PRONÓSTICOS DE

DEMANDA

Ing. Dr. NELSON QUIÑONES VÁSQUEZ

1.1. Necesidad de pronosticar

• Entorno altamente incierto

• La intuición no necesariamente da los
mejores resultados
• Mejorar la planeación
• Competitividad y cambio
 1.2. Tipos de pronósticos
Por su plazo:  De corto plazo
 De largo plazo
Según el entorno a  Micro
pronosticar  Macro
Según el  Cualitativo
procedimiento  Cuantitativo
empleado
1.3. Pasos de la elaboración de
pronósticos
1. Recopilación de datos
2. Reducción o condensación de datos
3. Construcción del modelo
4. Extrapolación del modelo
2. Exploración de patrones de
datos

• Se requieren suficientes datos históricos

• Se apoyan en la suposición de que el
pasado puede extenderse hacia el futuro
 Las técnicas cuantitativas
pueden ser:
Estadísticas Se enfocan en patrones y en
cambios en los patrones y
sus perturbaciones

Determinísticas Son de tipo causal,

establecen relación entre
la variable a pronosticar y
otras variables
 Con relación a las técnicas
cuantitativas estadísticas se
presentan dos enfoques:
• Los datos se pueden descomponer en
componentes de tendencia, cíclicos,
estacionales y aleatorios.
• Modelos econométricos de series de
tiempo y Box-Jenkins.
3. Componentes de series de
tiempo:
• Una serie de tiempo consta de datos que
se reúnen, registran u observan sobre
incrementos sucesivos de tiempo.
• Se requiere un enfoque sistemático para
analizarlas.
 Descomposición clásica de
series de tiempo:
Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución
en la serie sobre un periodo amplio.
Cíclico Es la fluctuación en forma de onda
alrededor de la tendencia.
Estacional Es un patrón de cambio que se repite a
sí mismo año tras año.
Aleatorio Mide la variabilidad de las series de
tiempo después de retirar los otros
componentes.
 4. Selección de una técnica de
pronóstico: Datos estacionarios
• Las fuerzas que generan la serie se han estabi-lizado y
el medio permanece relativamente sin cambios.
• Se puede lograr la estabilidad haciendo correcciones
sencillas a factores como crecimiento de la población
o la inflación.
• La serie se puede transformar en una serie estable.
• La serie es un conjunto de errores de pronóstico, de
una técnica de pronóstico que se considera adecuada.
 4. Selección de una técnica de
pronóstico: Datos con tendencia
• Productividad creciente y nueva tecnología
producen cambios.
• El incremento de la población elevan la
demanda por productos.
• El poder de compra se afecta por la inflación.
• Aumenta la aceptación en el mercado de un
producto.
 4. Selección de una técnica de
pronóstico: Datos con
estacionalidad

• El clima influye en la variable de interés.

• El año calendario influye en la variable.
 4. Selección de una técnica de
pronóstico: Series cíclicas

• El ciclo del negocio influye sobre la

variable.
• Cambios en el gusto popular.
• Cambios en la población.
• Cambios en el ciclo de vida del producto.
 5. Medición del error en el
pronóstico

• Se compara la precisión de dos o más

técnicas de pronóstico.
• Se mide la confiabilidad de una técnica de
pronóstico.
• Se busca la técnica óptima.
 5. Medición del error en el
pronóstico
Periodo, t Yt Pronóstico, Yt
1 58 -
2 54 58
3 60 54
4 55 60
5 62 55
6 62 62
7 65 62
8 63 65
9 70 63
5. Fórmulas de medición del error
en el pronóstico

Yt  valor de una serie de tiempo en el periodo t

Yˆ  valor del pronóstico para Y
t t

Error del pronóstico o residual :

e  Y  Yˆ
t t t
5. Fórmulas de medición del error
en el pronóstico
Desviación absoluta media :
n

 Y  Yˆ t t
DAM  t 1
n
Error medio cuadrado :

 
n
Yt  Yˆt
2

EMC  t 1
n
5. Fórmulas de medición del error
en el pronóstico
Porcentaje de error medio absoluto :
n Yt  Yˆt
 Yt
t 1
PEMA 
n
Porcentaje medio de error :



n
Y  Yˆ t

t 1 Yt
PME 
n
6. Modelos de series de tiempo
6.1. Modelos no formales:
• Estas técnicas suponen que los periodos
recientes son los mejores para
pronosticar el futuro.
• El método más sencillo es el método del
último valor:
Pronóstico = último valor
6.1. Método del último valor

t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13
6.2. Métodos de promedio

