Unidad 4 Pronosticos PDF

Unidad 4
Pronósticos
1
PRONÓSTICOS
Que es y para qué se usan:
Es una predicción de eventos futuros y que es utilizado para poder

planificar.
Es necesario para:
• Determinar que recursos se necesitan.
• Programar los recursos existentes.
• Adquirir recursos adicionales.
Permite que los ingenieros programadores:

• Utilicen eficientemente las capacidades de las máquinas.
• Reducir los tiempos de producción.
• Recortar los inventarios.
Los métodos de pronósticos generalmente se basan en modelos

matemáticos que se respaldan por datos históricos disponibles.
2
PRONÓSTICOS
 Son estimaciones de la ocurrencia, la cronología o la

magnitud de futuros eventos inciertos.
Objetivos Pronósticos Políticas Presupuestos
3
¿En qué se basan ?
 Generalmente, los pronósticos son respaldados por consejeros
económicos, estadísticos, políticos y técnicos, y se basa en
información sobre los aspectos tales como:
 Niveles de producción industrial, tanto nacionales como internacionales.
 Gasto público.
 Disponibilidad de mano de obra.
 Cambios posibles en la estructura de precios.
 Variaciones en los niveles de vida.
 Competencia, tanto nacional como internacional.
 Nuevos productos posibles.
 Mercados potenciales.
 Cambios tecnológicos.
 Recursos e historial de la empresa.
 Objetivos, políticas y planes de la empresa a largo plazo.
4
¿Qué se pronostica?
 Principalmente la DEMANDA... pero también:
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
5
Jerarquía de Metas, Decisiones y Funciones
Objetivos Horizonte de Decisiones Típicas

Jerarquía de Decisiones
Administrativos Pronósticos de Manufactura
 Planeación de  3 - 20 años.  Planeación: Metas de
metasde la  En años, rentabilidad, calidad,
Planeación
organización. meses o participación de mercado,
Estratégica
trimestres. servicio al consumidor,
automatización.
 Administrar la  3 meses a 3  Administración: Finanzas,
adquisición de años. Mercadotecnia, Ventas,
Planeación
recursos para  En meses o tamaño y localización de
Administrativa
cumplir metas semanas instalaciones, producción
agregada. (MPS)
 Administrar  1 mes a 2  Administrar y Control
efectiva y años.  Distribuir y producir,
eficientemente la Planeación planear req´s. de
 En meses o
asignación de los y Control Operativo capacidad y materiales
semanas.
recursos.
 Control diario  1 día a un mes.  Control de producción

operativo. Proceso de Transacciones compras, pedidos, tráfico
6
Fundamentos de Pronósticos
 Un pronóstico es un estimado o descripción de un valor o

condición futura.
 Un buen pronóstico debe ser un estimado probabilístico de un valor

futuro que incluye media, rango y una inferencia de probabilidad.
Por ejemplo “las ventas esperadas del próximo mes serán de 400
unidades con un 70% de probabilidad de que estén entre 300 y
500”.
 Los pronósticos siempre son erróneos, y cuando aciertan es por

razones equivocadas.
 La mayoría de los pronósticos se basan en el supuesto de

que el pasado se repite.
7
Pronóstico de Demandas
 Pronosticar las demandas independientes y calcular las

dependientes.
 Principio del “pronóstico único”:
 Todos los pronósticos de un producto o actividad deben
ser iguales.
 Normalmente existen diferentes pronósticos de demanda de
un producto realizados por diferentes funciones de la
empresa, unos a nivel agregado y otros a nivel desagregado.
 La utilización de diferentes pronósticos origina que la toma de
decisiones en las funciones de la empresa sea inconsistente
e incongruente.
8
Sistema Operativo de Pronósticos
 Un sistema operativo de pronósticos debe soportar más los

pronósticos de grupos de artículos.
 Un sistema operativo de pronósticos se conceptualiza normalmente

como un sistema computacional que;
 procesa un alto volumen de información rápidamente y con alta precisión,
 proporciona pronósticos para miles de artículos mensualmente, modela
tendencias y estacionalidades,
 proporciona interfaces gráficas, interactivas y de diagnóstico,
 captura información de demanda de diversas partes,
 genera reportes jerárquicos para la administración, etc.
 Los módulos que integran un sistema operativo de pronósticos son:

Captura de datos, pronósticos, interacción e interface con la
administración, control y mantenimiento del sistema, reportes, y
la base de datos.
9
Integración de Base de Datos de Demanda
 La integración de la base de datos de demanda no es tarea fácil.
 El resultado final de un buen pronóstico es la satisfacción del

consumidor y el logro de rentabilidad duradera de la empresa.
 El concepto de servicio al consumidor se relaciona con él, a través de

las ventas pérdidas y envíos de órdenes tardías.
 Generalmente estos conceptos distorsionan los datos históricos, los

cuales pierden precisión para la estimación de la demanda.
 Los datos históricos de ventas son iguales al valor mínimo entre la
demanda y la oferta de artículos.
 Ordenes tardías distorsionan datos de embarque como una medida de
la demanda.
 La fecha de la demanda debe ser la fecha de entrega solicitada y no la
realizada.
 Capturar datos de demanda, no datos de ventas o embarque.
10
Integración de Base de Datos de Demanda
 La demanda es la cantidad de artículos pedida, no la prometida.
 Capturar la cantidad requerida por el cliente antes de informar sobre la

