UNIDAD IV

COMPRAS E INVENTARIOS
Pronsticos

M.A. Mariana Santilln Arroyo

PRONSTICOS

El pronstico es el arte y la ciencia de predecir los acontecimientos futuros. Hasta

la ltima dcada, en gran medida era un arte, pero ahora se ha convertido tambin
en una ciencia. Si bien se requiere todava un criterio administrativo para llevarlo a
cabo, los gerentes de hoy cuentan con complejas herramientas y mtodos
matemticos. Realmente ha recorrido un largo camino desde el oscuro arte de
decir la fortuna mediante el uso de las estrellas, tal hoja de t o las bolas de cristal.
A continuacin se describen muchos mtodos distintos de pronsticos y sus usos.
Uno de los aspectos principales de este captulo es que el mtodo que se utilice
debe seleccionarse con cuidado para el uso particular qu se pretende que tenga,
No existe un mtodo universal para todos los casos.

Casi siempre, los pronsticos estarn equivocados. Es difcil que las ventas sean,
exactamente iguales a la cantidad que se predice. Es comn que con un extra de
capacidad, de inventarios o con la reprogramacin de los pedidos pueda
absorberse una ligera variacin respecto al pronstico. Pero cuando sta es muy
grande puede provocar un caos en el negocio. Por ejemplo, suponga que se
pronostica que en un ao particular se vendern 100 000 cajas de un producto y
solamente se venden 80 000. Las 20 000 cajas adicionales pueden terminar en el
inventario, o quizs pueda reducirse el empleo para reducir los niveles de
produccin. Tambin resulta igualmente doloroso si l pronstico es demasiado
balo Cuando la capacidad se ejerce al mximo pueden incorporarse individuos
adicionales .con mucha prisa, o es posible que se pierdan ventas debido u falta de
existencias. De estos ejemplos puede concluirse que los

pronsticos tiene un

irnpacto importante en las operaciones y, en realidad, en todas las funciones del

negocio.

Existen tres maneras de adaptarse a los errores de pronstico. Una de ellas es

intentar reducir el error mediante un mejor pronstico. Otra es incorporar mayor
2

flexibilidad a operaciones y a la cadena de suministro. La tercera consiste en

acortar el tiempo de demora sobre los que se necesitan los pronsticos. Incluso
los buenos pronsticos tienen errores, pero la meta que permite costos razonables
para stos es hacerlos con los mnimos posibles.

Como un reconocimiento de los errores inherentes a los pronsticos, todos los

pronsticos deben tener al menos dos cifras: una para el mejor estimado de la
demanda (por ejemplo, media, mediana, o moda) y otra para el error en el
pronstico (desviacin

estndar, desviacin absoluta, o rango). Producir

pronsticos con solamente una cifra es ignorar el error, pero esto sucede
comnmente en la prctica.

Es frecuente que los problemas de pronstico sean complejos y difciles. Un

ejemplo es el pronstico de los 50 000 artculos que generalmente se venden en
una tienda de abarrotes. El agotamiento de una marca particular o de un tamao
de paquete puede provocar la prdida de una venta tanto para el vendedor al
menudeo como para el productor. De esta manera, los pronsticos desempean
un papel central en una empresa, y a todo 1o largo de la cadena de suministro,
debido a su complejidad y a su impacto en el negocio. En el recuadro de Lder en
operaciones se describe la manera en que Wal-Mart maneja pronsticos
complejos en su cadena de suministro.

En la primera parte de este captulo se presenta un marco de referencias

descriptivo para los pronsticos. Luego se analizan detenidamente diversos
mtodos y las posibles aplicaciones. A continuacin, se describen los usos de los
pronsticos en las organizaciones.

1.1 UN MARCO DE REFERENCIAS PARA LOS PRONSTICOS

Si bien existen muchos tipos de pronsticos, este captulo se centrar en el
pronstico de la demanda para la produccin a partir de 1a funcin de
3

operaciones- Sin embargo, la demanda y las ventas no siempre son la misma

cosa. Siempre que la demanda no est limitada por la capacidad o por otras
polticas administrativas, el pronstico de la demanda ser el mismo que el de
ventas. De otra manera, las ventas se encontrarn un poco por debajo de la
demanda real de los clientes.

Tambin se debe aclarar desde el principio la diferencia entre pronstico y

planeacin. El pronstico trata de lo que se piensa que suceder en el futuro. La
planeacin se refiere a lo que pensamos debe suceder. As a travs de la
planeacin, conscientemente intentamos modificar los acontecirnientos futuros,
mientras que el pronstico solamente se utiliza para predecirlos. En una buena
planeacin se utilizan los pronsticos como insumo. Si el pronstico no es
aceptable, en ocasiones puede idearse un plan para modificar el curso de los
acontecimientos.

El pronstico constituye un insumo para todos los tipos de control y planeacin de

negocios, tanto dentro como fuera de la funcin de operaciones. Mercadotecnia
emplea pronsticos para planear productos, promociones y para fijar precios.
Finanzas, los utiliza como un insumo para la planeacin financiera. Y en las
decisiones de operaciones sobre el diseo del proceso, la planeacin de la
capacidad y el inventario, tambin sirven como insumo.

Los pronsticos se necesitan en el diseo de procesos para decidir sobre el tipo

de proceso y el grado de automatizacin a utilizar. Por ejemplo, un pronstico bajo
de las ventas futuras puede indicar que se necesita poca automatizacin y que el
proceso debe mantenerse tan simple como sea posible. Si se pronostica un
volumen mayor podra justificarse un aumento en la automatizacin y un proceso
ms elaborado, que incluya al flujo en lnea. Como las decisiones relativas a los
procesos son a largo plazo por naturaleza, pueden necesitar pronsticos para
muchos aos en el futuro.
4

En las decisiones sobre la capacidad, los pronsticos sirven a distintos niveles de

agregados y de precisin. Para planear la capacidad total de las instalaciones, se
Necesita un pronstico de largo plazo que abarque varios aos en el futuro. Para
las decisiones de mediano plazo, para el ao siguiente o un plazo similar, se
necesita un pronstico ms detallado por lnea de producto para determinar los
planes de contratacin, las subcontrataciones y las decisiones de equipamiento.
Adems, como es ms detallado, el pronstico a mediano plazo debe ser ms
preciso, de ser posible que el que se hace para el largo plazo. Las decisiones
sobre la capacidad a corto plazo, que incluyen la asignacin de personas y
mquinas disponibles a trabajos o actividades en el futuro cercano, deben
detallarse en trminos de productos individuales y deben ser sumamente precisas.

Las decisiones de inventarios que resultan en acciones de compra tienden a ser

de corto plazo por naturaleza y a referirse a productos especficos. Los
pronsticos que conducen a estas decisiones deben cumplir los mismos
requerimientos que los pronsticos de programacin a corto plazo: deben ser
sumamente precisos y establecer especificaciones para productos individuales.
Para las decisiones de inventarios y de programacin, dada la gran cantidad de
artculos que generalmente se incluye, tambin se necesitar producir una gran
cantidad de pronsticos. De esta manera, a menudo se utilizar un sistema
computarizado de pronstico para estas decisiones.

Los pronsticos se utilizan para muchos fines en comercializacin, entre los que
estn la planeacin de las ventas, la introduccin de nuevos productos, el diseo
de programas de comercializacin, las decisiones sobre la fijacin de precios, la
publicidad y la planeacin de la distribucin. El pronstico no se limita a un
aspecto de comercializacin; ms bien, afecta a todas las decisiones en esta
funcin. En realidad, en ocasiones la responsabilidad del pronstico se le asigna a
ella o a un equipo interfuncional en el que participe junto con personal de
operaciones y de finanzas.
5

En las funciones de finanzas, contabilidad y recursos humanos tambin existe un

inters importante en el pronstico. Incluso en la tarea rutinaria de elaborar un
presupuesto o de calcular los costos se necesita un pronstico sobre el volumen y
planes financieros fundamentados en el pronstico de ventas. Recursos humanos
necesita un pronstico para anticiparse a las decisiones de contratacin y a los
presupuestos del personal.
En resumen, hay distintos tipos de decisiones en operaciones y diferentes
requerimientos para los pronsticos, como se muestra en la Tabla 11.1. En sta
tambin

se

incluyen

algunas

de

las

decisiones

en

comercializacin,

finanzas/contabilidad y recursos humanos para las cuales se necesita un

pronstico e indica los tres tipos de mtodos que se relacionan con aqullas:
cualitativo, de series de tiempo y causales.

En trminos generales, los mtodos cualitativos de pronstico se fundamentan en

juicios gerenciales; no utilizan modelos especficos. De esta manera, distintos
6

individuos pueden utilizar el mtodo cualitativo y llegar a conclusiones muy

diferentes.

No obstante, los mtodos cualitativos son tiles cuando faltan datos o cuando los
anteriores no son buenos predictores del futuro. En este caso, la persona que
toma las decisiones puede utilizar los mejores datos disponibles en un enfoque
cualitativo para obtener un pronstico.

Existen dos tipos de mtodos cuantitativos de pronsticos las series de tiempo y eI

pronstico causal. En general utilizan un modelo subyacente para llegar a una
conclusin. La suposicin bsica en todos los casos es que los datos anteriores y
los patrones de los mismos son

predictores confiables del futuro. Luego se

procesan mediante un modelo de series de tiempo causal para llegar a un

pronstico.

En lo que resta del captulo se har referencia a rangos de corto, mediano y largo
plazo. Cuando se hable de este ltimo se querr indicar dos o ms aos en el
futuro, un horizonte comn para la planeacin de instalaciones y Procesos. El
"mediano plazo" se ha definido como entre seis meses a dos aos, el marco
normal de tiempo para las decisiones de planeacin agregada, elaboracin de
presupuestos y otras decisiones sobre la asignacin y la adquisicin de recursos.
Y como corto plazo se entender el inferior a seis meses donde las decisiones
implican la procuracin de materiales y la programacin de tareas y actividades
particulares. Para las decisiones a corto plazo bastan los

pronsticos que se

extienden ms all de los tiempos de demora para produccin y procuracin.

MTODOS CUALITATIVOS PARA EL PRONSTICO

Como se ha sealado, en los mtodos cualitativos de pronstico se utilizan juicios
administrativos, experiencias, datos relevantes y un modelo matemtico implcito
Dado esto ltimo, es comn que dos gerentes distintos lleguen a pronsticos
totalmente diferentes cuando utilizan mtodos cualitativos.

Para algunas personas los pronsticos cualitativos deben utilizarse solamente

como ltimo recurso. Esto no es totalmente cierto. Los pronsticos cualitativos se
deben utilizar cuando los datos anteriores no constituyan indicadores confiables de
las situaciones, futuras. Cuando esto sucede debe utilizarse el criterio personal
antes de elaborar el pronstico. Los pronsticos cualitativos tambin se deben
utilizar en Ia introduccin de nuevos productos, situacin en la que existe una base
de datos histrica. En este caso, es posible utilizar mtodos cualitativos para
desarrollar un pronstico por analoga, "o por el uso selectivo de la informacin
que se obtenga de la investigacin de mercado. Como se ver es posible adoptar
un enfoque sistemtico aunque no se formule un modelo matemtico explcito.

