UNIDAD II.

Principios bsicos
de pronsticos
2.1 Principios fundamentales del pronstico
2.2 Principales categoras de pronsticos
2.3 Errores de pronsticos

Flujo general
de las
actividades de
Planificacin y
control de la
produccin

2.1 Principios fundamentales del pronstico

Pronstico es la estimacin de un acontecimiento futuro que se obtiene proyectando
datos del pasado que se combinan sistemticamente, o sea que requieren tcnicas
estadsticas y de la ciencia administrativa.
Prediccin es la estimacin de un acontecimiento futuro que se basa en
consideraciones subjetivas, diferentes a los simples datos provenientes del pasado,
las cuales no necesariamente deben combinarse de una manera predeterminada, es
decir se basan en la habilidad, experiencia y buen juicio de las personas.

Usos de los pronsticos en la empresa

Los pronsticos se requieren para:
La Planeacin estratgica, incluyendo:
Diseo del producto
Diseo del proceso
Inversin y reemplazo de equipo

Planeacin de la capacidad estructural

Planeacin de la Produccin
Planeacin Agregada
PMP
PRM
JAT
TOC
Programacin de las operaciones
Tareas de Control
Control del sistema
Control de la produccin
Control de inventarios
Control de la mano de obra
Control de costos

Sin importar el propsito del sistema para el que se utilizar el

pronstico, es muy importante comprender algunas de sus
caractersticas fundamentales:
Los pronsticos casi siempre son incorrectos.
Los pronsticos son ms precisos para grupos o
familias de artculos.
Los pronsticos son ms precisos cuando se hacen
para periodos cortos.
Todo pronstico debe incluir un error de estimacin.
Los pronsticos no son sustituto de la demanda
calculada.

2.2 Principales categoras de pronsticos

Existen dos tipos fundamentales de pronsticos: cualitativos y
cuantitativos. Debajo de los tipos cuantitativos hay dos subcategoras:
de series de tiempo y causales.
Los pronsticos cualitativos son aquellos que se generan a partir de
informacin que no tiene una estructura analtica bien definida. Este tipo
de pronsticos resulta especialmente til cuando no se tiene
disponibilidad de informacin histrica, como en el caso de un producto
nuevo que no cuenta con una historia de ventas.
Por lo general el pronstico se basa en un juicio personal o en alguna
informacin
cualitativa externa.
El pronstico tiende a ser subjetivo; toda vez que suele desarrollarse a
partir de la experiencia de las personas involucradas, con frecuencia
estar sesgado con base en la posicin potencialmente optimista o
pesimista de dichas personas.
Una ventaja de este mtodo radica en que casi siempre permite
obtener algunos resultados con bastante rapidez.

 En ciertos casos, la proyeccin cualitativa es especialmente importante,

ya que puede constituir el nico mtodo disponible.
Estos mtodos suelen utilizarse para productos individuales o familias de
productos, y rara vez para mercados completos.
Los mtodos ms comunes de pronstico cualitativo incluyen:
Encuestas de mercado,
Delphi o consenso de panel,
Analogas de ciclo de vida, y
Valoracin informada.

Pronsticos cuantitativos: mtodo causal

Se basa en el concepto de relacin entre variables
Este mtodo rara vez se utiliza para un producto; es ms
comn emplearlo para mercados o industrias completas.
Enfoques ms comunes de pronstico causal son:
Modelos de entrada-salida.
Modelos economtricos.
Modelos de simulacin.
Regresin.
Pronsticos cuantitativos: series de tiempo
Los pronsticos de series de tiempo se encuentran entre los ms
utilizados por los paquetes de pronstico vinculados con la proyeccin
de demanda de productos.

Pronsticos cuantitativos: series de tiempo

Los pronsticos de series de tiempo se encuentran entre los ms utilizados
por los paquetes de pronstico vinculados con la proyeccin de demanda
de productos.
Parten, bsicamente, de un supuesto comn: que la demanda pasada
sigue cierto patrn, y que si este patrn puede ser analizado podr
utilizarse para desarrollar proyecciones para la demanda futura, suponiendo
que el patrn contina aproximadamente de la misma forma.
El supuesto de que la nica variable real independiente en el pronstico de
series de tiempo es, precisamente, el tiempo. Dado que se basan en
informacin interna (ventas), en ocasiones se les denomina pronsticos
intrnsecos.

