1
Sustituimos las
sumatorias de la tabla 2012 2 1174 2348 4
en las fórmulas y
obtenemos a y b
2013 3 1475 4425 9
SUMA 0 7719 2555 28
Luego sustituimos los valores de
= 91,25 a y b en la ecuación Y=a + bx
y obtenemos la Ecuación de
regresión lineal

= 1102,71 Y = 1102,71+ 91,25X

 Una vez obtenida la ecuación
de regresión lineal podemos

Solución 1: obtener los pronósticos para

los distintos meses dándole
a X el valor de cada período.
De tal manera, para el año
Demanda real Pronóstico 2007 el pronóstico de
Años. 𝐷𝑡 − 𝐹𝑡 acuerdo a la ecuación de
(Dt) (Ft) regresión sería:
Y=a+b·X
2007 845 828,96 16,04 F2007= 1102,71+ 91,25·(-3)
F2007= 828,96
2008 920 920,21 0,21
2009 988 1011,46 23,46
2010 1172 1102,71 69,29
2011 1145 1193,96 48,96
2012 1174 1285,21 111,21
2013 1475 1376,46 98,54
2014 1467,71
𝐷𝑡 − 𝐹𝑡 = 367,71
n

D t  Ft
367,71
MAD  t 1
  52,53
n 7
Si hubiésemos asignado
otros valores a X no hay
alteraciones en los
pronósticos (siempre que
tales valores sean
Solución 2:
consecutivos), por
ejemplo: en este caso al
año 2007 se le ha
asignado un valor de X=0, Años. X Demanda (Y) XY X2
a 2008 se le ha asignado
X=1 y así sucesivamente. 2007 0 845 0 0
Como puede observarse
ha cambiado la ecuación 2008 1 920 920 1
de regresión, pero a pesar
de ello el pronóstico para 2009 2 988 1976 4
cada año permanece
inalterable. Así lo 2010 3 1172 3516 9
demuestra el calculo del
pronóstico para el año 2011 4 1145 4580 16
2007 :
Y=a+b·X 2012 5 1174 5870 25
F2007= 828,96+91,25·(0)
F2007= 828,96 2013 6 1475 8850 36
SUMA 21 7719 25712 91

= 91,25 = 828,96

Ecuación de
Y = 828,96+ 91,25X regresión lineal
 Solución 2:
Demanda real Pronóstico
Años. 𝐷𝑡 − 𝐹𝑡
(Dt) (Ft)
2007 845 828,96 16,04
2008 920 920,21 0,21
2009 988 1011,46 23,46
2010 1172 1102,71 69,29
2011 1145 1193,96 48,96
2012 1174 1285,21 111,21
2013 1475 1376,46 98,54
2014 1467,71
𝐷𝑡 − 𝐹𝑡 = 367,71
n

D t  Ft
367,71 El MAD también
MAD  t 1
  52,53  53 permanece
n 7
inalterable
 CONCLUSIÓN:
Al analizar las desviaciones absolutas medias (MAD) para cada
pronóstico podemos concluir que el método de regresión lineal
provee el MAD más bajo, por lo cual podemos considerar que
este método para el caso práctico objeto de estudio, es el más
confiable para realizar los pronósticos de la demanda de acuerdo
al comportamiento de las series históricas.

Método de Pronóstico 𝑀𝐴𝐷

Empírico 114
Promedio móvil 190
Promedio móvil ponderado 173
Suavizamiento exponencial 223
Regresión lineal simple 53
Guía para la selección de un método
de pronóstico adecuado

CHASE, JACOBS, AQUILANO. Administración

de operaciones. Mc Graw Hill. México, 2009.
PREVISIÓN DE LA DEMANDA

Modelos Causales
 Modelos causales:
Son un tipo de método cuantitativo que utiliza datos
históricos de variables independientes, como campañas
de promoción, condiciones económicas y actividades de
los competidores para pronosticar la demanda.
Modelo de regresión simple
• Modelo de regresión Modelo de regresión múltiple
• Modelo econométrico
• Método de encuestas de intenciones de compra
• Modelo de insumo producto (método de los
coeficientes técnicos)
 BIBLIOGRAFÍA:
1. KRAJEWSKI LEE, RITZMAN LARRY “Administración
de Operaciones”, 5a Edición, Prentice-Hall, Mexico,.
2000. Pg 528. Link: https://db.tt/hv34kmnT
2. CHASE, JACOBS, AQUILANO. Administración de
operaciones. Mc Graw Hill. México, 2009. Pg 473
Link: https://db.tt/bXf6qBpI
Ejercicio propuesto
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio: pg 157s
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio:
Ejercicios de autoestudio: