Unidad 2 Pronósticos

UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIDAD 2:
PRONÓSTICOS
CONTENIDO
1.1 HORIZONTES Y ALCANCES DE LOS PRONÓSTICOS......................................2
1.2 TECNICAS CUALITATIVAS.................................................................................10
1.3 TECNICAS CUANTITATIVAS..............................................................................12
BIBLIOGRAFÍA................................................................................................................36
2
PRONÓSTICOS
1.1 HORIZONTES Y ALCANCES DE LOS PRONÓSTICOS.

El primer paso en la planeación de las actividades de administración de producción e
inventario es pronosticar la demanda futura. APICS (American Production and
Inventory Control Society) considera que un pronóstico es
“un estimado de la demanda futura. Un pronóstico puede ser construido

utilizando métodos cuantitativos, cualitativos o una combinación de
métodos y puede estar basado en factores extrínsecos (externos) o
intrínsecos (internos). Varias técnicas de pronósticos intentan predecir
uno o más de los cuatro componentes de la demanda: si es cíclica, su
aleatoriedad, estacionalidad y tendencia”
¿Para qué debemos de pronosticar? Hay muchas circunstancias y razones, pero el

pronóstico es inevitable para desarrollar planes para satisfacer la demanda futura. La
mayoría de las compañías no pueden esperar hasta que las órdenes se reciban. Los
clientes usualmente exigen la entrega en un tiempo razonable, y los fabricantes deben
anticipar la demanda futura de productos o servicios y planear proveer la capacidad y
los recursos para suplir esa demanda. Las compañías que hacen productos estándar
necesitan tener sus bienes vendibles inmediatamente disponibles o por lo menos tener
materiales y subensambles disponibles para reducir el tiempo de entrega. Las
compañías que hacen órdenes a la medida no pueden comenzar a hacer un producto
antes de que el cliente ponga la orden pero deben tener los recursos de mano de obra
y equipo disponibles para suplir la demanda.
Muchos factores influyen la demanda para los productos de una compañía y sus
servicios.
Aunque no es posible identificar a todos ellos, o su efecto en la demanda, ayuda el

considerar los factores principales:
 Las condiciones generales de negocios y económicas
UNIDAD 2.- Pronósticos. Pág. 2

 Factores competitivos
 Tendencias del mercado tales como la demanda cambiante
 Los planes propios de la compañía de publicidad, promoción, precio y cambios
en los productos.
La base para cualquier actividad en la producción son los pedidos reales o el

pronóstico de pedidos futuros. En un ambiente de producir contra inventarios, las
actividades de producción se fundamentan por completo en pronósticos, debido a que
los pedidos deben satisfacerse con los artículos que hay en inventario. Por su parte, en
un ambiente de fabricación contra pedido, las actividades de producción no se basan
únicamente en los pedidos actuales.
Normalmente cualquier discusión sobre pronósticos se enfoca hacia técnicas

cuantitativas para manejar los datos, dejando de lado la manera en que se obtuvieron.
Debemos reconocer, sin embargo, que la máxima “si entra basura, sale basura" se
aplica perfectamente tanto a los pronósticos como a las demás técnicas
computarizadas. Por consiguiente, primero se explicará cómo se obtienen los datos, se
verifican y se registran. No se puede dar un sistema de pronósticos que descuide estas
actividades fundamentales.
Ahora bien, el personal encargado de la planeación de la producción no es responsable

de los pronósticos necesarios para la planeación a largo plazo a fin de planear la
construcción de instalaciones y las compras de equipo importante. De preferencia,
formulan pronósticos a más corto plazo utilizados para la planeación de la producción a
mediano plazo y para la programación maestra de producción a corto plazo, como se
muestra en la figura 1. En esta unidad, limitaremos la explicación a los pronósticos a
corto plazo que se utilizan para la programación de la producción y para formular
planes de capacidad a corto plazo.
DATOS
Los sistemas de pronósticos extrapolan series de datos en el tiempo. Una serie en el

tiempo es un registro histórico de la actividad pasada. Un postulado fundamental para
la extrapolación es que, de alguna manera, el futuro está conectado al pasado. Este
postulado no requiere que el mañana sea precisamente como hoy; sólo implica
mantener interrelaciones estables. Aun con el ambiente actual que cambia
rápidamente, por lo general se mantienen interrelaciones fundamentales, al menos
durante el corto plazo. En el cuadro 1 se muestran algunas series típicas en el tiempo.
Algunas características que se deben notar son los intervalos de tiempo (semanas,
meses, años, etcétera), las dimensiones (unidades, dólares, kilogramos, etcétera) y el
grado de variabilidad de los datos.

Planeación Estratégica o de ESTRATEGIAS Y
LARGO
PRONÓSTICO
Negocios (BP) COSTOS
PLAZO
CORTO CAPACIDAD DE
PLAZO Planeación de la Producción (PP) LA PLANTA Y El
EQUIPO
ÓRDENES ADMINISTRACIÓN Programación Maestra de la PRODUCTOS

DE LA DEMANDA Producción (MPS)
DISPONIBILIDAD
Planeación gruesa de la capacidad DE EQUIPO
(RCCP) CRÍTICO
Planeación de
Planeación de
materiales
la capacidad
(MRP) PROGRAMACIÓN
PARTES DEL EQUIPO Y
MANO DE OBRA
Control de Control de la DIRECTA
materiales capacidad
Figura 1: Papel de los pronósticos en el proceso de planeación de la producción.
Las series de datos en el tiempo son de dos tipos: intrínsecas y extrínsecas. Las series
de tiempo intrínsecas son datos que se refieren a ventas pasadas del producto del cual
se desea generar un pronóstico. Las series de datos en el tiempo extrínsecas son
datos externos, pero que están relacionados con las ventas del producto. Por ejemplo,
los datos que describen las ventas de un producto relacionado son extrínsecas. Antes
de examinar las técnicas formales para la extrapolación de las series de datos en el
tiempo, observemos primero algunas fuentes de datos extrínsecos.
FUENTES DE DATOS EXTRÍNSECOS
Existen algunas fuentes de datos extrínsecos. Una fuente son los datos demográficos,
datos relacionados con las características de nuestros clientes. Supongamos que se
desean pronosticar las ventas para las refacciones automotrices por región. Esta claro
que los datos interesantes son aquellos relacionados con las tendencias de la
población en cada región. Más que los datos de la población total, nos interesa la
población en edad de conducir automóviles, los grupos específicos de edad de esta
parte de la población y la población por nivel de ingresos. Otro aspecto de interés es el
tiempo pro-medio que se conserva un automóvil. A principios de la década de 1980
empezó a aumentar el espacio de tiempo en que las personas conservan sus carros,
probablemente debido al aumento en los costos de los autos nuevos. Es de suponer
que en la medida en que aumente la edad promedio de los automóviles, se
incrementará también la demanda de refacciones.

Demanda semanal apra un artículo de consumo
Semana 122 123 124 125 126 127
Demanda 9 7 8 13 18 22
Embarques mensuales de un artículo de consumo
Mes Marzo Abril Mayo Junio Julio Agosto
Demanda 10 15 10 25 10 30
Ventas de una compañía
Año 1984 1985 1986 1987 1988 1989
$ 437,626 475,998 480,700 641,283 711,193 765,818
Importaciones japonesas de artículos manufacturados
Año 1982 1983 1984 1985 1986 1987
$(en miles de millones) 6 9.2 11.3 9.4 10.9 12
Número de trabajos procesados por hora en la computadora A
Tiempo (militar) 1000 1100 1200 1300 1400 1500
Cantidad 78 85 40 75 105 120
Cuadro 1: Datos de una serie de tiempo típica.
Los datos demográficos se conservan en la mayor parte de las grandes bibliotecas,

especialmente en las universitarias. Casi todas estas bibliotecas emplean bibliotecarios
investigadores cuyo trabajo consiste en saber dónde encontrar estos datos.
Los datos también pueden obtenerse dentro de una empresa. Entre las fuentes de
datos más importantes en una empresa hay varios tipos de información de mercado,
tales como encuestas, datos de panel de prueba y retroalimentación de la fuerza de
ventas. Frecuentemente, se considera que este tipo de datos tienen un valor
cuestionable para el control de la producción, pero suele suceder que la falla está
precisamente en su interpretación y no en la calidad de los datos. Los datos de un
estudio de mercado se obtienen principal-mente para ayudar en la publicidad y
promoción del producto y en la toma de decisiones para la introducción de un nuevo
producto. En este texto no se abordarán los procedimientos específicos para llevar a
cabo un estudio de mercado, Se decidió dejar fuera del texto esta información del
estudio de mercado, porque se encamina primordialmente a fines de mercadotecnia. v
deben ser vistos con sumo cuidado para tomar decisiones de producción. Por ejemplo,
un estudio que establece un intento para aumentar las compras, puede ser útil en la
planeación de la capacidad de producción. Asimismo, la muestra puede arrojar alguna
luz respecto de la mezcla de mercadotecnia (tamaño, color, configuración) de la
demanda. Todos estos atributos son de gran importancia para determinar la mezcla de
fabricación.
Otra fuente de datos es la retroalimentación de la fuerza de ventas. En la medida en

que los vendedores entran en contacto con los clientes o con los compradores
potenciales, acumulan información respecto a lo que los clientes dicen que quieren y a
lo que los competidores ofrecen o piensan ofrecer (o retirar) del mercado. Sin embargo,
existen varias dificultades para utilizar estos datos en las decisiones de producción.
Debido a que los datos no se obtienen de manera ordenada y regular, es difícil

establecer la facilidad de comparación con otra información. ¿El hecho de haber
informado que el cliente X piensa comprar 15% más el próximo mes representa una
demanda superior a la ya programa-da? Como es muy común utilizar las ventas
proyectadas para establecer las metas de la fuerza de ventas y desde aquí la
compensación, existe el incentivo para manejar u ocultar los datos a fin de influir en el
pago del personal. Es difícil determinar el alcance de un sesgo deliberado y, por tanto,
la retroalimentación por la fuerza de ventas resulta cuestionable, si bien no quiere decir
que no sea útil.
MODIFICACIÓN DE LOS DATOS INTRÍNSECOS
Ahora examinaremos algunas muestras de series de datos en el tiempo originados

dentro de una compañía y consideraremos la necesidad de modificarlos. Las
actividades que suelen sesgar los datos son las promociones de ventas y las nuevas
campañas de publicidad. Aunque es obvio que producción debe estar enterada de tales
actividades, lo que casi siempre sucede es que no se comunican adecuadamente.
Quizá sea de mayor interés el hecho de que el efecto de esas campañas o
promociones no pueda estimarse con exactitud. El personal de mercadotecnia y de
fabricación debe compartir la responsabilidad, tanto del pronóstico como del programa
de fabricación. Con demasiada frecuencia, mercadotecnia estima que se venderán X
unidades; manufactura, en la creencia de que las estimaciones de mercadotecnia son
optimistas, fabrica X menos el 10%. Cuando se ven los resultados cada uno reclama al
otro por el exceso o la escasez en el inventario. La única forma de eliminar este
problema es tener un programa maestro sobre el cual ambos grupos estén de acuerdo.
Dos aspectos que se relacionan con los pronósticos cuando tienen lugar promociones
especiales son los pronósticos de ventas para el período después de la promoción y el
ajuste de los datos para reflejar la promoción. Considérese la siguiente secuencia de
datos de ventas:
Meses l 2 3 4 5
Ventas 100 100 100 200 ?
Dada esta secuencia, ¿qué ventas se pueden predecir para el mes No. 5? Cuando en
1983 se hizo esta pregunta a un gran auditorio de experimentados pronosticadores en
una Conferencia de APICS, la mayoría respondió que podían proyectar 0 ventas para
el mes 5. Su deducción consistía en que en el mes 4 debió haber existido una
promoción que ocasionó que los clientes se sobre abastecieran. Esto, a su vez, daría
como resultado que no hubieran pedidos hasta que los clientes hubieran usado sus
reservas de inventario.
En ningún enfoque de series de tiempo se llegaría a esta conclusión, con todo y lo

lógica que parece ser. Además, un paquete de análisis de series de tiempo derivaría en
pronósticos distorsionados, con estos datos. Supongamos que sí hubo una promoción
no repetida posteriormente en el mes 4 y que las ventas para los primeros seis meses
fueron:

Meses 1 2 3 4 5 6
Ventas 100 100 100 200 15 85
Es obvio que un conjunto de datos de ventas más útil para el sistema de pronósticos
consiste simplemente en seis meses de demanda de 100 unidades por mes. Este
ejemplo demuestra que la modificación de los datos de ventas algunas veces está
justificada para mejorar la exactitud del pronóstico.
La modificación de los datos debe estar limitada a la corrección de grandes anomalías

que tengan causas conocidas. Además, estas causas no deben repetirse con
regularidad. Los datos no deben modificarse porque parezca peculiar y no se conozca
alguna causa de tal irregularidad. Es un error alterar los datos simplemente para reducir
las variaciones al azar. Se consigue, cuando mucho, una estimación del error de
pronóstico muy pequeña y lo peor es que se hace muy poco esfuerzo para protegerse
contra un error en el pronóstico.
CALIDAD Y EXACTITUD DE LOS DATOS
La validez y lo apropiado de nuestras fuentes de datos debe asegurarse. Asimismo, es

preciso controlar los errores y hacer las modificaciones convenientes para los
acontecimientos que no se repiten.
Con frecuencia una fuente importante de errores se origina en el registro de los datos.
Estos errores pueden referirse a cantidades numéricas (registro de 71 en lugar de 1l) o
de identificación (parte 6A5Z en lugar de 6A52) o dimensionales (siete docenas en
lugar de siete centenas). En caso de ser posible, se debe desarrollar un sistema de
procesamiento de datos, sea manual o computarizado, para localizar esos errores y
corregirlos o, al menos, anotarlos, con el fin de descubrir su causa en una investigación
posterior.
Dígitos de verificación. La comprobación de dígitos proporciona una forma de

encontrar la mayor parte de los errores en el registro, cualquiera que sea el número de
partes. Los errores en el registro del número de una parte son particularmente
engañosos, porque crean errores en los datos para las dos partes: la parte que debería
estar ingresada y la parte que ha sido ingresada errónea-mente. La mayor parte de los
dígitos de verificación comprende un manejo algebraico de los primeros n – 1 dígitos de
un número n de dígitos para obtener el valor correcto del dígito enésimo. El ejemplo
que aquí se presenta utiliza un esquema mas sencillo que el utilizado usualmente, pero
sirve para ilustrar el principio general. Supongamos una empresa que tiene 500
artículos termina-dos que ha numerado de 001 a 500. La empresa desea agregar un
dígito de comprobación al sistema de numeración. Un procedimiento sencillo consiste
en usar
X4 – (X1+ 2X2 + 3X3) mod 10

Esto es, el cuarto dígito se calcula sumando el primer dígito más el doble del segundo
dígito, más tres veces el tercer dígito y extrayendo de la suma el dígito de la posición
unidad. Mediante este procedimiento, el dígito de comprobación para la parte 134 es (l
+ 2 x 3 + 3 x 4) mod 10 = (1 + 6 + 12) mod 10 = 19 mod 10 = 9. (El operador mod
proporciona el residuo después de que se realiza una división larga.) El número de la
parte revisado se convierte en 1349. Un error común al registrar los datos es la
transposición de dos dígitos. Si la parte número 1349 se ha registrado incorrectamente
como 1439, el procedimiento de comprobación de dígitos evalúa el dígito de
comprobación como (1 + 8 + 9) mod 10 = 18 mod 10 = 8. La computadora se rehusará
a aceptar la entrada de este número de parte porque el dígito final debe ser 8 y no 9.
Los sistemas de dígitos de verificación bien diseñados encontrarán más del 99% de los
errores en el registro de número de partes.
Filtros demanda. Se crea un filtro de demanda registrando una gama de datos

racionales para cada número de parte. Si durante los pasados meses la demanda
nunca disminuyó por debajo de 100, ni excedió de 200, 100 y 200 pueden fijarse como
límites. La computadora objetará automáticamente cualquier entrada menor de 100 o
mayor a 200. Para evitar demasiada intervención manual, debemos establecer limites
apropiados como un compromiso entre marcar errores inexistentes y el permitir que
datos erróneos entren al sistema. Al escoger un valor para un filtro de demanda, se
debería utilizar una banda suficientemente amplia para artículos no importantes y una
banda angosta para los artículos costosos v de volumen elevado. La razón de la banda
de anchura variable es que con los articulas de bajo valor en dólares resulta más
barato mantener un inventario de seguridad, para cubrir los efectos del error y no
emplear tiempo valioso del administrador en corregirlo. Para artículos con alto valor en
dólares, lo contrario es valido.
Órdenes versus embarques. Muchos de los errores en los pronosticas se han

cometido por la falla para reconocer la diferencia entre ordenes y embarques Por
ejemplo, las órdenes difieren de los embarques en el tiempo. Las órdenes anteceden a
los embarques por el tiempo de obtención o entrega del fabricante (ambiente de
fabricar contra pedido) o al menos en el tiempo en que se surte el pedido (ambientes
de fabricar contra inventario). Por diversas razones, las cantidades que se embarcan
pueden ser menores que las cantidades pedidas. Los embarques parciales se pueden
hacer durante cierto período para cubrir una orden. Es posible que los embarques
excedan las ordenes porque es posible que se hayan incluido refacciones o excedente
para cubrir defectos. Cualquiera que sea la razón, la distinción entre órdenes y
embarques se debe tomar en consideración cuando se utilizan los datos registrados
para efectuar pronósticos.
Cambios de precio. Otro factor que se debe tomar en cuenta es que los cambios en el
precio pueden ocasionar ventas incrementadas en dólares, pero no más ventas en
numero de artículos. Con frecuencia, las variaciones registradas en el precio por unidad
se pasan por alto, y surgen los errores porque se utiliza un factor simple para traducir
las ventas pasadas en dólares a ventas pasadas en unidades. Por ejemplo, un
incremento en el precio de $2.50 a $2.75 en el pasado mes de julio significa que las