Los pronsticos de series de tiempo tambin son los ms utilizados por

los responsables de operaciones cuando se encuentran con la
necesidad de hacer proyecciones para realizar planes de produccin
razonables.
Los modelos de pronsticos de series de tiempo tratan de predecir el
futuro con base en la informacin pasada. Por ejemplo, las cifras de
ventas recopiladas durante las ltimas seis semanas se pueden usar
para pronosticar las ventas durante la sptima semana. Las cifras de
ventas trimestrales recopiladas durante los ltimos aos se pueden
utilizar para pronosticar los trimestres futuros. Aun cuando ambos
ejemplos contienen ventas, es probable que se utilicen distintos
modelos de series de tiempo para pronosticar.

Los modelos de pronsticos de series de tiempo intentan capturar de

manera matemtica los patrones subyacentes de la demanda pasada.

Componente Nivel

Error aleatorio

Fuente: (Chase, Jacobs F., & Aquilano, 2009)

Gua para seleccionar un mtodo de pronstico apropiado

Fuente: (Chase, Jacobs F., & Aquilano, 2009)

El modelo de pronstico que una empresa debe utilizar depende de:
1. El horizonte de tiempo que se va a pronosticar.
2. La disponibilidad de los datos.
3. La precisin requerida.
4. El tamao del presupuesto de pronstico.
5. La disponibilidad de personal califi cado.

2.2 Principales categoras de pronsticos

Promedios mviles simples
Cuando la demanda de un producto no crece ni baja con rapidez, y si no
tiene caractersticas estacionales, un promedio mvil puede ser til para
eliminar las fluctuaciones aleatorias del pronstico. Aunque los promedios
de movimientos casi siempre son centrados, es ms conveniente utilizar
datos pasados para predecir el periodo siguiente de manera directa.
La frmula de un promedio mvil simple es:

donde
Ft = Pronstico para el siguiente periodo
n = Nmero de perodos para promediar
At1 = Ocurrencia real en el periodo pasado
At2, At3 y Atn = Ocurrencias reales hace dos periodos, hace tres periodos, y
as sucesivamente, hasta hace n periodos

2.2 Principales categoras de pronsticos

Por ejemplo, promedio mvil simple; periodos de tres y nueve

Semana Demanda
Ft, n=3
Ft, n=9
semanas
1

800

1 400

1 000

1 500

1 500

1 300

1 800

1 700

1 300

10

1 700

11

1 700

12

1 500

13

2 300

2700

2400

2100

1800

1500

1200

900

600

300

0
1

10

11

12

13

14

2700

2400

2100

1800

1500

1200

900

600

300

0
1

10

11

12

13

14

SUAVIZACIN EXPONENCIAL
En el mtodo de pronstico anterior (promedio mvil simple), la principal
desventaja es la necesidad de manejar en forma continua gran cantidad de datos
histricos (esto tambin sucede con las tcnicas de anlisis de regresin, que se
estudiarn en breve). En este mtodos, al agregar cada
nueva pieza de datos, se elimina la observacin anterior y se calcula el nuevo
pronstico. En muchas aplicaciones (quizs en la mayor parte), las ocurrencias
ms recientes son ms indicativas del futuro que aquellas en el pasado ms
distante. Si esta premisa es vlida (que la importancia de los datos disminuye
conforme el pasado se vuelve ms distante), es probable que el mtodo ms
lgico y fcil sea la suavizacin exponencial.
La ecuacin para un solo pronstico de uniformidad exponencial es
simplemente:
Ft = At1 + (1 )Ft1
Ft = Ft1 + (At1 Ft1)
Donde:
Ft = El pronstico suavizado exponencialmente para el periodo t
Ft1 = El pronstico suavizado exponencialmente para el periodo anterior
At1 = La demanda real para el periodo anterior
= El ndice de respuesta deseado, o la constante de suavizacin
At-1 Ft-1 = Error del pronstico