En la Tabla 11.2 se describen cuatro de los ms conocidos mtodos cualitativos

algunas de las caractersticas de cada uno. Como se puede advertir, los mtodos
cualitativos se utilizan tpicamente para el pronstico a mediano y largo plazo en el
que se involucre el diseo del proceso o la capacidad de las instalaciones. Para
estas decisiones, generalmente no se puede disponer de datos anteriores, o de lo
contrario, de existir stos, exhiben un patrn inestable.

Si bien en este captulo no se hace una descripcin detallada de los mtodos

cualitativos, s se hace notar su utilidad en situaciones determinadas. Tambin se
advierte que los mtodos cualitativos son costosos, en especial cuando se
necesitan pronsticos mltiples. A continuacin se analizar el extremo opuesto:
mtodos de series de tiempo, los cuales se adaptan bien a los pronsticos
mltiples de corto plazo.
8

1 1.3 PRONSTICOS DE SERIES DE TIEMPO

Los mtodos de series de tiempo sirven para anlisis detallados de los patrones
de la demanda anterior en el transcurso de tiempo para proyectar tales patrones
hacia el futuro. Una de las suposiciones bsicas de todos los mtodos de series
de tiempo es que la demanda puede dividirse en componentes tales como el nivel
promedio, la tendencia, la estacionalidad, el ciclo y el error.

La estrategia bsica en el pronstico de series de tiempo consiste en identificar la

magnitud y la forma de cada componente con base en los datos anteriores
disponibles. Estos componentes a excepcin del componente aleatorio, se
proyectan luego hacia el futuro. Si solamente se deja fuera un pequeo

componente aleatorio y el patrn persiste en el futuro, se habr obtenido un

pronstico confiable.
Un ejemplo de la descomposicin de una serie de tiempo es el siguiente:
y(t)=(a+bt)[f(t)l+e

(11.1)

En donde y(f) = demanda durante el periodo t

a = nivel
b = tendencia
f(t) = factor estacional (multiplicativo)
g = error casual

Como se puede observar, este modelo de serie de tiempo tiene un nivel, una
tendencia, un factor estacional, y un trmino de error aleatorio. Cada uno de estos
trminos se calculara a partir de los datos anteriores para desarrollar una
ecuacin que luego se utiliza para pronosticar la demanda futura.
En el estudio del pronstico de las series de tiempo se utilizan los siguientes
Smbolos y terminologa:

D, = demanda durante el periodo t

Ft + 1 = demanda pronosticada para el periodo t + 1
et = Dt - Ft = Error pronosticado en el periodo t
At = promedio calculado durante el periodo t

La imagen general es que nos encontramos al final del periodo t, que se acaba de
advertir el valor de D, y que se est elaborando un pronstico para los periodos t +
1,t + 2, t + 3,y as sucesivamente.
10

1 1.4 PROMEDIOS MVILES

El mtodo ms sencillo para el pronstico de series de tiempo es el mtodo de los
promedios mviles. Para ste se supone que la serie de tiempo solamente cuenta
con un componente de nivel, adems de un componente aleatorio. No se supone
la existencia de patrones estacionales, tendencias o ciclos en los datos sobre la
demanda. Sin embargo, en versiones ms avanzadas del promedio mvil se
pueden incluir diversos componentes.

Cuando se utiliza un promedio mvil, se selecciona un nmero de periodos (N)

para los clculos. Entonces la demanda promedio At para los periodos N
anteriores en el momento t se calcula de la siguiente manera:
At = Dt + D t + .. + Dt-n + 1
N
Como se supone que la serie de tiempo es plana (u horizontal), el mejor
pronstico para el periodo t + 1 es simplemente una continuacin de la demanda
promedio que se observa a lo largo del periodo t. De esta manera se tiene:
Ft+1 = At
Cada vez que se calcula Ft+1 se incluye la demanda ms reciente en el promedio y
se deja la observacin, ms antigua de la demanda. Este procedimiento mantiene
periodos de la demanda en el pronstico y deja que el promedio se mueva a
medida que se observan nuevos datos de demanda.

En la Tabla 11.3 se utiliza un promedio mvil de tres periodos para fines de

pronstico. Advirtase cmo el promedio mvil se compensa por un periodo para
obtener el pronstico mvil. El error de pronstico tambin se conoce en la tabla
como la diferencia entre la demanda actual y Ia pronosticada. Siempre utilice el
pronstico para el periodo t(Ft) en el clculo de los errores de pronstico, no el
promedio para el periodo t (At).

11

En la grfica de la Figura 11.2 se muestran los datos de la demanda del ejemplo,

el promedio mvil de tres periodos y un periodo mvil de seis periodos. Es una
buena idea graficar siempre los datos y los pronsticos antes de hacer
comparaciones.

12

Advirtase cmo el promedio mvil de seis periodos responde ms lentamente a

los cambios en la demanda que el periodo mvil de tres periodos. Como regla
general, mientras ms prolongado sea el periodo que promedia, ms lenta la
respuesta a los cambios en la demanda. De esta manera, un periodo ms largo
tiene la ventaja de proporcionar estabilidad al pronstico pero la desventaja de
responder ms lentamente a las modificaciones reales en el nivel de demanda. El
analista de pronsticos debe seleccionar el trueque adecuado entre estabilidad y
tiempo de respuesta optando por una duracin promedio N.