no disponibilidad de artículos.
 La falta de un artículo puede causar la pérdida de ventas de otros

complementarios.
 La falta de un artículo puede distorsionar la historia de demanda de los

artículos sustitutos.
 La mayoría de las empresas no capturan como demanda las ventas

perdidas.
 Se recomienda utilizar un sistema de captura de datos perpetuo o

continuo.
 La efectividad de los pronósticos requiere de bases de datos de
demanda precisas.
 Una base de datos de demanda precisa es un recurso estratégico.
11
Tipos de Métodos de Pronósticos
Métodos de
Pronóstico
Se emplean cuando la situación es Se emplean cuando la situación
“estable” y existen datos no es clara y existen pocos
“históricos”: Productos existentes, datos: Productos nuevos,
Tecnología actual. Nueva tecnología.
Métodos basados en
Previsiones Predicciones
opiniones o estimados
Estadístico que depende, subjetivos o de juicio.
Cuantitativos fundamentalmente, de los Cualitativos
datos históricos de la
demanda.
Opinión Ejecutiva
Series de Analogía Histórica
Causal
Tiempo Delphi
Investigación de Mercado
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales 12
PRONÓSTICOS
Demanda
Pronosticar la demanda  descubrir los patrones básicos de la

demanda.
Patrones de la Demanda
Es el orden en que se realiza las observaciones repetitivas de la
demanda, dando origen a cinco patrones básicos.
a. Horizontal.
b. De tendencia.
c. Estacionalidad.
d. Cíclico.
e. Aleatorio.
13
Patrones de Demanda
Cantidad
Tiempo
(a) Horizontal: Cúmulos de datos en torno a una

línea horizontal.
14
Patrones de Demanda
Cantidad
Tiempo
(b) De tendencia: Los datos aumentan o disminuyen de
manera consistente a través del tiempo.
15
Patrones de Demanda
Cantidad
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O ND
Meses
(c) Estacional: Los datos muestran crestas y valles de manera

consistentes.
16
Estacionalidad
 Muestra de datos de ascenso o descenso que se

repiten.
 Se puede ver afectada por la climatología, las
costumbres, etc.
 Se produce dentro de un periodo anual.
Verano
Respuesta
Mes, trimestre
17
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
18
Variaciones aleatorias
 Son “saltos” en los datos causados por el azar y

situaciones inusuales.
 Son debidas a variaciones aleatorias o a situaciones

imprevistas:
 Huelga.
 Terremoto.
 Son de corta duración y no se repiten.
19
PRONÓSTICOS
Los patrones a, b, c y d (Horizontal, de tendencia,

estacionalidad y cíclico) se combinan en diferentes grados
para definir el patrón de la demanda.
El patrón Aleatorio no se toma en cuenta por ser fortuito.
20
PRONÓSTICOS
Factores que Afectan la Demanda
Factores externos
Se encuentran fuera del control de la gerencia.
Ejemplo: Una economía en auge influye positivamente en la

demanda pero no necesariamente a todos los sectores de
productividad o servicios. (Ej. Eléctricas v/s carbón)
Un factor importante es:
Punto de Inflexión: período en que cambia la tasa de

crecimiento a lo largo de la demanda del producto, difícil de
prever el momento preciso, pero a través de algunas series de
tiempo se tienen dichos puntos y pueden ser útiles para estimar
que ocurrirá en la organización.
21
PRONÓSTICOS
Factores externos (continuación)
Indicadores Tempranos: representan factores externos cuyos

puntos de inflexión anteceden a crestas y valles del ciclo general
de los negocios.
Ej. Incremento en ventas de residencias en verde.
Indicadores Coincidentes: los puntos de inflexión coinciden con
el ciclo general de los negocios.
Ej. Cifras de desempleos, temporeras.
Indicadores retrasados: se presentan a continuación de los
puntos de inflexión con demora de varias semanas o meses.
Ej. Préstamo comercial para expandir la empresa.
Otros factores: - Gustos cambiantes (ropa)
- Imagen del artículo (cigarros vs. cáncer)
- Actividad de la competencia (publicidad)
22
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el
volumen de la demanda como es:
• Diseño de producto o servicio.
• Los precios y promociones publicitaria.
• Diseño de envases.
• Incentivos para los vendedores.
• Expansión o contracción del área geográfica seleccionada como

objetivo de mercado.
23
PRONÓSTICOS
Factores internos
Administración de la demanda proceso de la empresa que

influyen en los tiempos y en el volumen de la demanda.
 Con frecuencia respecto a su punto de máxima demanda, se

crean incentivos de precios o promociones antes y después para
que compren.
 Compañías programan fechas de entrega del producto o

servicios de acuerdo a sus capacidades (Ej. Médicos, dentistas,
productos personalizados).
24
PRONÓSTICOS
Diseño del sistema de Pronóstico
Gerencia frente a un pronóstico debe tomar tres decisiones
 Que va a pronosticar.
 Que tipo de técnica va a aplicar
 Tipo de hardware o software o ambos que utilizará
I. Que va a pronosticar
1. Nivel de acumulación
Es agrupar varios productos o servicios similares, con lo cual las
compañías pueden realizar pronósticos más asertivos y derivar
por productos o servicios.
Esta forma con lleva a un error generalmente es  5%.
Al pronosticar por artículo el error es >> 5%.
25
PRONÓSTICOS
Que va a pronosticar (continuación)
Sistema a dos niveles.
1er pronóstico: Familias bienes o servicios con similares
características en:
-- Requisitos de demanda
– Procesamiento
– Trabajo y Materiales.
2do pronóstico: de las cifras generales se deriva el pronóstico
por elemento individual.
2. Unidades de medición
De mayor utilidad son las unidades de productos o servicios y no
de dinero.
Ej. Unidades de radios, paquetes por entregar, número de
clientes, etc.
¡Cuidado! No es útil ingresos por ventas. (Ej. minoristas)
26
PRONÓSTICOS
Enfoques del Pronóstico
Métodos cualitativos Métodos cuantitativos
Se emplean cuando la situación no es Se emplean cuando la situación es
clara y existen pocos datos: “estable” y existen datos
Productos nuevos. “históricos”:
Nueva tecnología. Productos existentes.
Tecnología actual.
Requieren intuición y experiencia: Requieren técnicas matemáticas:
Por ejemplo, el pronóstico de Por ejemplo, el pronóstico de las
las ventas a través de Internet. ventas de televisiones en color.
27
PRONÓSTICOS
II. Decisión del tipo de técnica de pronóstico
La precisión de pronóstico depende de la selección de una
técnica apropiada y de los costos que esto puede acarrear,
para este último:
• Comprar un software.
• Tiempo requerido para hacerlo
• Capacitación del personal
Técnicas
 Cualitativa:
Método de juicio
Cuantitativa:
Métodos Causales
Análisis de serie de tiempo
28
Factores que Afectan la Demanda
Horizonte de tiempo
Corto plazo Mediano plazo Largo plazo

Aplicaciones (0-3 Meses) (3 Meses - 2 Años) (más de 2 Años)
Cantidad Productos o Total de ventas Total de ventas
Pronosticada servicios Grupos de familias
individuales de productos o
servicios
Área de decisión Administración Planificación de Localización
de inventario. personal Planificación de
Programación de Planificación de Prod. capacidad
ensamble final. Programación de Administración
Programación de producción de procesos
la fuerza de trabajo. Compras
Programación de Distribución
producción.
Técnica Series de tiempo
de pronóstico Causal Causal Causal
De juicio De Juicio De juicio
29
III. Pronóstico por medio de Computadoras
Contesta la pregunta ¿qué tipo de hardware o software o ambos

utilizará?
Se aplica para cortos plazos y en el mercado existen muchos paquetes
que se clasifican como:
•Sistemas manuales: Usuario selecciona la técnica de pronóstico y

parámetros.
•Sistema semiautomático: Usuario especifica la técnica pero el
software determina los parámetros para el modelo.
•Sistema automático: Software analiza los datos, sugiere técnica y
parámetros.
Criterios para seleccionar software (Dep. marketing + operaciones)

•Satisfacer las necesidades.
•Costo de compra o licencia.
•Nivel del soporte del personal requerido.
•Magnitud del mantenimiento necesario.
30
Análisis de Métodos
Método de Juicio
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios
comprarán los clientes.
•Información útil para administrar inventario, distribución,
formación de equipos de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo
para una región.
31
Método de Juicio (continuación)
Desventajas
• Algunos muy optimistas otros muy cautelosos
• No diferencian entre lo que el cliente desea y lo que
realmente necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento
parezca bueno, cuando supera la proyección o esforzarse
solamente para alcanzar meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronóstico de venta actual, debido a un evento
inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control.(sin la aprobación colectiva).
32
3.- Investigación de Mercado

Creación y puesta en marcha de diferentes hipótesis por medio de una encuesta,
para determinar el grado de interés del consumidor.
La investigación incluye:
•Diseño de un cuestionario, para obtener información económica, demográfica e
interés(es) de cada persona.
•Aplicación: - Teléfono ó Correo ó Entrevista
•Selección de la muestra representativa.
•Análisis de la información. Interpretación con criterio estadístico.
Uso, pronosticar la demanda con precisión:
•Excelente a corto plazo.
•Buena a mediano plazo.
•Regular a largo plazo.
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo)
33
4.- Método Delphi

Obtener consenso dentro de un grupo de expertos, pero en
anonimato, sin experiencia en el tema.
El panel de expertos pueden dedicarse a distintos rubros como,
política, negocios, científico, ambientalistas, etc.
Uso
•Pronosticar a largo plazo.
•Proyección de venta de un producto nuevo.
Desventajas
•Puede alargarse por mucho tiempo (más de un año).
•Probabilidad de respuestas menos significativas que si ellos no
asumen el problema.
•Pocas evidencias de alto grado de precisión.
•Los cuestionarios mal planteados conducen a errores.
34
Visión Global de los Métodos Cuantitativos
 Regresión lineal Método

causal
 Promedio móviles simples

 Promedio móviles ponderados Modelos de
 Suavización exponencial series temporales
 Proyección de tendencia
35
Método Causal Regresión Lineal
Se dispone de datos históricos, se puede relacionar lo que se intenta

pronosticar con otros factores externos o internos.
Ventajas
• Posee instrumentos más refinados de pronósticos.
• Excelente para prever puntos de inflexión de la demanda.
• Útil para pronósticos de mediano o largo plazo.
Regresión lineal consiste en que una variable dependiente se
relaciona con una o más variables independiente por medio de una
expresión algebraica.
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz
para puertas.
Variable independiente: gasto de publicidad o inicio de la
construcción de nuevas viviendas.
Modelo de mayor sencillez: y = a + bx
36
Y Ecuación de
Estimación de regresión:
Y a partir de Y = a + bX
la ecuación
de regresión
Variable Dependiente
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
37
Y Desviación Ecuación de
o error regresión:
Estimación de
Y = a + bX
Y a partir de
la ecuación
Variable Dependiente
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
38
Objetivo del análisis de regresión lineal Encontrara los valores de a y
b que minimicen la suma de las desviaciones (errores) al cuadrado
de los puntos reales de la grafica.
Formas de evaluar la precisión del pronóstico (existen 2)
1.- Coeficiente de correlación de la muestra ( r )
Mide la intensidad y dirección de la relación entre x e y.

r puede fluctuar entre –1 y +1.
r = 0  x no se relaciona con y.
r = +1,00  cambios registrados de uno a otro período, en la dirección
(incrementos o decrementos) de la variable independiente, siempre
lo acompaña los cambios de la variable dependiente en la misma
dirección.
r = - 1,00  los decrementos de x siempre va acompañados de los
incrementos de y , y viceversa.
Cuando más se aproxime el valor de r a  1,00 será más adecuado
el ajuste de la línea de regresión respecto a los puntos de la gráfica.
39
2. Coeficiente de determinación de la muestra ( r 2)
Mide la variación que representa “y” respecto a su valor medio.
Coeficiente de determinación = (Coeficiente de correlación)2 = r 2
r 2 oscila entre 0,00 y 1,00; pero generalmente se analiza como un %.
Si r 2 se acerca a 1,00 significa que las variaciones de “y” y el

pronóstico generado por la ecuación de regresión se encuentran
muy relacionadas, en caso de alejarse (  0,75) significa que existen
otras variables que están afectando.
Desviación Estándar (Syx): Promedio de desviación de las puntuaciones

con respecto a la media.
Cuando mayor sea la dispersión de los datos alrededor de la media
mayor será la desviación estándar.
40
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía,
tiene que elaborar un pronósticos de la demanda de un
producto, a fin de plantear las cantidades de producción más
apropiadas
Durante un almuerzo de negocios, el gerente de Marketing
aporta información sobre el presupuesto de publicidad destinado
a una bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el
mes entrante US$1.750 en publicidad para el producto. Aplique
la regresión lineal para desarrollar una ecuación y un pronóstico
para ese producto.
41
Ventas Publicidad
Mes (miles de unidades) (miles de $) 000 = miles
1 264 2.5 a = - 8.136
2 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4 101 1.0 r2 = 0.96
5 209 2.0 syx = 15.61
Gasto en publicidad para el mes 6 es de $ 1.750
Antecedentes cuantitativos obtenidos a través de la calculadora
42
300 —
Ventas (miles de unidades)
250 — 000 = miles
a = - 8.136
200 —
b = 109.229
r = 0.98
150 — r2 = 0.96
syx = 15.61
100 —
50 | | | |
• Pronóstico
1.0El valor
1.5de r para
es2.0
muy
Mespróximo
62.5 a 1,00 significa que existe una
fuerte relación
Publicidad (miles deentre ventas y publicidad, la selección es buena.
dólares)
X = $1750, Y = - 8.136 + 109.229(1.75)
• R2 significa que el 96% de la variación observada en las 43
ventas, se atribuye a los gasto involucrados de publicidad.
El análisis de regresión es una buena guía para decisiones
importantes como:
• Administración de inventarios.
• Planificación de capacidades.
• Administración de procesos.
Análisis de regresión múltiples

Se da cuando la variable dependiente (Y) depende de más de
una variable independiente. (Ej. Bisagra de bronce)
Son costosas, debido a la gran cantidad de datos que se
acumula y su posterior análisis e interpretación.
44
Método Series de Tiempo
Usa solo información referida a la variable dependiente.
Supuesto: La variable dependiente (su patrón) del pasado

continua en el futuro.
Identifica los patrones de la demanda que se combinan para

generar el patrón histórico observado anteriormente en la
demanda dependiente generando un modelo que pueda
reproducir dicho patrón.
45
Modelo de Pronóstico Empírico
• Método sencillo de series de tiempo.

• Se usa con frecuencia.
• Considera que: el pronóstico de la demanda actual es igual al
pronóstico de la demanda del período siguiente. Ejemplo.
Mes 1 : 150.000 art. Mes 2 : 150.000 art.

Martes 35 visitas sitio Miércoles 35 visitas sitio
Jueves 20 enfermos Viernes 20 enfermos
Para demanda de tendencia

Incremento o decremento de la demanda actual se usa para
ajustar la demanda para el siguiente período.
46
Modelo de Pronóstico Empírico (continuación)
1ª semana 2ª semana 3ª semana 4ª semana

108 unid. 120 unid. 120 + 12 = 132
12 Real 127 127 + 7 = 134
Para demanda estacional

Los pronósticos de los meses del año entrante será el reflejo de la
demanda real observada en los mismos meses del año anterior.
Ejemplo:
Julio 2010 Julio 2011
50.000 unid. 50.000 unid.
47
Ventajas del pronóstico empírico
• Simplicidad
• Bajo costo
• Funciona bien cuando las demanda son estables (variaciones
azar pequeñas)
Estimación del promedio

Cada serie de tiempos de demanda posee a lo menos dos de
los 5 patrones posibles de demanda. Ejemplo: Horizontal y
Aleatorio (azar).
Es posible que contenga también: de tendencia o estaciónales o

cíclicos, se hará inicialmente el estudio sin considerar estos.
48
Estimación del promedio (continuación)

El patrón horizontal de una serie de tiempos se basa en la media
de las demandas  poner atención en los métodos de
pronósticos en los que se estima el promedio de una serie de
datos a través del tiempo.
El pronóstico de la demanda para cualquier período futuro es el

promedio de las series de tiempos calculadas en el período
actual. Ejemplo:
49
Ejemplo
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede Llegadas reales
prever, no quedamos tranquilos al de pacientes
estimar solo promedios.
Semana
50
Técnicas estadísticas útiles para el pronóstico de series de tiempo:
• Promedio móviles simples.
• Promedio móviles ponderados.
• Suavización exponencial.
Método de Promedio Móviles Simples (MA)
Uso: estima el promedio de una serie de tiempos de demanda y
suprime de esta forma las fluctuaciones al azar.
Útil: cuando la demanda no tiene tendencias pronunciadas ni
influencias estaciónales.
Cálculo: para “n” períodos más recientes, con el fin de usarlos
como pronósticos para el siguiente período.
Pronóstico al período t + 1 
Suma de las n últimas demandas

F t + 1= At =
n
51
Método de Promedio Móviles Simples (MA)
(continuación)
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
F t + 1 = pronóstico para el período t + 1
F t+1 = At ó Ft = At-1
Puede incluirse todos los períodos pasados de demanda que se
desee.
La estabilidad de una serie correspondiente a la demanda
determina cuantos períodos serán necesarios incluir o sea “n”.
Serie de demanda estable son aquellas para los cuales el
promedio cambia solamente en forma infrecuente.
52
Cálculo del Promedio Móvil, At
 Elabore un pronóstico de promedio móvil de tres semanas para
estimar la llegada de pacientes a la clínica médica durante la cuarta
semana. Los datos correspondientes a la llegada de pacientes durante
las últimas tres semanas fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
 Si el número real de llegadas de pacientes durante la semana cuatro

fue de 415 ¿Cuál será el pronóstico para la semana 5?
53
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5Semana 6
54
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
410
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5 6
Semana
55
Promedios Móviles Simples
Pronóstico MA
450 — Pronóstico MA
6-semanas
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
56
Promedio Móvil Ponderado, AWt
Cada una de las tendencias históricas que intervienen en el

promedio pueden tener su ponderación, la suma de estas debe
ser 1,00.
Ejemplo: En tres períodos, al más reciente puede asignarse

ponderación 0,50, al segundo más reciente 0,30 y el tercero
más reciente 0,20.
El promedio se obtiene como:
A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2
Ft+1 = A t = 0,50 Dt + 0,30 Dt-1 + 0,20 Dt-2
57
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple,
cuando la demanda es dinámica.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo
calcula promedios de la demanda en el pasado.
Se observa mucho mejor el retraso cuando existe una
tendencia, ya que el promedio de serie de tiempos va en
incremento o disminución en forma sistemática.
58
 El analista que está a cargo de la clínica médica ha
asignado ponderaciones de 0.70 a la demanda más
reciente, 0.20 a la demanda de hace una semana y 0.10 a
la demanda de hace dos semanas. Use los datos
correspondientes a las tres primeras semanas para
calcular el pronóstico de promedio móvil ponderado para la
semana cuatro.
Semana Llegada de pacientes Ponderación

1 400 0,1
2 380 0,2
3 411 0.7
59
N
D1 =400 W1 = 0,1 AWt   D t  j1  Wt  j1
j1
D2 =380 W2 = 0,2
415
D3 = 411 W3 = 0,7 411
410
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5Semana 6
60
450 —
Supongamos que la demanda real para

430 —
la semana 4.fuera de 415 pacientes.
Entonces el pronóstico para la semana
410 —
5 seria:
390 —
370 — Actual patient

arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
61
450 — Llegada de
Semana pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
370 — Actual patient

arrivals
| | | | | |
0 5 10 15 20 25 30
Semana
62
Suavizamiento Exponencial Simple
Dt =  + et
 El modelo refleja un error aleatorio alrededor de una tendencia central
estable. Donde et se distribuye normalmente con media cero.
 El método consiste en estimar la demanda promedio suavizada

(ajustada) para el periodo venidero (At) sumando o substrayendo a
los pronósticos promedios precedentes (A t - 1) un porcentaje () de la
diferencia entre la demanda actual (Dt) y los pronósticos promedios
precedentes (Ft - 1)
At =  Dt + ( 1 -  ) A t - 1
63
 La constante de suavizamiento o tasa de respuesta

, representa la proporción del peso que se da a la
nueva demanda contra el promedio anterior
  varia en general de 0.01 a 0.3
At =  Dt + ( 1 -  ) A t - 1
 A t -1 refleja la historia
 Si se cree en la última demanda
=1
 Si se cree en la historia
=0
64
At =  D t + ( 1 -  ) A t – 1 ó At = A t - 1 +  ( D t - At-1 )
Ft+1 = A t ó Ft+1 =  D t + ( 1 -  ) F t
Ft+1 = F t +  (D t - F t )
et = Dt – Ft
Donde: At = Nuevo promedio suavizado

A t-1 = Antiguo promedio exponencial
 = Constante de Suavizamiento Exponencial, 0 <  < 1
Dt = Demanda real actual
Ft+1 = Pronóstico para el periodo t+1
et = error aleatorio para el periodo t
65
F t+1 =  (Demanda de este período) + (1 - )(Pronóstico

calculado para el último período)
F t+1 =  D t + (1 -  ) F t equivalente a:
Es igual al pronóstico del período
F t+1 = F t +  ( D t - F t ) actual más una proporción del
error del pronóstico
correspondiente al mismo
período actual.
66
 El analista que está a cargo de la clínica médica utilizará el

método de suavización exponencial con alfa = 0,1 para
estimar la demanda del tercer periodo. Use el promedio
correspondientes a las dos primeras semanas para estimar
un pronóstico inicial y calcular el pronóstico de la semana 4
Semana Llegada de pacientes

1 400
2 380
3 411
67
D1 =400
D2 =380
D3 = 411
415
410 411
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5Semana 6
68
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
410
405
400 400
395
390
385
380 380
375
0 1 2 3 4 5 6
Semana
69
450 —
430 —
410 —
390 —
370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
70
Pronóstico MA Pronóstico MA
450 —
3-semanas 6-semanas
430 —
410 —
390 —
370 — Suavización
Exponencial
 = 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
71
Inclusión de una Tendencia
Tendencia
• Incrementos o decrementos sistemáticos de los promedios de
la serie a través del tiempo.
• Suavización exponencial será modificado ya que los
resultados estará por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razón de 10 unidades en cada período, al
considerar  = 0,3 se tiene:
Período Demanda Pronóstico para t Resultado
real
1 10 F1 = 10
2 20 F2 = 0,3(10) + 0,7(10) = 10
3 30 F3 = 0,3(20) + 0,7(10) = 13
4 40 F4 = 0,3(30) + 0,7(13) = 18,1
72
Método de Suavización Exponencial
Ajustada a la Tendencia
Serán suavizadas
• Las estimaciones para el Promedio  
• La Tendencia  
Promedio (At)
Demanda en Promedio + Estimación de
At=  + (1 - )
este período la Tendencia (en el último
período)
A t =  D t + (1 - ) (A t -1+ T t–1 )
Tendencia (T t)
Estimación de la Tendencia
T t =  Promedio de - Promedio del + (1 - )
este período último período en el último período
T t =  (A t - A t – 1 ) + (1 - ) T t–1
73
Método de Suavización Exponencial
Ajustada a la Tendencia
F t+1= A t + T t
A t - 1 y T t – 1 : Promedio y Tendencia del último período, lo que
se puede obtener por medio de:
Datos del pasado
Estimaciones aproximadas al no existir históricos.
 y  : Se encuentran ajustando hasta obtener errores de

pronósticos lo más bajo posible, el valor para ambos entre 0 y 1.
F t+1 : Pronóstico para el período t + 1
74
Ejemplo
 Médica SA, ofrece servicios de laboratorio clínico a los pacientes del Hospital
Providencia, una agrupación de 10 médicos familiares asociados que brindan
un nuevo programa de mantenimiento de la salud. Los gerentes están
interesados en pronosticar el número de pacientes que van a requerir análisis
de sangre cada semana. Es preciso comprar suministros y tomar una decisión
acerca del número de muestras sanguíneas que serán enviadas a otro
laboratorio, para compensar las limitaciones de la capacidad del laboratorio
principal.
 Las informaciones recientes acerca de los efectos nocivos que provoca el

colesterol en el corazón han generado un incremento en las solicitudes de
análisis ordinarios de sangre en todo el país. En promedio el laboratorio realizó
28 análisis de sangre cada semana durante las 4 últimas semanas. La
tendencia durante en ese periodo fue de tres pacientes adicionales por semana.
 La demanda de esta semana fue de 27 análisis de sangre.
 Utilizar  = 0.20 y  =0.20 para calcular el pronóstico correspondiente a la

semana siguiente
75
Ejemplo de Suavización Exponencial
ajustada a la Tendencia
A0 = 28 pacientes
T0 = 3 pacientes
D = 27 pacientes
80 —1
 = 0.20 y  = 0.20
70 —
60 —
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
76
Semana
Suavización exponencial ajustada a la
Tendencia
A1 = 30,2 pacientes
T1 = 2,8 pacientes
D = 44 pacientes
80 —2
 = 0.20 y  = 0.20
70 —
60 —
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
77
Semana
Suavización exponencial ajustada a la Tendencia
80 — Pronóstico
ajustado a la
Tendencia
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
78
Patrones Estaciónales
• Son movimientos ascendentes o descendentes de la
demanda:
• Son repetitivos
• Se limitan en general a períodos menores de un año, como
horas, días, meses, trimestres, etc.
• A cada período de tiempo se le denomina estaciones.
Empresa Patrón estacional Estación

Comida rápida Un día hora
Peluquería Semana día
Renovación licencia Mes día
de conducir
Neumáticos autos Año mes
79
Método Estacional Multiplicativo
Este es uno de los métodos de pronósticos, el más usual.
Metodología: promedios simples de la demanda pretérita.
Ejemplo: Patrón estacional: un año, estación: un mes
1. Para cada año se obtiene la demanda promedio por estación, esto es

dividiendo la demanda anual por el número de estaciones perteneciente al
año.
Ejemplo: demanda total en un año 6000 y estación mes  6000/12 = 500

unid.
2. Genere un índice estacional para cada estación del año, su valor es el nivel
de demanda en relación con la demanda promedio.
Cálculo: para cada año, divida la demanda real de una estación entre la
demanda promedio por estación.
Ejemplo: Mes Junio demanda 620.