ventas de los primeros seis meses de $30,000 y las ventas de la segunda mitad del
año de $32,000 en realidad representan una disminución en la venta de unidades.
Resumen sobre calidad de los datos. Para resumir, debemos examinar la fuente y la
exactitud de los datos sobre los cuales se hará el pronóstico. Ningún avance en la
técnica fotográfica común puede transformar un negativo borroso en una fotografía
clara y nítida, Del mismo modo, ninguna técnica de pronóstico puede transformar datos
deficientes en un buen pronóstico.
El horizonte del pronóstico para un producto debe ser al menos tan largo como el plazo
de tiempo total del producto. Si el horizonte del pronóstico es más corto, entonces las
primeras actividades de producción, como la colocación de órdenes de compra para
componentes con tiempo de entrega largo, se realizan con información insuficiente. El
horizonte del pronóstico debe ser tan largo como sea posible, es decir en la medida
que se pueda pronosticar con exactitud. La frecuencia con que se actualizan los
pronósticos depende del valor de la información obtenida y de la volatilidad de las
ventas del producto. Así, los pronósticos deberían actualizarse a menudo para los
artículos con alto valor en dólares, y con menor frecuencia para los artículos con bajo
valor en dólares. Para los artículos con alto valor en dólares, la exactitud adicional
obtenida por la actualización frecuente se recupera eliminando inventarios de seguridad
costosos. Para artículos que tienen ventas volátiles, es decir, ventas sujetas a grandes
cambios en volumen, la actualización frecuente ayuda a evitar una sobreproducción
costosa, así como la subproducción. El valor de la in-formación adicional debe exceder
al costo por obtenerla.
En general, los pronósticos se formulan para grupos de productos más que para
artículos individuales. Los pronósticos se pueden dividir, entonces, por la mezcla
histórica de productos para obtener el pronóstico de un articulo individual. Los
pronósticos para artículos individuales rara vez se necesitan. De hecho, los resultados
para pronósticos para grupos de artículos presentan mejores resultados que los
pronósticos de artículos individuales.
TÉCNICAS BÁSICAS DE PRONÓSTICOS
Las técnicas de pronóstico (utilizando el término pronóstico en su sentido más amplio)

se pueden dividir en dos categorías: cualitativas y cuantitativas. Las primeras, que
pueden hacer uso de números, utilizan una metodología que no es matemática. Las
técnicas cualitativas se sustentan en el criterio, la intuición y la evaluación subjetiva.
Entre las técnicas principales dentro de esta categoría están la investigación de
mercado (encuestas), Delfos (consenso de panel), analogía histórica y estimados de la
administración (adivinación). En la terminología APICS, todas estas técnicas
representan predicciones más que pronósticos en sentido estricto. La otra clase de
técnicas, las cuantitativas, se pueden dividir en intrínsecas y extrínsecas.
En este sentido, las técnicas intrínsecas suelen denominarse técnicas de análisis de

series de tiempo. Incluyen manejo matemático de la demanda histórica por articulo.

Estas técnicas son las que se utilizan más en los pronósticos para el control de la
producción e inventario. El otro grupo de técnicas cuantitativas, los métodos
extrínsecos, formulan un pronóstico que intenta relacionar la demanda de un artículo
con los datos referentes a otro artículo, un grupo de artículos, o factores externos
(como condiciones económicas en general). Los pronósticos cuantitativos son
pertinentes cuando existen datos históricos disponibles y cuando se espera que las
relaciones entre variables clave permanezcan sin cambios en el futuro
Los tres tipos básicos de técnicas cuantitativas para hacer pronósticos son los modelos
econométricos, la regresión y la extrapolación de tendencias. Los modelos
econométricos se basan en ecuaciones simultáneas de sistemas de regresión que
pronostican variables como las tasas de interés y la oferta monetaria. Con la llegada de
las computadoras, los modelos econométricos se han convertido en el instrumento que
se usa con mayor frecuencia para pronosticar variables económicas.
Todos los pronósticos cuantitativos, sin importar lo sofisticados y complejos que sean,
se basan en las relaciones históricas de variables clave. Por ejemplo, la regresión lineal
se basa en los supuestos de que el futuro será justo igual al pasado; cosa que,
evidentemente, jamás ocurre. Conforme las relaciones históricas van siendo menos
estables, los pronósticos cuantitativos van resultando menos exactos.
1.2 TECNICAS CUALITATIVAS.

Al explicar las fuentes de datos, se mencionaron algunos aspectos de la investigación
de mercado. Si bien estas técnicas se basan en una buena teoría y proporcionan
información valiosa para las decisiones de mercadotecnia, no se pretende que
sustenten directamente las decisiones de inventario. Más bien, se intenta que apoyen
las estrategias de desarrollo y promoción del producto. Los datos reunidos por estos
métodos se deben tomar en consideración en las decisiones sobre inventarios
agregados o en la planeación de la capacidad, pero no deben ser la única fuente para
tales decisiones.
Cuando se intenta pronosticar la demanda para un nuevo artículo, uno se enfrenta a

una escasez de datos históricos. Una técnica útil es el examen de la historia de la
demanda de un producto análogo. Si el producto relacionado es muy parecido, se
pueden utilizar las técnicas cuantitativas. Pero si la relación es muy sutil, quizá sea más
apropiado relacionar los productos sólo cualitativamente para obtener una impresión de
los patrones de demanda o ice demanda agregada. Por ejemplo, el patrón de la
demanda estacional para un producto establecido, como pelotas de tennis, se puede
usar para estimar el patrón de demanda esperada en guantes para tennis. Los niveles
actuales y las tendencias para los guantes no se pueden determinar de esta manera
con ninguna precisión, pero es posible esperar que el patrón estacional sí sea similar.
Cuando no existen pronósticos publicados de variables externas o internas

importantes, las organizaciones deben realizar sus propias proyecciones. La mayor

parte de las organizaciones pronostican (hacen proyecciones de) sus propios ingresos
y utilidades anuales. En ocasiones, las organizaciones pronostican su participación en
el mercado o la lealtad de los clientes en zonas locales. Como los pronósticos son tan
importantes para la administración estratégica y como la capacidad para hacer
pronósticos (a diferencia de la capacidad para usar un pronóstico) es esencial, a
continuación se analizan más ampliamente algunos instrumentos para pronosticar.
Los seis métodos cualitativos básicos para pronosticar son
1. Estimaciones de los vendedores,

2. Grupos de opinión de ejecutivos
3. Encuestas anticipatorias o investigaciones de mercado
4. Pronósticos con escenarios
5. El método Delfos
6. Lluvia de ideas.
Los pronósticos cualitativos o de opinión son particularmente útiles cuando no existen

datos históricos disponibles o cuando se espera que las variables que los constituyen
vayan a registrar cambios significativos en el futuro.
Dados los avances de la tecnología de cómputo, las técnicas para hacer pronósticos
cuantitativos suelen ser más baratas y rápidas que los métodos cualitativos. Las
técnicas cuantitativas, por ejemplo la regresión múltiple, pueden generar "márgenes de
error" que permitan a los gerentes estimar el grado de confianza que se puede
depositar en un pronóstico dado. Las instrumentos para pronosticar se deben usar con
cautela o sus resultados pueden producir más equívocos que ayuda, pero las técnicas
cualitativas requieren más juicios intuitivos que las cuantitativas. En ocasiones, los
gerentes se equivocan al "pronosticar" lo que les gustaría que ocurriera. La tabla que
se presenta a continuación compara los costos, la popularidad y la complejidad de
diferentes técnicas para pronosticar.
Analicemos el método o consenso de panel. Este puede ser útil en los pronósticos
tecnológicos, esto es, en la predicción del estado general del mercado, la economía o
los avances tecnológicos dentro de cinco años o más, con base en la opinión de un
experto. (El nombre de este método proviene del antiguo oráculo griego de Delfos que
predecía los acontecimientos futuros.) El proceso para formular una proyección Delfos
es una variación de lo siguiente: en un panel de futuristas se formula una pregunta,
como, por ejemplo: Dentro de los próximos diez años, ¿qué productos para el
consumidor cree usted que con-tengan microprocesadores como parte integral? Cada
especialista por separado presenta una lista de tales artículos al coordinador del panel.
Posteriormente, se envían las listas combinadas de nuevo a cada integrante del panel
para su evaluación y valoración de la probabilidad de que ocurra lo planteado. Es
posible que los integrantes del panel vean algo en que no habían pensado y que su
evaluación sea elevada. También los integrantes pueden pensar nuevamente respecto
de los mismos artículos que ellos habían presentado previa-mente. Después de un
número suficiente de ciclos (generalmente dos o tres), el resultado es una lista con un

alto grado de consenso. La técnica Delfos no es una técnica adecuada para pronosticar
a corto plazo, y ciertamente no lo es para productos individuales.
Por último, no se debe pasar por alto las estimaciones (intuición) de la administración
como un método de predicción. Se practica ampliamente con respecto a nuevos
productos o a cambios inesperados en la demanda para líneas de productos ya
establecidas. Sin embargo, no cualquiera tiene el don de la adivinación. Algunos
estudios han demostrado que si se sigue una técnica matemática apropiada se llega
sin duda a mejores resultados que con la "modificación experta” de esos pronosticas. A
pesar de ello, muchas técnicas matemáticas necesitan cantidades significativas de
datos históricos que pueden no estar disponibles. Cuando hacen falta datos
sustanciales, el juicio subjetivo de la gerencia puede ser la mejor alternativa.
1.3 TECNICAS CUANTITATIVAS.