Una manera de hacer que el promedio mvil responda con mayor rapidez a los
cambios en la demanda es colocar relativamente ms peso en las demandas
recientes que en las anteriores. A esto se le llama promedio mvil ponderado, el
cual se calcula de la siguiente manera:

Ft+1= At=W 1Dt+ W 2Dt-1 + . + W nDt-n +1

Con la condicin siguiente:

wi =1
En el promedio mvil ponderado, es posible especificar cualquier peso deseado
siempre y cuando sumen 1. Por ejemplo, si se tienen tres demandas D1 = 10, 2, =
19, y D3 =29, el promedio mvil ordinario para los tres periodos es de 19.0. Con
pesos de .5, .3 y.2, el promedio mvil sopesado para los tres periodos es de
27.9.Eneste caso, el peso de .5 se aplic al tercer periodo, .3 al segundo periodo y
.2 al primero. Advirtase en este ejemplo cmo el promedio mvil ponderado ha
respondido ms rpidamente que el promedio mvil ordinario al aumento en la
demanda a 29 en el tercer periodo. Advirtase tambin que el promedio mvil
simple es solamente un caso especial del promedio rnovil ponderado donde todos
los pesos son iguales W t = 1/N.
13

Una de las desventajas del promedio mvil ponderado es que toda la historia de
la demanda para N periodos debe acarrearse con el clculo. Adems la respuesta
a un promedio mvil ponderado no se puede cambiar fcilmente sin modificar
cada uno de los pesos. Para superar estas dificultades se ha desarrollado el
mtodo de suavizamiento exponencial.

11.5 SUAVIZAMIENTO EXPONENCIAL

El suavizamiento exponencial se fundamenta en la sencilla idea de que es posible
calcular un nuevo promedio a partir de otro antiguo y la demanda observada ms
reciente. Supngase, por ejemplo, que se tiene un antiguo promedio de 20 y que
solamente se ha observado una demanda de 24.Parece lgico que el nuevo
promedio estar entre 20 y 24, segn qu tanto, peso se desee Poner sobre la
demanda que se acaba de observar contra el peso en el antiguo promedio.
Para formalizarla lgica anterior, se puede escribir
At= D t + (1 ) At-1
En este caso, At-1 es el antiguo promedio (20), Dt la demanda que se acaba de
observar (24) y la proporcin del peso que se pone sobre la nueva demanda
frente al promedio antiguo (0 a 1).
Como ejemplo, supngase que se utilizan los valores, = .1, D 1= 24, y At-1=20,
Luego, a partir de la Ecuacin (11,.4), se tiene que At = 20.4. Si = .5, se tiene
que A = 22, y si = .9, se tiene A t = 23.6. As, At puede variar entre el antiguo
promedio de 20 y la demanda de24, segn el valor de a que se utilice. Si se desea
que , tenga una respuesta muy sensible a la demanda reciente, se debe escoger
un valor grande de si, por el contrario, se desea que At responda ms
lentamente, entonces a debe ser ms pequeo. En la mayor parte del trabajo de

14

pronsticos, se le da a un valor entre .1 y .3 para mantener una estabilidad

razonable.

En el suavizamiento exponencial simple, como en el caso de los promedios

mviles, se supone que la serie de tiempo es plana, que no tiene ciclos ni
componentes de tendencia o de estacionalidad. Luego el pronstico de
suavizamiento exponencial para el periodo siguiente simplemente es el promedio
que se obtiene a travs del periodo actual. Esto es,
Ft+1 = At

En este caso, el pronstico tambin se desfasa a partir del promedio suavizado.

Se puede sustituir la relacin precedente en la Ecuacin (11.4) para obtener la
siguiente:
Ft+1 = Dt + (1 - ) Ft

(11.s)

En ocasiones esta forma alternativa de un suavizamiento exponencial simple, o de

primer orden, es ms conveniente que la Ecuacin (11.a) por que utiliza
pronsticos en lugar de promedios.
Otra manera de considerar el suavizamiento exponencial es con el reacomodo de
los trminos en el extremo derecho de la ecuacin (11 .5), lo que da
Ft+1 =Ft +( D t -Ft)
Esta forma indica que el nuevo pronstico es el antiguo pronstico ms una
proporcin del error entre la demanda observada y el antiguo pronstico. La
proporcin del error que se utiliza puede controlarse con la eleccin de .
Por ejemplo, supngase que se haba pronosticado F 5 = 1OO para el periodo 5 y
que se acaba de observar que la demanda para ste es D5= 120. En este caso, se
tiene un error de D5 - F5 = 20. Si = .1, entonces se aade nicamente 10 por
ciento de este error al pronstico antiguo para hacer el ajuste para el hecho de
15

que la demanda ha superado el pronstico. Por lo tanto, en este caso el pronstico

para el periodo 6 es F6 = 100 + .1(20) = 102. Advirtase, cuando se utiliza una
constante de suavizamiento de .1 que no se est reaccionando con demasa al
hecho de que se acaba de observar una demanda que super el pronstico que
se hizo. Sin embargo, si se quiere reaccionar ms rpidamente a incrementos
como ste en la demanda, se debe elevar el valor de . Por ejemplo, cul sera el
pronstico para el periodo 6 si = .5 o = .7?
(Respuesta: F6 = 110 para =.5 y F6=114 para = .7.)
Los estudiantes a menudo se preguntan por qu se ha dado el nombre de
"suavizamiento

exponencial"

este

mtodo.

Se

puede

demostrar

matemticamente que los pesos en cada uno de los datos anteriores de demanda
Se reducen exponencialmente, por un factor de (1 - ), hasta que se alcance la
demanda del primer periodo y el pronstico inicial F1. Dado que los pesos sobre
las demandas anteriores se reducen exponencialmente con el paso del tiempo y
todos los pesos suman 1, el suavizamiento exponencial es solamente una forma
especial del promedio mvil ponderado.

16

En la Tabla 11.4 se calculan dos pronsticos emparejados exponencialmente para

= .1 y d= .3 utilizando los mismos datos de demanda de la Tabla.11.3 como se
puede observar, el pronstico de a = .3 responde ms rpidamente a los cambios
En la demanda, pero es menos estable que = .1. Entonces cul de estos
pronsticos es el mejor?

Antes de responder a esta pregunta obsrvense algunos renglones de la Tabla

11.4. En el rengln 1, se da el pronstico inicial para el periodo 1, Ft= 15, como
valor inicial. La demanda para el periodo L es de solamente 10 unidades, por lo
que se reducir el pronstico para el periodo 2. Para a = .1, el nuevo pronstico F,
ser de 14.5 y para = .3, ser de 13.5. (Verifique usted mismo estas cifras.) Es
por esto que se afirma que el pronstico reacciona ms rpidamente a los
cambios en la demanda para los valores ms elevados de a, pero es menos
estable, puesto que no Sabemos si el promedio subyacente de largo plazo se ha
modificado o si solamente se observa una fluctuacin aleatoria en el primer
periodo.

Para responder la pregunta de cul es el mejor promedio, se necesita observarla

informacin y los errores de pronstico a 1o largo de un periodo bastante
prolongado. En la Tabla 11.4 se calculan dos medidas de error de pronstico para
15 periodos. Una de ellas es simplemente la suma aritmtica de todos los errores,
lo cual refleja el sesgo en el mtodo de pronstico. Lo ideal es que esta suma sea
0' En la Tabla 11.4, ambos mtodos tienen un sesgo positivo, donde = .1 produce
ms sesgo que = .3
La segunda medida de error de pronstico es la desviacin absoluta. En este
caso, se aade el valor absoluto de los errores, de tal manera que los errores
negativos no cancelen los errores positivos. EI resultado es una medida de Ia
varianza en el mtodo de pronstico. la desviacin absoluta total para a = .1 es
menor que para =.3. De esta manera, se tiene el interesante resultado de que el
17

pronstico de = .1 tiene un sesgo mayor, pero menos desviacin absoluta que el

pronstico de = .3
En este caso no est claro cul debe ser la eleccin entre ambos mtodos;
solamente depende de Ia preferencia personal entre el sesgo y Ia desviacin. Sin
embargo, si el pronstico tiene tanto una desviacin como un sesgo menores,
entonces se le preferir sin duda.
El procedimiento para elegir un valor de est claro ahora. Se debe hacer un
pronstico para los distintos valores de . Si uno de los valores de produce un
pronstico con menos sesgo y menos desviacin que los otros, entonces se
prefiere este valor. Sino existe una opcin clara, se debe considerar la posibilidad
de hacer trueques entre el sesgo y la desviacin cuando se elija el valor adecuado
de .
Desafortunadamente, el suavizamiento exponencial simple no siempre se puede
utilizar en la prctica debido a tendencias a efectos estacionales en los datos.
Cuando stos existen, es posible acudir al suavizamiento de segundo orden, de
tercer orden, de correccin de tendencia, o estacionalidad. Algunos de estos
mtodos ms avanzados se presentan en el suplemento del captulo.

11.6 ERRORES DE PRONSTICO

Cuando se utiliza el suavizamiento exponencial, sea sencillo o ms avanzado, se
debe hacer un clculo del error de pronstico junto con el promedio suavizado.
Este clculo de error puede utilizarse para distintos fines:
1. Para supervisar las observaciones errticas en la demanda, o las no
representativas por fuera de lmites, Ios cuales

deben evaluarse

cuidadosamente, e incluso rechazarse de los datos.

2. Para determinar cundo el mtodo de pronstico ya no est rastreando la
demanda real y necesita volverse a programar.
18

3. Para determinar los valores de parmetros (por ejemplo, N y o) que

permiten el pronstico con el mnimo de error.
4. Para fijar inventarios o capacidades de seguridad y con ello garantizar un
nivel deseado de proteccin en contra del agotamiento de las existencias.

Los tres primeros usos se cubrirn a continuacin; el cuarto se toca ms adelante,

en el Captulo 15.
En el trabajo de pronstico existen cuatro formas distintas de medir el error
acumulativo del pronstico a largo plazo durante varios periodos. (Recurdese que
et= D t- t es el error de pronstico para el periodo f, como se define arriba.)
Suma acumulada de errores de pronstico

Error cuadrtico medio

Desviacin media absoluta en errores de pronstico

Errores porcentuales de la media absoluta

(Se expresa como porcentaje)

19

Advirtase que n es el nmero de periodos pasados que se utiliza para calcular las
mediciones de error acumulado.

Ya nos hemos referido al valor de CFE como al sesgo en el pronstico. Lo ideal es

que el sesgo sea igual a cero, si lo errores positivos se compensan con los
negativos. Sin embargo, si el pronstico siempre es bajo, por ejemplo, el error ser
positivo en cada periodo y el CFE ser un nmero positivo grande, lo cual indica
un pronstico con sesgo.

La segunda y la tercera frmulas miden la varianza en el pronstico. La raz

cuadrada de MSE es la bien conocida desviacin estndar (o). MSE utiliza el
cuadrado de cada trmino de error para que los errores positivo y negativo no se
cancelen el uno al otro. Otra medida de la varianza, MAD, se calcula a partir de los
valores absolutos del error en cada periodo y no de 1os errores al cuadrado. MAD
es solamente el error promedio de n periodos sin tomar en cuenta el signo del
error en cada periodo. En la prctica, MAD se ha utilizado ampliamente en el
trabajo de pronsticos por que es fcil de comprender y utilizar.

La ltima medida del error acumulado de pronstico (MAPE) normaliza los

clculos de error mediante el clculo de un error porcentual. Esto permitir
comparar los errores de pronstico para distintos datos de series de tiempo. Por
ejemplo, si una serie de tiempo tiene valores bajos de demanda y otra otros
mucho ms elevados, el MAPE ser una forma precisa de comparar los errores
para estas dos series de tiempo.