Por lo tanto el índice estacional = 620/500 = 1.24
 que la demanda en junio es de 24 % mayor que la demanda promedio
por mes.
80
3. Obtenga el índice estacional promedio para cada estación
(usando 2. ) Sume los índices estaciónales para una
estación dada y divídalos entre el número de años que
abarquen los datos.
Ejemplo: Mes junio
Año 2002 2003 2004
Índice estacional 1,24 1,18 1,06
junio
índice estacional promedio = (1,24 + 1,18 + 1,06) / 3 = 1,16

Este valor es usado para pronosticar la demanda de junio de
próximo año (2005).
4. Calcule el pronóstico de cada estación para el año siguiente.
81
Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de
limpieza de alfombras, necesita un pronóstico trimestral del
número esperado de clientes para el año siguiente. El negocio de
la limpieza de alfombras es estacional, con un punto máximo en
el tercer trimestre y un uno mínimo en el primer trimestre. Se
presenta a continuación los datos de la demanda trimestral
registrada en los cuatros años más recientes.
Patrón Estacional =
Estación =
82
Trimestre Año 1 Año 2 Año 3 Año 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
El gerente desea hacer un pronóstico de la demanda de los

clientes para cada uno de los trimestres del año cinco,
basándose en su estimación de que la demanda total durante el
año 5 será de 2600 clientes, debido a que el incremento anual
observado en la demanda es de 400 servicios por año.
83
Trimestre Año 1 Año 2 Año 3 Año 4

1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Promedio 250 300 450 550
Demanda Actual
Índice estacional =
Promedio Demanda
84
Selección de un Método
con series de Tiempo
Error de Pronóstico
• Los pronósticos siempre contienen errores.
• Los errores se clasifican en:
 Errores de Sesgo.
 Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemáticas  que el pronóstico
siempre sea muy alto o muy bajo.
¿por qué?
Son resultados de ignorar o no estimar correctamente ciertos
patrones de demanda como ejemplo de tendencia, estaciónales o
cíclicos.
Errores Aleatorios
Resultado de factores imprevisibles  El pronóstico se ve
obligado a desviarse de la demanda real.
85
Mediciones del Error de Pronóstico
Antes de minimizar, se debe tener un medio de medición:
Error de pronóstico
Es de carácter puntual
Et = Dt - Ft
E t = error de pronóstico para el período t

D t = demanda real para el período t
F t = pronóstico para el período t
Pero la tendencia es medir el error para a lo largo período,

lo que da origen a:
86
Suma Acumulativa de errores de Pronósticos (CFE)
Mide el error total de un pronóstico
Ventajas CFE = Et
• Los errores positivos grandes tienden a anular a los errores
negativos grandes.
• Es útil para evaluar el sesgo de un pronóstico, por ejemplo:
Si F t siempre es más bajo que D t entonces CFE cada vez será
mayor (+).
Este error creciente indica deficiencias continuas en el enfoque
del pronóstico, que puede deberse a:
 Omisión de un elemento de tendencia o patrón cíclico.
 Influencias estaciónales cambiaron frente al patrón
histórico.
= Et
CFE
Error de pronóstico promedio E = n
n
87
La dispersión de los errores de pronóstico suelen ser medidas por:
Cuadrado de Error Medio MSE =

E t
2
Desviación estándar  = (E - E ) t

2
n-1
Desviación Media Absoluta MAD =

|E | t
n
88
MAD ;  ; MSE si los valores que entregan son:

Pequeños; el pronóstico dado generalmente se aproxima a la demanda
real.
Grandes: enuncia la posibilidad de errores de pronóstico considerable.
Los errores grandes reciben mayor ponderación en MSE y  por

elevarse el error al cuadrado.
MAD entrega un valor común de error, el que no detecta, si el error

consistió en estimaciones excesivas o de subestimaciones.
89
Error Porcentual Absoluto
APE = [ |E | / D ] (100)
t t
Error Porcentual Medio Absoluto (MAPE)

• Relaciona el error del pronóstico con el nivel de la demanda.
• Útil para colocar el rendimiento del pronóstico en su correcta
dirección.
MAPE =
[ |E | (100) ] /D
t t
n
90
La siguiente tabla muestra, las ventas reales de sillas tapizadas

que realizó un fabricante de muebles y los pronósticos
correspondiente a cada uno de los últimos ocho meses.
Se debe calcular CFE, MSE, , MAD y MAPE para este producto.
91
Et = D t - Ft
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
92
Criterios para la Selección de Métodos
con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando
se debe seleccionar un método de pronóstico tanto para manufactura
como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado
en el método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
 y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el
parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.
93
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
Suma acumulativa Desviación media

Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
 = 0,1 65,6 14,8
 = 0,2 41,0 15,3
.
94
Señales de rastreo
Es una medida que nos dice si el método de pronóstico utilizado esta
previendo con precisión los cambios reales de la demanda.
CFE
Señal de rastreo =
MAD
CFE y MAD en cada período son actualizados para observar el error
actual y compararlo con señales determinadas anteriormente.
95
Señales de rastreo
CFE
Señal de rastreo = MAD
+2.0 —
Límite de control
+1.5 —
Señal de rastreo
+1.0 —
+0.5 —
0—
- 0.5 —
- 1.0 — Límite de control
- 1.5 — | | | | |
0 5 10 15 20 25
Número de observaciones
96
Señales de rastreo
CFE
Señal de rastreo =
MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones 97
Criterio Expectativas de Gerencia
Frente a los diversos factores internos como externos (un

cambio en el promedio, en la tendencia, etc.) se tiene las
siguientes posibilidades:
a) Proyecciones basadas en patrones de demanda estables, usar

valores de  más bajos o valores de n más altos, con el fin de
dar importancia a los datos históricos.
b) Proyecciones basadas en patrones de demanda dinámicas,

usar valores de  más altos o valores de n más bajos, como
los datos históricos están cambiando se pone énfasis a la
historia más nueva.
98
Criterio Expectativas de Gerencia
Uso del último período en el error de pronósticos
¿Siempre se obtiene un mejor pronóstico cuando se utiliza un

modelo de pronóstico más sofisticado?
¿Existe una técnica de pronóstico óptima para todos los

productos o servicios?
Para ambas preguntas NO
Da origen(particularmente) al Pronóstico enfocado que surge

de seleccionar el mejor pronóstico a partir de un grupo de
pronósticos generados por medio de técnicas sencillas
99
Fin Unidad de Pronósticos
100

Unidad 4 Pronosticos PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Unidad 4 Pronosticos PDF

Caricato da

Copyright:

Formati disponibili

Unidad 4

Es una predicción de eventos futuros y que es utilizado para poder

Permite que los ingenieros programadores:

Los métodos de pronósticos generalmente se basan en modelos

 Son estimaciones de la ocurrencia, la cronología o la

Objetivos Pronósticos Políticas Presupuestos

 Principalmente la DEMANDA... pero también:

Objetivos Horizonte de Decisiones Típicas

 Control diario  1 día a un mes.  Control de producción

 Un pronóstico es un estimado o descripción de un valor o

 Un buen pronóstico debe ser un estimado probabilístico de un valor

 Los pronósticos siempre son erróneos, y cuando aciertan es por

 La mayoría de los pronósticos se basan en el supuesto de

 Pronosticar las demandas independientes y calcular las

 Un sistema operativo de pronósticos debe soportar más los

 Un sistema operativo de pronósticos se conceptualiza normalmente

 Los módulos que integran un sistema operativo de pronósticos son:

 La integración de la base de datos de demanda no es tarea fácil.

 El resultado final de un buen pronóstico es la satisfacción del

 El concepto de servicio al consumidor se relaciona con él, a través de

 Generalmente estos conceptos distorsionan los datos históricos, los

 La demanda es la cantidad de artículos pedida, no la prometida.

 Capturar la cantidad requerida por el cliente antes de informar sobre la

 La falta de un artículo puede causar la pérdida de ventas de otros

 La falta de un artículo puede distorsionar la historia de demanda de los

 La mayoría de las empresas no capturan como demanda las ventas

 Se recomienda utilizar un sistema de captura de datos perpetuo o

Pronosticar la demanda  descubrir los patrones básicos de la

(a) Horizontal: Cúmulos de datos en torno a una

(c) Estacional: Los datos muestran crestas y valles de manera

 Muestra de datos de ascenso o descenso que se

 Son “saltos” en los datos causados por el azar y

 Son debidas a variaciones aleatorias o a situaciones

 Son de corta duración y no se repiten.

Los patrones a, b, c y d (Horizontal, de tendencia,

El patrón Aleatorio no se toma en cuenta por ser fortuito.

Ejemplo: Una economía en auge influye positivamente en la

Punto de Inflexión: período en que cambia la tasa de

Indicadores Tempranos: representan factores externos cuyos

• Diseño de producto o servicio.

• Los precios y promociones publicitaria.

• Incentivos para los vendedores.

• Expansión o contracción del área geográfica seleccionada como

Administración de la demanda proceso de la empresa que

 Con frecuencia respecto a su punto de máxima demanda, se

 Compañías programan fechas de entrega del producto o

Corto plazo Mediano plazo Largo plazo

Contesta la pregunta ¿qué tipo de hardware o software o ambos

•Sistemas manuales: Usuario selecciona la técnica de pronóstico y

Criterios para seleccionar software (Dep. marketing + operaciones)

3.- Investigación de Mercado

4.- Método Delphi

 Regresión lineal Método

 Promedio móviles simples

Se dispone de datos históricos, se puede relacionar lo que se intenta

Modelo de mayor sencillez: y = a + bx

1.- Coeficiente de correlación de la muestra ( r )

Mide la intensidad y dirección de la relación entre x e y.

Mide la variación que representa “y” respecto a su valor medio.

Coeficiente de determinación = (Coeficiente de correlación)2 = r 2

r 2 oscila entre 0,00 y 1,00; pero generalmente se analiza como un %.

Si r 2 se acerca a 1,00 significa que las variaciones de “y” y el

Desviación Estándar (Syx): Promedio de desviación de las puntuaciones