Las técnicas intrínsecas utilizan la secuencia histórica de tiempo de la actividad de un
articulo en particular como fuente de datos para pronosticar la actividad futura de ese
artículo. Esa historia comúnmente se denomina serie de tiempo. Más patrones típicos
de series de tiempo se presentan en la figura 3. Hay que tener en cuenta que las
características de estas series se pueden identificar de varias maneras, y la
representación algebraica de tales graficas se puede obtener mediante una diversidad
de métodos.
Como ya lo vimos, se considera que una serie de tiempo consta de cuatro factores
subyacentes o componentes: (1) cíclicos, (2) de tendencia, (3) estacionales y (4)
aleatoriedad (o irregulares). El factor cíclico se refiere tradicionalmente al ciclo
comercial, a tendencias a largo plazo en la economía global. El factor cíclico puede
tener mucha importancia en el pronóstico para la planeación a largo plazo. Sin
embargo, su utilidad es muy poca en el pronóstico de la demanda para productos
individuales, la cual rara vez tiene suficientes datos para permitir una distinción entre el
efecto del ciclo comercial y el efecto del ciclo de vida del producto. Por esta razón, las
series de tiempo que se utilizan para los pronósticos a corto plazo, generalmente sólo
tienen como componentes la tendencia, el carácter de estacional y componentes al
azar. El componente de tendencia casi siempre se modela como una línea, la cual se
describe por una intersección o nivel base, que se designa como L, y una pendiente
que se designa como T. La línea de tendencia se puede modificar por un fenómeno
estacional S. Todos los datos se ven afectados, de alguna manera, por una variación al
azar, irregular, o dicho de otra manera, imposible de predecir (R).
Matemáticamente, este proceso esta basado en la combinación de un modelo

multiplicativo y uno aditivo, de la siguiente manera:
D = (L + T)·S +R

en donde D es la demanda. En esta versión, T, tendencia, está expresada en las
mismas unidades que L, nivel, y T puede ser positiva o negativa. R, al azar, se expresa
en las mismas unidades. Su valor esperado es 0. S, estacional, es un número sin
dimensión que tiene un valor esperado de 1.
Los modelos de la forma que se presentan en la ecuación anterior son los mas
comunes, pero algunas veces se utilizan modelos multiplicativos puros, Un modelo
multiplicativo puro podría expresar la tendencia y los componentes al azar como
porcentajes, de modo que el modelo se podría expresar como:
D=LxTxSxR
Ahora bien, una aproximación al análisis de las series de tiempo intenta determinar los
componentes subyacentes de la tendencia y los factores estacionales. El gobierno
federal de Estados Unidos utiliza este enfoque en los pronósticos en los factores
económicos (desempleo, costo de la vida y de-más). El enfoque también se emplea en
unas cuantas empresas en los pronósticos de ventas agregadas.
Aunque puede parecer sencillo el determinar los componentes de las series, algunas
veces identificados como descomposición, esto no siempre es posible ni práctico.
Obtener suficientes datos para la descomposición de series de tiempo tal vez no sea
posible, debido a los cortos tiempos de vida de los productos. Normalmente se
requieren cuatro años de datos consistentes para formular un pronóstico semejante
(esto es, cuatro años de datos después de que el artículo ha alcanzado la etapa de
madurez de su ciclo de vida). Con frecuencia los factores estacionales se determinan
para una familia de productos considerando agrupamientos basados en juicios. La
descomposición de las series de tiempo se explica detalladamente en la siguiente
sección.
ANÁLISIS DE SERIES DE TIEMPO
En esta sección se explican algunas de las técnicas más comunes para pronosticar las
series intrínsecas de tiempo sin tratar de buscar explícitamente factores estacionales o
de tendencia. También se examina la descomposición de las series de tiempo.
 Promedio móvil. Quizá la más sencilla de las técnicas para pronosticar las
series de tiempo es un promedio móvil. Para utilizar este método se calcula el
promedio de, digamos, tres períodos de la demanda actual y se utiliza éste para
pronosticar la demanda del siguiente período. Por ejemplo,

donde D =demanda actual en el periodo i
F = pronóstico de la demanda en el período i
Utilicemos los datos del cuadro 2 para resolver las ecuaciones para los períodos 8 y
9. A partir del cuadro 3, se puede observar que en los períodos 5, 6 y 7 (mayo, junio
y julio) hay demandas de 302, 274 y 162, respectivamente. Si se suman estas tres
cantidades y se divide el resultado entre 3, tenemos 246. Si este promedio de los
tres períodos se va a utilizar como pronóstico tendría que pronosticarse la demanda
en un período futuro, como el período 8. Hay que notar que en el cuadro 2 en la
columna de promedio está el valor 246, o sea, el promedio de los tres períodos
anteriores. Cuando se conoce la demanda actual del período 8 (194) se puede
utilizar la ecuación anterior para formular un pronóstico para el período 9. Se quita
el valor del período 5 y se promedian los valores de los períodos 6 y 7 con el del
período 8 para obtener un promedio de:
274+162+ 194
3
Debido a que cada promedio se mueve hacia delante un período en cada ocasión,
el procedimiento de quitar el valor más antiguo y agregar el más reciente se
denomina promedio móvil. El número de períodos a utilizar en el cálculo del
promedio puede ser cualquiera de 2 a 12 o más, aunque es más común usar 3 ó 4
períodos. Si la serie de tiempo es esencialmente como se ve en la figura 3 A, en
otras palabras, si no hay una tendencia ni hacia arriba ni hacia abajo, entonces el
promedio móvil es una técnica satisfactoria. Sin embargo, si existe alguna tendencia
o algún efecto estacional, entonces el promedio móvil no funcionará muy bien. Los
promedios móviles se rezagan de (desvían) cualquier tendencia como se puede ver
en la figura 4, en la cual se aplica un promedio móvil de tres períodos a los datos
del cuadro 2.
En la figura 4 se muestra que durante los períodos en los cuales aumenta la

demanda, el promedio móvil produce un pronóstico que es consistentemente bajo.
Cuando el pronóstico está disminuyendo, el promedio móvil origina un pronóstico
que es alto. Más aún, el punto de cambio en pronóstico se retrasa consistentemente
al punto de cambio de los datos. Este fenómeno se conoce como efecto de rezago
(desviación), es decir el pronóstico se rezaga (se queda atrás) consistentemente, de
los datos originales.
 Promedios móviles ponderados
Aquí hay que tomar en cuenta que los datos más recientes son más
revelado-res del futuro que los datos más antiguos. Con frecuencia resulta
más confiable un promedio móvil ponderado calculado para dar más peso a
los datos más recientes, que un promedio no ponderado. Un promedio móvil
ponderado se calcula multiplicando cada período por un factor de

ponderación, y dividiendo el resultado entre la suma de todos los factores
ponderados. Como ejemplo tenemos la ecuación:
donde D5,6,7, se utiliza para pronosticar la demanda para el período 8. El

denominador de la ecuación es la suma de la ponderación. Un promedio móvil
ponderado es precisamente como un sistema simple de promedio móvil.
Apliquemos esta fórmula a los datos usados anteriormente para el promedio móvil
simple o no ponderado. Cabe recordar que la demanda para el período 5 fe 302,
para el período 6 fue 274, v para el período 7 fue 162. Entonces, el numerador de la
ecuación es:
(2 x 302) + (3 x 274) + (4 x i 62) = 2,074
Si se divide este total entre la suma de las ponderaciones (2 + 3 + 4 = 9) resulta

230.44, ó 230 cuando se redondea al número entero mas cercano. También
podríamos normalizar las ponderaciones de modo que se sumen a uno, como se
muestra en la siguiente ecuación:
Es posible que usted desee repetir el cálculo realizado arriba para verificar que se
obtiene la misma respuesta, sujeta a un ligero error al redondear el resultado que se
puede presentar porque, y no se pueden expresar con precisión como
decimales. Debido a que la magnitud del error en el pronóstico es mucho mayor que
la magnitud del error por redondear, este error no tiene grandes consecuencias. Así,
la primera ecuación es tan exacta como la segunda, aunque las dos no puedan dar
precisamente la misma solución.
Normalmente, los promedios móviles ponderados sólo se utilizan cuan-do se

incluyen datos de varios períodos. Los factores de ponderación pueden tener
cualquier valor. Las ponderaciones son la evaluación subjetiva del pronosticador de
la importancia de los datos más recientes y los datos más antiguos al formular un
pronóstico. Si un producto es nuevo y pasa a través de una etapa de crecimiento en
su ciclo de vida, es frecuente que no se tengan datos suficientes para estimar la
tendencia y los componentes estacionales de las series de tiempo. Un promedio
móvil simple es indeseable debido a su tendencia a retrasarse frente a la tendencia
dominante. El promedio móvil ponderado puede resolver en parte este problema
dando mayor ponderación a los datos más recientes. Pero los promedios
ponderados aún quedan atrás de la tendencia y producen un pronóstico que es, en
consecuencia, bajo, durante los períodos de demanda incrementada.

Figura 3: Patrones típicos de las series de tiempo.
PERIODO MES DEMANDA PROMEDIO

1 Enero 90
2 Febrero 106
3 Marzo 152
4 Abril 244 116.0
5 Mayo 302 167.3

6 Junio 274 232.7
7 Julio 162 273.3
8 Agosto 194 246.0
9 Septiembre 312 210.0
10 Octubre 359 222.7
11 Noviembre 215 288.3
12 Diciembre 126 295.3
13 Enero 94 233.3
14 Febrero 125 145.0
15 Marzo 147 115.0
16 Abril 273 122.0
17 Mayo 349 181.7
18 Junio 310 256.3
19 Julio 178 310.7
20 Agosto 182 279.0
22 Octubre 400 227.7
25 Enero 131 277.0
26 Febrero 142 187.3
27 Marzo 186 150.7
28 Abril 307 153.0
29 Mayo 398 211.7
30 Junio 384 297.0
31 Julio 217 363.0
32 Agosto 228 333.0
34 Octubre 460 276.3
37 Enero 152 313.0
38 Febrero 141 210.3
39 Marzo 194 166.3
40 Abril 353 162.3
41 Mayo 449 229.3
42 Junio 415 332.0
43 Julio 236 405.7
44 Agosto 253 366.7
46 Octubre 504 303.0
Cuadro 2: Promedio móvil de tres períodos proyectados (futuro)

Figura 4: El promedio móvil se rezaga de los datos reales.
Examinemos el cuadro 3 para hacer una comparación de los promedios móviles

ponderados y no ponderados. Aunque aquí la columna del error al cuadrado indica
que el segundo promedio móvil ponderado tiene el menor error, esto no significa
que pueda ser válido para todas las series de datos.
Un impedimento para utilizar los promedios móviles ponderados para pronosticar

miles de artículos es que deben retener datos de N períodos (siendo N el número
de períodos de demanda utilizados en el promedio). Y se deben llevar a cabo N
multiplicaciones, N – 1 sumas y una división para cada pronóstico. Esto significa un
gran numero de datos y numerosos cálculos. La suavización exponencial, que se
presenta a continuación, ofrece un método equivalente al promedio móvil
ponderado, pero que requiere menos datos y cálculos.
 La suavización exponencial: No es necesario mantener meses de historia para

lograr un promedio móvil porque el pronóstico previamente calculado ya ha
permitido que se genere esta historia. Por lo tanto, el promedio puede estar basado
en el antiguo pronóstico calculado y los nuevos datos.
Usando los datos de la figura 5, suponga que se usa un promedio de la demanda

por lo últimos seis meses (80 unidades) para pronosticar la demanda de enero. Si al
final de enero la demanda de 90 unidades, debemos deshacernos de la demanda
de Julio y agregar la de enero para determinar el nuevo pronóstico. Sin embargo, si
se toma un promedio del pronóstico anterior (80) y la demanda real para enero (90),
el nuevo pronóstico para febrero será de 85 unidades.

Esta fórmula le pondera igualmente al mes más reciente como al pronóstico anterior
(que es un promedio de todos los meses anteriores). Si esto no parece adecuado,
se le puede poner menos peso a la última demanda más peso al pronóstico
anterior. Tal vez poner solamente el 10% del peso en la demanda del último mes y
el 90% del peso en el pronóstico anterior sería mejor. En ese caso:
Pronóstico de febrero = 0.1(90) + 0.9(80) = 81
Nótese que este pronóstico no se eleva tanto como nuestro cálculo previo en el cual
al pronóstico anterior y a la última demanda se les da el mismo peso. Una ventaja
de la suavización exponencial es que a los datos nuevos se les puede dar cualquier
peso que se desee.
PROMEDIO MOVIL DE 3 PROMEDIO MOVIL DE 3

PROMEDIO MOVIL DE 3
PERIODOS PERIODOS
PERIODOS
(Ponderaciones: 2, 3 y 4) (Ponderaciones: 1, 5 y 9)
PERIODO MES DEMANDA
Error Error Error
Pronóstico Pronóstico Pronóstico
absoluto absoluto absoluto
1 Enero 90
2 Febrero 106
3 Marzo 152
4 Abril 244 116 128 123 121 133 111
5 Mayo 302 167 135 183 119 204 98
6 Junio 274 233 41 249 25 273 1
7 Julio 162 273 111 277 115 281 119
8 Agosto 194 246 52 230 36 209 15
9 Septiembre 312 210 102 201 111 189 123
10 Octubre 359 223 136 239 120 263 96
11 Noviembre 215 288 73 307 92 332 117
12 Diciembre 126 295 169 285 159 269 143
13 Enero 94 233 139 207 113 171 77
14 Febrero 125 145 20 132 7 113 12
15 Marzo 147 115 32 115 32 115 32
16 Abril 273 122 151 128 145 136 137
PROMEDIO DE ERRORES 99 92 83
Cuadro 3: Comparación de promedios móviles.
El peso dado a la última demanda se le llama constante de suavización y se

representa con la letra griega alfa ( ). Siempre se expresa como una fracción
decimal que puede ir desde de 0 hasta un máximo de 1.
En general, la fórmula para calcular un pronóstico nuevo es:
Nuevo pronóstico = *(última demanda) + (1 - )*(pronóstico anterior)

Veamos el siguiente ejemplo:
El pronóstico para mayo fue de 220, y la demanda real para mayo fue de 190. Si 
es 0.15, calcule el pronóstico para junio. Si la demanda de junio resulta ser 218,
calcule el pronóstico para julio.
La solución al problema es:
Pronóstico para junio = (0.15 )*(190) + (1 – 0.15)*(220) = 215.5

Pronóstico para julio = (0.15)*(218) + (0.85 )*(215.5) = 215.9
Enero 92
Febrero 83
Marzo 66
Abril 74
Mayo 75
Junio 84
Julio 84
Agosto 81
Septiembre 75
Octubre 63
Noviembre 91
Diciembre 84
Figura 5: Historia de 12 meses de demanda.
La suavización exponencial provee un método de rutina para actualizar

regularmente los pronósticos de los artículos. Funciona muy bien cuando se
manejan artículos cuya demanda es estable.
Generalmente, las suavización exponencial da resultados más satisfactorios para

los pronósticos a corto plazo. Este método no es adecuado cuando la demanda es
baja o intermitente. La suavización exponencial detectará tendencias en al
demanda, aunque el resultado de los pronósticos se retrasará si de hecho existe tal
demanda (esto es, los resultados apenas mostrarán una tendencia cuando esta ya
esté presente o lleve algunos períodos manifestándose). La figura 6 muestra una
gráfica del pronóstico suavizado exponencialmente retrasándose respecto a la
demanda real donde existe una tendencia positiva. Al utilizar un valor de  mayor,
el pronóstico se apega a la demanda real aun más.
Existe un problema al tratar de elegir el mejor valor para  Si se utiliza un valor de

0.1, el pronóstico anterior tendrá demasiado influencia sobre el resultado y el
cambio en la tendencia no se notará con la rapidez deseada. Si se utiliza un valor
mayor, digamos 0.4, el pronóstico reaccionará abruptamente a los cambios en la
demanda y será errático si existe una variación aleatoria considerable. Una buena
técnica para seleccionar el valor correcto de  es mediante la simulación en una

computadora. Utilizando la demanda histórica, se utilizan distintos valores de 
hasta encontrar el mejor se ajuste al patrón de demanda que se quiere pronosticar.
Figura 6: Pronóstico exponencial cuando existe una tendencia.
DESCOMPOSICIÓN DE SERIES DE TIEMPO
Muchos productos tienen un patrón de demanda estacional o periódico. Ejemplo de

esto son el equipo para la nieve, cortadoras de pasto, trajes de baño y los adornos
navideños. Se dice entonces que estos productos tienen una demanda estacional.
Esta estacionalidad es menos obvia en los productos cuya demanda varía a lo largo del
día, semana o mes. Ejemplo de estos puede ser el uso de energía eléctrica durante el
día o la compra del mandado durante la semana. El uso de energía aumenta entre las
4 y 7 p.m. y los supermercados están mas ocupados durante los fines de semana y
antes de ciertos días festivos.
El uso de la palabra estacional no se refiere estrictamente a las estaciones del año

(primavera, verano, otoño e invierno), sino a la similitud del patrón de la demanda de
ciertos productos a lo largo del año, que puede compararse por su periodicidad año
tras año a las estaciones antes mencionadas.
El índice estacional es un indicador útil del grado de variación por estaciones de un

producto. Este índice es una estimación del nivel al que estará la demanda durante una
temporada o estación dada de la demanda. Este nivel puede estar por arriba o por
debajo de la demanda promedio anual.

Por ejemplo, la demanda de trajes de baño puede tener un promedio de 100 trajes al
mes, pero en julio, el promedio es de 175 y en septiembre de 35. El índice de la
demanda para julio sería de 1.75 y para septiembre de 0.35.
La fórmula para obtener el índice estacional es:
Índice estacional = demanda promedio del período _

demanda promedio de todos los períodos
El periodo puede ser diario, semanal, mensual o trimestral, dependiendo del período
base de estacionalidad de la demanda.
La demanda promedio para todos los períodos es un valor que elimina la

estacionalidad (la demanda se vuelve la misma para cada período). Esto se llama
demanda des estacionalizada. La ecuación anterior puede rescribirse como sigue:
Índice estacional = Demanda promedio del período _

demanda desestacionalizada
El siguiente ejemplo ilustra la forma de obtener el índice estacional:
Un producto que nuestra una demanda estacional con base trimestral basado en la
demanda trimestral y la demanda de los últimos tres años se muestra en la figura 7. No
hay tendencia, pero hay una estacionalidad definida. La demanda trimestral promedio
es de 100 unidades. La figura 7 también muestra una gráfica de la demanda estacional
y la demanda trimestral promedio. La demanda promedio que se muestra es la
demanda promedio histórica para todos los períodos (se pronostica la demanda
promedio, no la demanda estacional).
Año Trimestre
1 2 3 4 Total
1 122 108 81 90 401
2 130 100 73 96 399
3 132 98 71 99 400
Promedio 128 102 75 95 400
Los índices estacionales pueden ser calculados de al siguiente manera:
Índice estacional = 128 = 1.28 ( 1er trimestre )

100
Índice estacional = 102 = 1.02 ( 2do trimestre )
100
Índice estacional = _75_ = 0.75 ( 3er trimestre )
100

Índice estacional = _95_ = 0.95 ( 4o trimestre )
100
Total (índices estacionales) = 4.0
Figura 7: Historia de ventas estacionales
Es importante notar que el total de todos los índices estacionales es igual a la cantidad
de períodos. Esta es una buena manera de verificar si los cálculos son correctos.
La ecuación para desarrollar índices estacionales también se usa para desarrollar

pronósticos estacionales. Si una compañía pronostica la demanda promedio para
todos los períodos, los índices estacionales pueden usarse para calcular los
pronósticos estacionales. Si cambiamos la ecuación tenemos:
Demanda estacional = ( índice estacional ) * ( demanda desestacionalizada )
El ejemplo siguiente ilustra este caso. Si la compañía del problema anterior pronostica
una demanda anual para el próximo año de 420 unidades. Para calcular el pronóstico
para las ventas trimestrales tenemos:
Demanda trimestral pronosticada = 420 = 105 unidades

4
Demanda esperada en el 1er trimestre* = 1.28 x 105 = 134.40 unidades
Demanda esperada del 2o trimestre = 1.02 x 105 = 107.10 unidades
er
Demanda esperada del 3 trimestre = 0.75 x 105 = 78.75 unidades
*
Demanda esperada en el trimestre = (índice estacional) * (demanda trimestral pronosticada)

Demanda esperada del 4o trimestre = 0.95 x 105 = 99.75 unidades
Total de demanda pronosticada = 420.00 unidades
Los pronósticos no consideran la variación aleatoria. Son llevados a cabo para la

demanda promedio y la demanda estacional es calculada de la promedio utilizando los
índices estacionales. La figura 8 muestra la demanda estacional y la demanda
promedio pronosticada. Esta última también es la demanda desestacionalizada. Los
datos históricos provienen de una demanda estacional y deben desestacionalizarse
antes de que puedan ser utilizados para desarrollar un pronóstico.
También, si se hacen comparaciones entre las ventas de diferentes períodos, éstas son
irrelevantes a menos que se utilicen datos que no tengan la influencia de la
estacionalidad. Por ejemplo, una empresa que vende raquetas de tenis se da cuenta
que su mayor demanda se da durante el verano. Sin embargo, algunas persona juegan
tenis en canchas cubiertas, por lo que existe demanda en los meses de invierno
también. Si la demanda en enero fue de 5,200 raquetas y de 24,000 en julio, ¿Cómo se
pueden comparar las demandas de ambos meses para saber cual fue la mejor? Si hay
estacionalidad en al demanda, una comparación directa es inútil. La ecuación para
determinar la demanda desestacionalizada es la siguiente:
Demanda desestacionalizada = Demanda estacional real _

índice estacional
Al comparar las demandas de enero y julio con un índice estacional de 0.5 y 2.5
respectivamente, tenemos:
Demanda desestacionalizada para enero = 5,200  0.5 = 10,400 unidades

Demanda desestacionalizada para julio = 24,000  2.5 = 9,600 unidades
Ahora las demandas de enero y julio pueden ser comparadas, mostrando que la
demanda de enero es mayor a la de julio.
 Modelo de tres factores de Winters. Normalmente se prefiere la

descomposición de las series de tiempo como método de pronóstico estacional de
artículos de alto valor en dólares. Por desgracia, con productos cuyos tiempos de
vida suelen ser menores a cuatro años, con frecuencia no se cuenta con los datos
necesarios para efectuar adecuadamente la descomposición de la serie de tiempo.
Ahora bien, la suavización exponencial simple se puede utilizar para pronosticar la
demanda cuando se dispone de pocos datos, pero esta técnica produce pronósticos
desviados siempre que en los datos se encuentren o una tendencia o factores
estacionales. Entonces, es aceptable el uso del método de tres factores de Winters,
el cual emplea factores de suavización separados para la demanda base
(desestacionalizada), la tendencia y los estimadores del índice estacional.

Figura 8: Demanda estacional
Un pronóstico se realiza según el método de Winters exactamente en la misma

forma que con la descomposición de las series de tiempo:
donde Bn = proyección de la demanda base (desetacionalizada) en le período n,

es decir, intersección + n x pendiente
Tn = estimación de la pendiente para el período n
Sn = índice estacional para el período n
i = número de períodos futuros
p = número de períodos en un año
Puede parecer contradictorio que esta fórmula se pueda usar con pocos datos en el
método de Winters, dado que la misma fórmula no se puede usar con esos datos en
la descomposición de series de tiempo. La diferencia es que en el método de
Winters se empieza por hacer un estimado subjetivo de la base, la tendencia y los
factores estacionales y se mejora esta estimación por suavización exponencial en la
medida que se dispone de más datos. Aquí la estimación inicial más crítica es la de
los índices estacionales, pues incluso los otros factores se pueden derivar si tan
sólo se dispone de unos cuantos da-tos como los que corresponden a un año. Los
índices estacionales estimados se pueden obtener utilizando los de un producto

similar o de otro producto del cual se considera que tendrá una estacionalidad
similar.
Trimestre
Demanda Sn Bn Tn
(n)
1 112 0.9 124
2 115 0.7 164
3 124 1.1 113
4 177 1.3 136 4
Cuadro 4: Estimación de la base inicial y las tendencias.
Supongamos que la demanda de computadoras Acme, en miles, se resume por

trimestre, como se ve en el cuadro 4. Se considera que las computadoras son
altamente estacionales con incrementos al principio del año escolar y en Navidad,
Con base en los factores estacionales para otros artículos de precio elevado, que se
utilizan tanto en el hogar como en la escuela, Acme llega a índices estacionales de
0.9, 0.7, 1.1 y 1.3 para los trimestres del 1 al 4, respectivamente. Entonces, la
demanda para el primer año se puede dividir entre estos factores para establecer
cuatro estimaciones de demanda base. La tendencia se puede estimar como sigue:
Esto es, se toma el estimador base más reciente menos el estimador base más
antiguo y se divide entre el número de periodos que se han presentado entre las
observaciones.
El pronóstico para el periodo 5 se puede encontrar sustituyendo en la ecuación

inicial:
Supongamos después que la demanda real durante el periodo 5 es 112. Ahora es

posible actualizar la base, la tendencia y los factores estacionales utilizando la
suavización exponencial. Primero hay que derivar las fórmulas generales y después
se aplicarán para obtener el pronóstico para el periodo 6.
Se requerirán tres constantes de suavización, designadas como ,  y . La

constante de suavización para el estimado base es , para la tendencia es  y para
el índice estacional es . En todos los casos, la suavización exponencial se lleva a
cabo mediante la siguiente fórmula:

Estimado nuevo = Constante x Datos actuales + (1 – Constante) x
Estimado antiguo.
Lo que da como resultado las siguiente fórmulas
(ecuación 1)
(ecuación 2)
(ecuación 3)
Conviene notar que el nuevo índice estacional será utilizado para pronosticar un
año a futuro. Los otros índices son para un periodo (mes, trimestre, semana) en un
futuro. Los nuevos estimadores se pueden derivar en la secuencia mostrada, Bn, Tn,
entonces Sn
Los valores reales citados en las ecuaciones se encuentran como sigue:
(ecuación 4)
(ecuación 5)
(ecuación 6)
donde Xn es la demanda real observada en el periodo n.
La ecuación 4 dice que la demanda desestacionalizada para el periodo n se

encuentra dividiendo la demanda real entre el índice estacional que existe para el
periodo n (el cual se estableció en el periodo n – p). La ecuación 5 señala que el
último valor de la tendencia se encuentra restando el estimador base anterior del
actual. La ecuación 6 indica que el factor estacional actual es la división entre la
demanda actual y la demanda desestacionalizada. Al sustituir las ecuaciones 4 a la
6 por las ecuaciones 1 a 3 se obtiene:
(ecuación 7)
(ecuación 8)
(ecuación 9)

Supongamos que se elige utilizar 0.2, 0.1 y 0.05 como valores de ,  y ,
respectivamente. Ahora se pueden emplear las ecuaciones 7 a la 9 para determinar
B5, T5, S5 y F6.
Al formular el pronóstico para el periodo 6, se utilizan los estimadores de la nueva

base y de la tendencia, y se emplea el índice estacional para un año antes del
periodo 6 (periodo 2). El nuevo índice estacional para el primer trimestre del año (S5)
se usará para pronosticar el periodo 9, el primer trimestre del tercer año.
En el cuadro 5 se muestra una posible realización de cinco años de demanda al

utilizar el método de Winters. En este ejemplo, parecen buenas las estimaciones
iniciales de los cuatro índices estacionales. En el cuadro 5 se exhibe la MAD y la
señal de seguimiento obtenida durante varios años de proyecciones. No hay
ninguna desviación evidente y la MAD es bastante pequeña.
RASTREANDO DEL PRONÓSTICO
Como se dijo en la discusión sobre los principios de los pronósticos, estos están
usualmente equivocados. Hay varias razones para esto, algunas están relacionadas
con la participación humana y otras con el comportamiento de la economía. Si hubiera
un método para determinar que tan bueno es un pronóstico, se podrían mejorar los
métodos de pronósticos y podrían hacerse mejores estimaciones. No tiene caso
continuar con un plan basado en datos de pronóstico pobres. Necesitamos rastrear el
pronóstico. El rastreo del pronóstico es el proceso de comparar la demanda real con el
pronóstico.
Índice
Base Tendencia Pronóstico Error
Periodo Demanda estacional Error
(B) (T) (F) absoluto
(S)
1 112 124.0 0.900
2 115 164.0 0.700
3 124 113.0 1.100
4 177 136.0 1.300 4.0

5 112 136.9 0.896 3.7 126.0 14 14
6 101 141.3 0.701 3.8 98.0 -3 3
7 185 149.7 1.107 4.2 160.0 -25 25
8 202 154.2 1.300 4.3 200.0 -2 2
9 129 155.6 0.893 4.0 142.0 13 13
10 107 158.2 0.700 3.8 112.0 5 5
11 186 163.2 1.108 3.9 179.0 -7 7
12 251 172.3 1.308 4.5 217.0 -34 34
13 177 181.1 0.897 4.9 158.0 -19 19
14 133 186.8 0.700 5.0 130.0 -3 3
15 188 187.4 1.103 4.5 213.0 25 25
16 249 191.6 1.308 4.5 251.0 2 2
17 182 197.5 0.898 4.6 176.0 -6 6
18 159 207.1 0.704 5.1 141.0 -18 18
19 237 212.8 1.104 5.2 234.0 -3 3
20 266 215.0 1.304 4.9 285.0 19 19
Cuadro 5: Aplicación del método de Winters.  = 0.2,  = 0.1,  = 0.05. Los
datos de la tabla dan como resultado una MAD de 12.3750, un error de -2.6250
y una señal de rastreo (error/MAD) de -0.2121
ERROR DEL PRONÓSTICO
Es la diferencia entre la demanda real y la demanda pronosticada. El error puede

ocurrir de dos maneras, por parcialidad de la demanda y por variación aleatoria.
 Parcialidad de la demanda. La demanda acumulada de hecho puede no

ser la misma que el pronóstico. Considere los datos de la tabla 1. La demanda de
hecho varía del pronóstico y durante el período de seis meses, la demanda
acumulada es 120 unidades mayor de lo esperado. Existe la parcialidad en el
pronóstico cuando la demanda acumulada de hecho varía del pronóstico
acumulado. Esto significa que la demanda promedio pronosticada no es correcta.
En el ejemplo de la tabla 1, la demanda promedio pronosticada era de 100, pero la
demanda promedio de hecho fue de 720  6 = 120 unidades. La figura 9 muestra
una gráfica de pronóstico y demanda real acumulativos.
La parcialidad es un error sistemático en el cual la demanda consistentemente se

encuentra por encima o por debajo de la demanda pronosticada. Cuando existe una
parcialidad, debe cambiarse el pronóstico para mejorar su exactitud.
Mes Pronóstico Real

Mensual Acumulada Mensual Acumulada
1 100 100 110 110
2 100 200 125 235
3 100 300 120 355
4 100 400 125 480
5 100 500 130 610

6 100 600 110 720
Total 600 600 720 720
Tabla 1. Pronóstico y ventas reales con muestra de parcialidad
La parcialidad es un error sistemático en el cual la demanda consistentemente se

encuentra por encima o por debajo de la demanda pronosticada. Cuando existe una
parcialidad, debe cambiarse el pronóstico para mejorar su exactitud.
El propósito de rastrear el pronóstico es para poder reaccionar a los errores de los

pronósticos planeando tomándolos en consideración o reduciéndolos. Cuando se
observa un error o parcialidad demasiado grande, debe investigarse para
determinar su causa. Constantemente hay razones excepcionales que suceden una
sola y que dan lugar a los errores. Como ejemplo tenemos las descomposturas de
máquinas, clientes que paran su producción, órdenes grandes que se presentan
una sola vez y promociones de venta. Estos eventos se relacionan con la discusión
sobre la recolección y preparación de datos y la necesidad de registrar las
circunstancias en las que se dieron dichos eventos.
En estas ocasiones, la historia de la demanda debe ajustarse para considerar las

circunstancias excepcionales. También pueden ocurrir errores debido al tiempo. Por
ejemplo, un invierno que llegue anticipadamente o retrasado afectará el tiempo de la
demanda para palas de nieve aunque la demanda acumulada será la misma.
Rastrear la demanda acumulada confirmará los errores de tiempo o eventos únicos
excepcionales. El siguiente ejemplo ilustra esto. Se debe notar que la demanda
acumulada en abril vuelve a rangos normales.
 Variación aleatoria. En un período dado, la demanda real variará de la

demanda promedio. La variabilidad dependerá del patrón de la demanda del
producto. Algunos productos tendrán una demanda estable mientras que otros la
tendrán inestable y con grandes variaciones. Consideramos los datos en la tabla 2;
existe una variación aleatoria pero el error promedio es cero. Esto demuestra que el
pronóstico promedio es correcto y que no existe parcialidad. Estos datos se grafican
en la figura 10.

Mes Pronóstico Demanda real Pronóstico Demanda real
acumulado acumulada
Enero 100 95 100 95
Febrero 100 110 200 205
Marzo* 100 155 300 360
Abril 100 45 400 405
Mayo 100 90 500 495
* El cliente previó una huelga y acumuló inventarios
Figura 9: Pronóstico y ventas reales con muestra de parcialidad
 Desviación media absoluta (MAD) El error en los pronósticos debe ser

medido antes de ser utilizado para revisar el pronóstico o para ayudar a la
planeación. Existen varias maneras de medir el error, pero la más común es
mediante el uso de la desviación media absoluta (MAD).
Consideremos la variación o error de la tabla 2. Aunque el error total es cero, se

presenta una variación considerable mes tras mes. El error total no nos sirve para
medir la variación. Una forma de medir la variabilidad consiste en sumar los valores
absolutos de los errores y sacar el promedio. Este resultado es la desviación media
absoluta:
 La palabra desviación se refiere al error:
MAD = Suma de los valores absolutos de las desviaciones

Número de períodos

 La palabra media se refiere a un promedio
 La palabra absoluta se refiere a que no se considera si los valores son positivos

o negativos sino simplemente el valor numérico.
Mes Pronóstico Demanda Variación

real (error)
1 100 105 5
2 100 94 -6
3 100 98 -2
4 100 104 4
5 100 103 3
6 100 96 -4
Total 600 600 0
Tabla 2. Pronóstico y ventas reales sin parcialidad
 La palabra desviación se refiere al error:
MAD = Suma de los valores absolutos de las desviaciones