• Promedios simples:
• Se obtiene la media de todos los
valores pertinentes, la cual se
emplea para pronosticar el periodo
siguiente.
 Promedios simples:
t Yt Yt+1
1 42
2 52 42
3 54 47.00
4 65 49.33
5 51 53.25
6 64 52.80
 Promedio móvil simple:
• Este método no considera la media de
todos los datos, sino solo los más recientes.
• Se puede calcular un promedio móvil de n
periodos.
• El promedio móvil es la media aritmética de
los n periodos más recientes.
 Promedio móvil simple:

promedio móvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5
Promedio móvil doble:
Promedio móvil doble:
 Promedio móvil doble:
Mes Yt Mt Mt’ At Bt Ft
m=3
1 1140 p=1,2,3
2 1212
3 1274 F7=1337+41=1378
4 1297 1209 F8=1361+33(1)=1394
F9=1361+33(2)=1427
5 1317 1261
F10=1361+33(3)=1460
6 1370 1296 1255 1337 41
7 1348 1328 1295 1361 33 1378
8 1394
9 1427
10 1460

M4=(1140+1212+1274)/3=1209 A6=2*1296-1255=1337
M5’=(1209+1261+1296)/3=1255 A7=2*1328-1295=1361
B6=(2/(3-1))*(1296-1255)=41
B7=(2/(3-1))*(1328-1295)=33
 Promedio móvil ponderado:
• El promedio ponderado suele reaccionar más
rápido ante los cambios de la demanda, con
relación al promedio simple. Sin embargo, la
verdadera utilidad del método dependerá de la
experticia del administrador de operaciones al
pronosticar la demanda, como en todos.

• En nuestra formula de promedio, la suma de las

ponderaciones debe ser igual a 1. Con esto en
mente vamos a nuestro ejemplo.
 Promedio móviles ponderado:
NGE es una compañía productora de
alimentos para perro y requiere Promedio
calcular el pronóstico de demanda
con el método de media móvil
𝑡 𝑌𝑡 móvil
ponderada. Para la empresa, la 𝐹𝑡
demanda pasada reciente es la más 1 130
importante y le asignan un peso de
50%. La demanda intermedia tiene 2 145
un peso de 30% y la más lejana de 3 139
20%.
4 153 139
𝐹4 = 05 ∗ 139 + 0.3 ∗ 145 + 5 162 147
0.2 ∗ 130 = 139 6 170 155
𝐹5 = 0.5 ∗ 153 + 0.3 ∗ 139 + 7 100 164
0.2 ∗ 145 = 147
8 120 133
 6.3. Métodos de suavización
exponencial simple
• El método de suavización exponencial puede dar
una ponderación mayor a las observaciones más
recientes.
• Las ponderaciones se asigna mediante la constante
, 0 <  < 1.
• El modelo se expresa como:
pronóstico =  (último valor) + (1 - )(último pronóstico)
𝐹𝑡 = 𝛼𝑌𝑡−1 + 1 − 𝛼 𝐹𝑡−1
 6.3. Método de suavización
exponencial simple
t Yt Ft Ft
(=0.1) (=0.5)
1 42
2 52 42 42
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
 6.4. Métodos de suavización
exponencial doble
También se le conoce como el método de Brown.
Se le utiliza para pronosticar series de tiempo que tienen
tendencia lineal.
Yt: Demanda real
At: valor atenuado exponencialmente de Yt en el periodo t.
Adt: valor doblemente atenuado exponencialmente de Yt en
el periodo t.
at: similar al termino independiente de la ecuación de una
recta.
bt: similar a la pendiente de la ecuación de una recta.
Ft: Pronostico
et: error et=Yt-Ft
𝜶: constante de atenuación (0 < 𝛼 < 1)
p: periodos en el futuro.
 6.4. Métodos de suavización
exponencial doble
𝐴𝑡 = 𝛼𝑌𝑡 + 1 − 𝛼 𝐴𝑡−1