Cuando se utiliza el suavizamiento exponencial, es comn calcular la desviacin

media absoluta suavizada, la cual se define de la siguiente manera:
MADt= lDt - F,l +(1-) MADt+1

20

En este caso, la nueva MAD, o MAD, es sencillamente una fraccin a de la

desviacin absoluta actual ms (1 - ) veces la MAD antiguo. Esto es anlogo a la
Ecuacin (11 4), puesto que la MAD se suaviza de la misma manera que el
promedio MADt es solamente un promedio ponderado exponencialmente de los
trminos absolutos de error.

Si debe calcular la MADt actual para cada periodo junto con el promedio del
pronstico. Entonces se puede utilizar la MADt para detectar un dato fuera de
lmites, la demanda mediante la comparacin entre la desviacin observada y la
MADt.

Si la desviacin observada es mayor que 3.75 MAD t se tiene razn de sospechar

que la demanda puede ser un valor extremo. Esto es comparable a determinar si
un valor observado de demanda cae fuera de tres desviaciones estndar (o) para
la distribucin normal. Esto es cierto porque = 1.25 MADt para la distribucin
normal. En la Tabla11.4, se calcul MADt para = .3. Como se puede observar,
ninguno de los errores de la demanda se ubican fuera de 3.75 MADt, por lo que no
se sospechan datos fuera de lmites.

El segundo uso de la MAD, es determinar si el pronstico est rastreando los

valores reales de la serie de tiempo. Para determinar esto, se calcula una seal de
rastreo, de esta manera:
Seal de rastreo = TS = CFE
MADt

As, la seal de rastreo es un clculo del sesgo (error acumulado del pronstico)
en el numerador dividido entre el estimado ms reciente de MADt Si s supone
que las variaciones en la demanda sern aleatorias, entonces los lmites de
control de +_ 6 en la seal de rastreo deben asegurar solamente una probabilidad
del 3 por ciento de que la casualidad superar los lmites. De esta manera, cuando
21

la cea de rastreo es superior a +6, se debe poner un alto al mtodo de

pronstico y reprogramarlo para que se acerque ms a la demanda observada. En
la Tabla 11.4, Ia seal de rastreo no es superior a +-6 en ningn periodo. Por lo
tanto, se considera que el pronstico est siguiendo a la demanda actual con
suficiente cercana.

En los sistemas de pronstico por computadora, resulta sumamente importante

incorporar los controles de error del tipo que se menciona arriba. Esto garantizar
que el sistema no se salga de control. En vez de eso, se notifica al usuario cuando
se detectan los puntos fuera de lmites en demanda o cuando la seal de rastreo
es demasiado grande.

Como un ejemplo de estos clculos, hgase referencia a los primeros renglones

de la Tabla 11.4. En las ltimas dos columnas de la tabla se ha calculado la MAD
suavizada y la seal de rastreo. Si se comienza con la suposicin arbitraria de que
MADo = 7 se puede calcular MAD 1 a partir de la frmula dada anteriormente como
sigue, donde = .3
MAD1=.3 | 10-15 I +.7(7)=6.4

En forma similar, la seal de rastreo para el periodo 1 es el error acumulativo

dividido entre MAD1:
TS=5/6.4= -.8
Como ejercicio, calcule MAD' y la seal de rastreo para el periodo 2 y compare sus
resultados con los de la Tabla 11.4.

11.7 PRONSTICOS AVANZADOS DE SERIES DE TIEMPO

El

suavizamiento

exponencial

adaptativo

constituye

una

variante

del

suavizamiento exponencial a la cual se le ha prestado mucha atencin. En una de

las formas de este enfoque se utiliza el suavizamiento de primer orden, pero se
cambia el coeficiente de suavizamiento en cada pronstico en +.05 para
22

determinar cul de los tres pronsticos tiene el menor error de pronstico. El valor
resultante de a se utiliza para el pronstico del siguiente periodo. Se deja que el
coeficiente de emparejamiento se incremente a un mximo de .95 y se reduzca a
un mnimo de .05.
Otro tipo de suavizamiento adaptativo consiste en ajustar continuamente con
base en el error actual de pronstico. Por ejemplo, se puede ajustar para el error
de pronstico suavizado. Si existe un gran error de pronstico, a ser ms grande
hasta que el pronstico vuelva a su carril. Cuando el error es ms pequeo,
tambin a ser pequeo y se conseguir un pronstico estable. Parece que este
mtodo funciona bastante bien en situaciones de pronstico de inventarios.

En la Tabla 11.5 se hace un resumen de cuatro mtodos de pronsticos de series

de tiempo. Ya se han analizado dos de ellos, que son el promedio mvil y el
suavizamiento exponencial, hasta cierto punto. Los otros dos se analizan
brevemente a continuacin.

Cualquier modelo matemtico deseado puede ajustarse a una serie de tiempo

como la que se muestra en la Ecuacin (11.1), con los componentes de nivel,
tendencia y estacionalidad. Por ejemplo, un modelo puede ajustarse mediante los
mtodos de regresin lineal o el uso de mtodos no lineales. En algunos casos, el
modelo resultante puede proporcionar un pronstico ms preciso que el
suavizamiento exponencial. Sin embargo, un modelo ajustado a la medida es ms
caro, por lo que deben hacerse algunas concesiones entre la precisin y el costo
del modelo.

Para ayudar a los analistas en el pronstico del trabajo, se ha desarrollado el

complejo mtodo Box-Jenkins para el pronstico de series de tiempo. Esta tcnica
tiene una fase especial para la identificacin del modelo, y permite un anlisis ms
preciso de los modelos propuestos que lo que es posible con los otros mtodos.
23

Necesita cerca de 60 periodos de datos anteriores y es demasiado caro para

utilizarse en el pronstico de rutina de muchos artculos. Sin embargo, para un
pronstico especial de ventas que implique una decisin costosa, debe ser obligatorio.