Número de períodos
 La palabra media se refiere a un promedio
 La palabra absoluta se refiere a que no se considera si los valores son positivos

o negativos sino simplemente el valor numérico.
Por ejemplo, si queremos sacar la desviación media absoluta de los datos de la

tabla 2, tenemos:
Suma de los valores absolutos de las desviaciones = 5 + 6 + 2 + 4 + 3 + 4 = 24
LA DISTRIBUCIÓN NORMAL
La desviación media absoluta mide la diferencia o error entre el valor pronosticado y el

valor real. Usualmente, la demanda se acerca al pronóstico algunas veces más, otras
menos. Una gráfica del número de veces (frecuencia) que la demanda toma un valor da
como resultado una curva en forma de campana. Esta distribución es llama distribución

normal o Campana de Gauss. La figura 11 nos presenta esta distribución, la cual tiene
dos características importantes:
 La tendencia central o promedio

 La dispersión o apertura
Figura 10: Pronóstico y ventas reales sin parcialidad
La tendencia central es el pronóstico. La dispersión (la anchura de la curva) se mide en

desviaciones estándar. Mientras mayor sea la dispersión, mayor es la desviación
estándar. La desviación media absoluta es una aproximación de la desviación estándar
y se utiliza porque es fácil de calcular y aplicar.
De la estadística sabemos que:
A 1 MAD del promedio encontramos el 60% de los valores


Figura 11: La curva de distribución normal
Los usos de la desviación media absoluta incluyen:
 La señal de rastreo: cuando el pronóstico presenta parcialidad, el pronóstico

varía de la demanda. El problema es saber si esa diferencia es causada por la
variación aleatoria o por la parcialidad del pronóstico. Si es por la variación
aleatoria, el error se corregirá a si mismo y no debe hacerse nada por ajustar el
pronóstico. Sin embargo, si el error es causado por la parcialidad del pronóstico,
deben tomarse medidas correctivas. Al utilizar la MAD, se puede llegar a ciertas
conclusiones acerca de lo razonable del error del pronóstico. En circunstancias
normales, la demanda de cada período se encontrará dentro de 3 MAD el 98% de
las veces. Si el pronóstico varía más de 3 MAD, podemos estar el 98% seguros de
que el pronóstico está mal. Una señal de rastreo puede utilizarse para dar
seguimiento a la calidad del pronóstico. Existen varios procedimientos para
obtenerla, pero el más simple consiste en comparar la suma acumulada de los
errores con la MAD mediante la siguiente fórmula:
Señal de rastreo = Suma algebraica de los errores

MAD

Supongamos que una empresa decide que se debe revisar el pronóstico si su señal
de rastreo es mayor o menor a 4. Si se tiene una MAD histórica de 2 y se tienen los
siguientes datos, ¿En qué período debe revisarse el pronóstico?
Período Pronóstico Demanda Desviación Desviación Señal de

real acumulada rastreo
5 2.5
1 100 96 -4
2 100 98 -2
3 100 104 4
4 100 110 10
Utilizando la fórmula para la señal de rastreo y calculando el error acumulado para

cada período (en este caso si consideramos si el error es positivo o negativo)
tenemos:
Período Pronóstico Demanda Desviación Desviación Señal de

real acumulada rastreo
5 2.5
1 100 96 -4 1 0.5
2 100 98 -2 -1 -0.5
3 100 104 4 3 1.5
4 100 110 10 13 60.5
Dado lo anterior, se debe revisar el pronóstico en el período 4. Puede considerarse

que un parámetro común es revisar el pronóstico si cae en el intervalo:
-1  señal de rastreo  +1
 Planeación de contingencias: Supongamos que se hace un pronóstico que

arroja como demanda esperada 100 unidades y que la capacidad disponible es para
110 unidades. La MAD histórica se ha calculado en 10. Esto quiere decir que hay
60% de probabilidades de que la demanda sea de 90 o 110 unidades y 40% deque
no. dada esta información, la gerencia puede determinar un plan de emergencia en
caso de que se cumpla ese 40% de probabilidad.
 Inventario de seguridad: otro uso común de la MAD es en el cálculo de

inventarios de seguridad, el cual se verá en la unidad IV.

BIBLIOGRAFÍA
 ARNOLD, J. R. T.; INTRODUCTION TO MATERIALS MANAGEMENT; THIRD
EDITION; PRENTICE-HALL, COLUMBIS, OHIO; 1998.
 FOGARTY, D. W.; BLACKSTONE JR., J. H.; HOFFMAN, T. R.;

ADMINISTRACIÓN DE LA PRODUCCIÓN E INVENTARIOS; PRIMERA
REIMPRESIÓN EN ESPAÑOL; COMPAÑÍA EDITORIAL CONTINENTAL, S.A.
DE C. V.;MÉXICO, 1995.
 VOLLMAN, T.; W. BERRY, AND D. WHYBARK. MANUFACTURING PLANNING

AND CONTROL SYSTEMS; FOURTH EDITION; MCGRAW-HILL, NEW
YORK;1997.

Unidad 2 Pronósticos

Cargado por

Copyright:

Formatos disponibles

Unidad 2 Pronósticos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 2 Pronósticos

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA

1.1 HORIZONTES Y ALCANCES DE LOS PRONÓSTICOS......................................2

1.2 TECNICAS CUALITATIVAS.................................................................................10

1.3 TECNICAS CUANTITATIVAS..............................................................................12

1.1 HORIZONTES Y ALCANCES DE LOS PRONÓSTICOS.

“un estimado de la demanda futura. Un pronóstico puede ser construido

¿Para qué debemos de pronosticar? Hay muchas circunstancias y razones, pero el

Aunque no es posible identificar a todos ellos, o su efecto en la demanda, ayuda el

 Las condiciones generales de negocios y económicas

UNIDAD 2.- Pronósticos. Pág. 2

La base para cualquier actividad en la producción son los pedidos reales o el

Normalmente cualquier discusión sobre pronósticos se enfoca hacia técnicas

Ahora bien, el personal encargado de la planeación de la producción no es responsable

Los sistemas de pronósticos extrapolan series de datos en el tiempo. Una serie en el

UNIDAD 2.- Pronósticos. Pág. 3

ÓRDENES ADMINISTRACIÓN Programación Maestra de la PRODUCTOS

Figura 1: Papel de los pronósticos en el proceso de planeación de la producción.

FUENTES DE DATOS EXTRÍNSECOS

UNIDAD 2.- Pronósticos. Pág. 4

Los datos demográficos se conservan en la mayor parte de las grandes bibliotecas,

Otra fuente de datos es la retroalimentación de la fuerza de ventas. En la medida en

UNIDAD 2.- Pronósticos. Pág. 5

MODIFICACIÓN DE LOS DATOS INTRÍNSECOS

Ahora examinaremos algunas muestras de series de datos en el tiempo originados

En ningún enfoque de series de tiempo se llegaría a esta conclusión, con todo y lo

UNIDAD 2.- Pronósticos. Pág. 6

La modificación de los datos debe estar limitada a la corrección de grandes anomalías

CALIDAD Y EXACTITUD DE LOS DATOS

La validez y lo apropiado de nuestras fuentes de datos debe asegurarse. Asimismo, es

Dígitos de verificación. La comprobación de dígitos proporciona una forma de

X4 – (X1+ 2X2 + 3X3) mod 10

UNIDAD 2.- Pronósticos. Pág. 7

Filtros demanda. Se crea un filtro de demanda registrando una gama de datos

Órdenes versus embarques. Muchos de los errores en los pronosticas se han

UNIDAD 2.- Pronósticos. Pág. 8

TÉCNICAS BÁSICAS DE PRONÓSTICOS

Las técnicas de pronóstico (utilizando el término pronóstico en su sentido más amplio)

En este sentido, las técnicas intrínsecas suelen denominarse técnicas de análisis de

UNIDAD 2.- Pronósticos. Pág. 9

1.2 TECNICAS CUALITATIVAS.

Cuando se intenta pronosticar la demanda para un nuevo artículo, uno se enfrenta a

Cuando no existen pronósticos publicados de variables externas o internas

UNIDAD 2.- Pronósticos. Pág. 10

Los seis métodos cualitativos básicos para pronosticar son

1. Estimaciones de los vendedores,

Los pronósticos cualitativos o de opinión son particularmente útiles cuando no existen

UNIDAD 2.- Pronósticos. Pág. 11

1.3 TECNICAS CUANTITATIVAS.

Matemáticamente, este proceso esta basado en la combinación de un modelo

UNIDAD 2.- Pronósticos. Pág. 12

ANÁLISIS DE SERIES DE TIEMPO

UNIDAD 2.- Pronósticos. Pág. 13

En la figura 4 se muestra que durante los períodos en los cuales aumenta la

 Promedios móviles ponderados

UNIDAD 2.- Pronósticos. Pág. 14

donde D5,6,7, se utiliza para pronosticar la demanda para el período 8. El

(2 x 302) + (3 x 274) + (4 x i 62) = 2,074

Si se divide este total entre la suma de las ponderaciones (2 + 3 + 4 = 9) resulta

Normalmente, los promedios móviles ponderados sólo se utilizan cuan-do se

UNIDAD 2.- Pronósticos. Pág. 15

Nuevo pronóstico = (última demanda) + (1 - )(pronóstico anterior)

Pronóstico para junio = (0.15 )(190) + (1 – 0.15)(220) = 215.5