𝐴𝑑𝑡 = 𝛼𝐴𝑡 + 1 − 𝛼 𝐴𝑑𝑡−1

𝑎𝑡 = 2𝐴𝑡 − 𝐴𝑑𝑡

𝛼(𝐴𝑡 − 𝐴𝑑𝑡)
𝑏𝑡 =
1−𝛼

𝐹𝑡+𝑝 = 𝑎𝑡 + 𝑏𝑡𝑝
 6.5. Método de suavización
exponencial con ajuste de
tendencia
Llamado método de Holt, es un pronostico que
incluye tendencia.
𝐹𝐼𝑇𝑡 = 𝐹𝑡 + 𝑇𝑡
Pronostico que incluye la tendencia 𝐹𝐼𝑇𝑡
= Pronostico de suavización exponencial 𝐹𝑡
+ Tendencia de suavización exponencial 𝑇𝑡
𝐹𝑡 = 𝐹𝑡−1 + 𝛼(𝐴𝑡−1 − 𝐹𝑡−1 )
Demanda real 𝐴𝑡
𝑇𝑡 = 𝛽(𝐹𝑡 − 𝐹𝑡−1 ) + (1 − β) 𝑇𝑡−1
𝛼 𝑦 𝛽 son parámetros (toman valores entre 0 y 1)
 6.6. Descomposición de series de
tiempo
• Las tendencias son movimientos a largo plazo en
una serie de datos a lo largo del tiempo.
• La tendencia puede ser descrita por una recta o
por una curva.
• Las tendencias se dan por varias causas: cambios
en la población, cambios en la productividad,
cambios tecnológicos, etc.
• En este tipo de análisis la variable independiente
es el tiempo.
 6.6.1. Tendencia lineal
• El método más empleado para describir una
tendencia lineal es el de mínimos cuadrados, para
encontrar una línea de mejor ajuste para un
conjunto de puntos.
Y´ = a + bX
• Y´ = valor pronosticado en un periodo X
• a = valor de la tendencia cuando X = 0
• b = pendiente de la recta de tendencia
• X = periodo (codificado)
6.6.1. Tendencia lineal: ejemplo
Año Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
6.6.1. Tendencia lineal: ejemplo
80
75
70
65
60

55
50
45

40
35
30
1994 1995 1996 1997 1998 1999 2000 2001
 6.6.1. Tendencia lineal: ejemplo
X Y XY X²
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
6.6.1. Tendencia lineal: fórmulas

n xy   x  y
b
n x   x 
2 2

a
 y
b
 x
n n
 6.6.1. Tendencia lineal
t Yt Y´t et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
 6.6.1. Tendencia lineal
• Se puede calcular el coeficiente de determinación, a fin
de evaluar qué tan correcta es la estimación de la recta
de regresión.
• El coeficiente de determinación r² se calcula como:

n xy   x y 
2


n x   x n y   y  
2
r 2 2 2 2
 6.6.1. Tendencia lineal
• También es posible calcular intervalos de
confianza para la estimación. Para ello es
necesario calcular el error estándar de la
estimación.

Se  y 2
 a  y  b xy
n2
 6.6.1. Tendencia lineal

Nivel de Z Fórmula
confianza
68% 1 y’ ± Se
95% 2 y’ ± 2Se
99% 3 y’ ± 3Se
 7. Aplicación de varios métodos a
datos desestacionalizados
• Los datos muestran alguna tendencia creciente a lo largo
del tiempo, además de una marcada estacionalidad. Se
procederá a desestacionalizar los datos, lo que permite
observar hasta donde las variaciones se deben a efectos
estacionales o bien, a otros factores.
• El proceso de ajuste estacional se realizará a través del
cálculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Año Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
7. Aplicación de varios métodos a
datos desestacionalizados
20000

19000

18000

17000

16000

15000

14000

13000

12000

11000

10000
1 2 3 4 1 2 3 4 1 2 3 4
Trim estres
 7. Aplicación de varios métodos a
datos desestacionalizados
Año Factor
Trim 1 2 3 Suma Prom Estac.
1 13618 14514 13984 42116 14039 0.9323
2 12930 14128 13644 40702 13567 0.9010
3 13138 15568 15898 44604 14868 0.9873
4 16532 17448 19300 53280 17760 1.1794
Total 60234
Prom. 15058.5
 Pronostico de demanda trimestral
para el año 4
Si para el año 4 se espera una demanda de 68000 unidades
La demanda promedio por trimestre será de 17000 unidades

Yt
Factor Yt ajustada
Año Trimestre Estacional Demanda Demanda
promedio estacional
1 0.9323 17000 15849
2 0.9010 17000 15317
4
3 0.9873 17000 16784
4 1.1794 17000 20050
Total 68000 68000
7. Aplicación de varios métodos a
datos desestacionalizados
• Se aplican varios métodos de pronóstico para
finalmente seleccionar el mejor pronóstico.
• A. Método de pronóstico del último valor
• B. Promedios móviles
• C. Suavizamiento exponencial
• D. Suavizamiento exponencial con tendencia
 Otros métodos:

• Modelos de tendencia con ajuste estacional

• Modelo de promedios móviles integrados
autorregresivos (ARIMA o Box-Jenkins)
• Pronósticos causales (modelos econométricos)
• Métodos de pronósticos subjetivos