En resumen, los mtodos de series de tiempo son tiles para los pronsticos a
corto y mediano plazo cuando se espera que el patrn de la demanda permanezca
estable. Los pronsticos de series de tiempo a menudo constituyen insumos para
las decisiones que se refieren a la planeacin de la produccin agregada, la
elaboracin de presupuestos, la asignacin de recursos, los inventarios y la
programacin. Los pronsticos de series de tiempo no son por lo regular tiles
para las decisiones sobre la planeacin de las instalaciones o la seleccin de
procesos porque implican periodos muy prolongados.

24

11.8 MTODOS CAUSALES DE PRONSTICO

En general, los mtodos causales de pronstico desarrollan un modelo de causa y
efecto entre la demanda y otras variables. Por ejemplo, la demanda de helado
puede relacionarse con la poblacin, la temperatura promedio durante el verano, y
el tiempo. Es posible recopilar informacin sobre estas variables y conducir un
anlisis para determinar la validez del modelo que se propone" Uno de los
mtodos causales mejor conocidos es el de regresin, que generalmente se
ensea en los cursos de estadstica.

Para los mtodos de regresin tiene que especificarse un modelo antes de que se
recopile la informacin y se lleve a cabo el anlisis. El caso ms sencillo es el
siguiente en el modelo lineal de una sola variable:
Y= a + bx
Donde

Y= demanda estimada
x = variable independiente (que hipotticamente provoca y
= interseccin con y
b = Pendiente

Se recopila informacin para este modelo y se calculan los parmetros a y b.

Luego pueden hacerse estimados de la demanda a partir de la ecuacin superior
por supuesto que tambin se pueden desarrollar modelos ms complejos de
regresin mltiple.

Se ilustrar el pronstico de regresin lineal con un sencillo ejemplo. Supngase

que interesa calcular la demanda de peridicos con base en la poblacin local. La
demanda de peridicos durante los ltimos ocho aos (y,) y la poblacin
correspondiente en una pequea poblacin (x,) se muestran en la Tabla 11.6. Con
los datos disponibles, el primer paso es calcular los valores de a y de b para la
lnea. Esto se hace con alguno de los muchos paquetes de estadstica, como
Excel, Minitab, SPSS, o SAS. El resultado en este caso es 1.34 y b = 2.01. La
25

mejor ecuacin (con mnimos cuadrados) para predecir la demanda de peridicos

es por lo tanto y= -1. 34 + 2.01 x. Para esta ecuacin se observa que la tasa de
crecimiento de peridicos es 2.01 (miles de copias) para cada incremento de 10
000 personas en la poblacin. Esta tasa, o tendencia, de aumento permitira
proyectar la demanda de peridicos en los aos futuros a partir de los estimados
para Ia poblacin, con lo que se supone que una ecuacin lineal sigue pudindose
adaptar a la poblacin como variable de prediccin.

En la Tabla 11 .7 se describen otras formas de pronsticos causales (modelos

economtricos, modelos de entrada salida [inputs-outputs], y modelos de
simulacin. En general, estos modelos son ms complejos y ms costosos de
desarrollar que los modelos de regresin. Sin embargo en las situaciones en las
que es necesario modelar un segmento de la economa con gran detalle, los
modelos economtricos o los de input-output pueden resultar inadecuados.

26

Los modelos de simulacin resultan especialmente tiles cuando se modela una

cadena de suministro o un sistema de logstica para fines de pronstico. Por
ejemplo, supngase que se desea calcular la demanda de tubos catdicos para
televisor. En este caso, es posible construir un modelo de simulacin mediante la
representacin de los conductos de distribucin desde el fabricante de tubos de
cristal hasta el fabricante de tubos catdicos para televisor hasta el fabricante del
aparato y finalmente llegar hasta las cadenas de distribucin de mayoreo y de
menudeo; todas las importaciones, inventarios y exportaciones de la cadena de
suministro deben incluirse. A travs de este modelo se obtiene un pronstico
razonable para los tubos catdicos de televisor en varios aos futuros.

Una de las caractersticas ms importantes de los modelos causales es que se les

utiliza para predecir momentos decisivos en la funcin de la demanda. En
comparacin, los modelos de series de tiempo solamente se pueden utilizar para
predecir el patrn de la demanda futura con base en el pasado; no pueden
predecir las subidas y bajadas en la demanda.

Debido a esta capacidad para predecir momentos decisivos, en general Ios

modelos causales son ms precisos que los modelos de series de tiempo para
pronsticos a mediano y largo plazo. Por lo tanto, los modelos causales se utilizan
ms ampliamente en 1a planeacin de las instalaciones y de los procesos de
operaciones, No obstante, el pronstico sigue siendo una ciencia inexacta. Como
demostracin, en el recuadro de la pgina 149 se incluyen algunas famosas citas
al respecto. stas advierten sobre algunos de los peligros de los pronsticos,
como la inestabilidad de las series de tiempo, la incertidumbre del futuro, las
dificultades para predecirlos momentos decisivos y la falta de visibilidad total hacia
el futuro.

27

11.9 SELECCIN DE UN MTODO DE PRONSTICO

En esta seccin se presenta un marco de referencias para seleccionar entre los
mtodos cualitativo, de series de tiempo y causal. En esta tarea, los factores ms
importantes son los siguientes:

1. Complejidades del usuario y del sistema. Qu tan refinados son los

gerentes, dentro y fuera de operaciones, que deben utilizar los resultados de los
pronsticos? Se ha descubierto que el mtodo de pronstico debe empatarse a los
conocimientos y al grado de complejidad tcnica que maneje el usuario. En
general, los gerentes no estn dispuestos a utilizar los resultados que se obtienen
de tcnicas que no entienden.

Otro factor relacionado es la situacin de los sistemas de pronstico que se

utilizan actualmente. Los sistemas de pronstico tienden a evolucionar hacia
mtodos matemticamente ms complejos; no cambian en un Solo gran paso. Por
tanto, el mtodo que se escoja no debe ser demasiado avanzado ni complicado
para sus usuarios ni encontrarse en un grado muy superior de avance respecto del
actual sistema de pronstico. An ms, en ocasiones, los modelos ms sencillos
pueden tener un mejor desempeo, por lo que la complicacin no es la meta
ltima.

2. Tiempo y recursos disponibles. La seleccin de un mtodo de pronstico

depende del tiempo del que se dispone para recopilar informacin y preparar el
pronstico. Esto puede implicar e1 tiempo de los usuarios, de los encargados del
pronstico y de los recopiladores de datos. La preparacin de un pronstico muy
complejo para el cual debe recopilarse la mayor parte de la informacin puede
requerir varios meses y costar miles de dlares. Los pronsticos de rutina que
elaboran los sistemas computarizados probablemente tengan un costo y una
duracin modestos.

28

3. Uso o caractersticas de decisin. Como se seal al iniciar el captulo, el

mtodo de pronstico debe relacionarse con el uso a que se destina o con las
decisiones que se necesita tomar. A su vez lo primero depende de caractersticas
tales como la precisin, el horizonte de tiempo del pronstico y la cantidad de
artculos a incluir en este, por ejemplo, para las decisiones de inventario,
programacin y filiacin, de precios se necesitan pronsticos muy precisos a corto
plazo para una gran cantidad de artculos. Los mtodos de series de tiempo son
ideales para satisfacer estos requerimientos.

Por otro lado, las decisiones qu implican procesos, planeacin de instalaciones y

programas de comercializacin son a largo plazo y exigen menor Precisin para
un solo estimado de la demanda total. Los mtodos cualitativos o causales)
tienden a ser ms adecuados para tales decisiones. En el rango del mediano
plazo, se encuentran la planeacin agregada, la elaboracin de presupuestos de
capital y las decisiones relativas a la introduccin de nuevos productos, para lo
cual a menudo se utilizan mtodos causales o de series de tiempo.

4. Disponibilidad de la informacin. A menudo, la seleccin del mtodo de

pronstico se limita por la informacin disponible. En un modelo economtrico
quizs se necesite informacin de la que sencillamente no se puede disponer en el
corto plazo; por lo tanto, debe escogerse un mtodo alternativo. Para el mtodo
Box-Jenkins de series de tiempo se necesitan aproximadamente 60 puntos de
informacin (cinco aos de datos mensuales). La calidad de los datos disponibles
tambin importa. Cuando son deficientes, los pronsticos tambin lo sern. Se les
debe verificar para desechar factores extraos o puntos inusuales.

5. Patrn de la informacin. ste afectar la eleccin del tipo de mtodo de

pronstico. Si la serie de tiempo es plana, como se ha supuesto en la mayor parte
del captulo, se puede utilizar un mtodo de primer orden. Sin embargo, si en los
datos se observan tendencias o patrones estacionales, se requerirn mtodos
29

ms avanzados. El patrn en la informacin tambin determinar si basta con un

mtodo de series de tiempo, o si se necesita uno causal. Si aqul es inestable con
el transcurso del tiempo, quizs se seleccione uno cualitativo. De esta manera, el
patrn de la informacin constituye uno de los factores ms importantes que
afectan la seleccin de un mtodo de pronstico. Una manera de detectar el
patrn es al ubicar los datos en una grfica. Esto siempre debe ser el primer paso
cuando se hace un pronstico.

Otro aspecto relativo a la seleccin de mtodos de pronstico es la diferencia

entre el ajuste y la prediccin. Cuando se prueban modelos distintos, a menudo se
considera que el modelo que mejor se ajusta a los datos histricos (con menos
errores) tambin es el mejor modelo para predecir. Esto es falso. Por ejemplo,
supngase que se obtuvieron observaciones sobre la demanda durante los ltimos
ocho periodos y que se desea ajustar el mejor modelo de series de tiempo a estos
datos. Es posible elaborar un modelo polinomial de grado siete que se adapte
exactamente a cada uno de los anteriores ocho puntos de toma de datos. Pero
este modelo no es necesariamente el que mejor predice el futuro.

Lo ser aquel que describa la serie de tiempo subyacente pero no es una fuerza
adaptada a la informacin. La manera correcta de adaptar los modelos con base
en la informacin anterior consiste en separar el ajuste y la prediccin del modelo.
En primer lugar se divide al conjunto de datos en dos partes. A continuacin se
adaptar varios modelos con base en suposiciones razonables acerca de la
temporalidad, las tendencias y el ciclo al primer conjunto de datos. Estos modelos
se utilizan para predecir valores para el segundo conjunto de datos y el que tenga
menos errores en el segundo conjunto es el mejor modelo. En este enfoque se
utiliza el ajuste en el primer conjunto de datos y la prediccin en el segundo como
base para la seleccin del modelo.

30

Fuente de informacin
Extractos del Captulo 11 Pronosticos; Roger G. Schroeder; Traduccin Ma. Guadalupe
Cevallos Almada, Joaqun Ramos Santalla. Administracin de operaciones;: Casos y
conceptos contemporneos,{Mxico; McGraw Hill Interamericana, 2005. 1 Edicin. PP.
228 - 249

31