La razn por la que se llama suavizacin exponencial es que cada incremento

en el pasado se reduce (1 ).
Ft = At1 + (1 )Ft1
t=1 F1 = A0 + (1 )F0
t=2F2= A1 + (1 )F1= A1 + (1 ) [ A0 + (1 )F0]
F2 = A1 + (1 ) A0 + (1 )2F0
t=3F3= A2 + (1 )F2= A2 + (1 )[ A1 + (1 ) A0 + (1 )2F0 ]
F3= A2 + (1 )A1 + (1 )2 A0 + (1 )3F0
.
La suavizacin exponencial es la ms utilizada de las tcnicas de pronstico. Es
parte integral de casi todos los programas de pronstico por computadora, y se
usa con mucha frecuencia al ordenar el inventario en las empresas minoristas,
las compaas mayoristas y las agencias de servicios.
Las tcnicas de suavizacin exponencial se han aceptado en forma generalizada
por seis razones principales:
1. Los modelos exponenciales son sorprendentemente precisos.
2. Formular un modelo exponencial es relativamente fcil.
3. El usuario puede entender cmo funciona el modelo.
4. Se requieren muy pocos clculos para utilizar el modelo.
5. Los requerimientos de almacenamiento en la computadora son bajos debido al
uso limitado de datos histricos.
6. Es fcil calcular las pruebas de precisin relacionadas con el desempeo del
modelo.

En el mtodo de suavizacin exponencial, slo se necesitan tres piezas de datos

para pronosticar el futuro: el pronstico ms reciente, la demanda real que ocurri
durante el periodo de pronstico y una constante de uniformidad alfa (). Esta
constante de suavizacin determina el nivel de uniformidad y la velocidad de
reaccin a las diferencias entre los pronsticos y las ocurrencias reales. El valor de
una constante se determina tanto por la naturaleza del producto como por el
sentido del gerente de lo que constituye un buen ndice de respuesta. Por ejemplo,
si una empresa produjo un artculo estndar con una demanda relativamente
estable, el ndice de reaccin a las diferencias entre la demanda real y
pronosticada
presentaran una tendencia a ser pequeas, quiz de slo 5 o 10 puntos
porcentuales. No obstante, si la empresa experimentara un crecimiento, sera
mejor tener un ndice de reaccin ms alto, quiz de 15 o 30 puntos porcentuales,
para dar mayor importancia a la experiencia de crecimiento reciente. Mientras ms
rpido sea el crecimiento, ms alto deber ser el ndice de reaccin. En ocasiones,
los usuarios del promedio mvil simple cambian a la suavizacin exponencial pero
conservan las proyecciones similares a las del promedio mvil simple. En este
caso, se calcula 2 (n + 1), donde n es el nmero de periodos.

Por ejemplo, La demanda histrica del producto es

Mes

Demanda

Enero

12

Febrero

11

Marzo

15

Abril

12

Mayo

16

Junio

15

Ft

At-1-Ft-1

Julio
?
Mediante suavizacin exponencial simple con = 0.2 y un pronstico para junio
de 13, calcule el pronstico de julio. Haga todas las suposiciones que quiera.

18
16
14
12
10
8
6
4
2
0
Enero

Febrero

Marzo

Abril

Mayo

Junio

Suavizacin Exponencial con Ajuste de Tendencia y estacionalidad

20000
18000
16000
14000
12000
Demanda

10000
8000
6000
4000
2000
0
Trimestres

Las tendencias son movimientos a largo plazo en una serie de datos a

lo largo del tiempo.
La tendencia puede ser descrita por una recta o por una curva.
Las tendencias se dan por varias causas: cambios en la poblacin,
cambios en la productividad, cambios tecnolgicos, etc.
En este tipo de anlisis la variable independiente es el tiempo.
Estacionalidad. Es un patrn de cambio que se repite a s mismo ao tras
ao.

Aplicacin de varios mtodos a datos desestacionalizados

Ao

Trim.

Yt

1
2
3

256
312
426

4
1
2
3

278
298

4
1
2
3
4

387
517
349

Aplicacin de varios mtodos a datos desestacionalizados

Ao
1
Trim.

3
Suma
Trim.

1
2
3
4
Total
Prom.

Prom.
Trim.

Factor
Estac.
(Ce)

Ao

Trim.
X

1
2
3
4
4

2
2

5
5
6
6
7
7
8
8

3
3

9
9
2
2
3
3
4

Total
Prom

Yt

256
312
426
278
298
387
387
512
512
349
349

Cet

Yd ajustada

XYd

Tendencia lineal: frmulas

a=
Ecuacin de la tendencia del pronstico:

Determinacin de la tendencia pronstico del pronstico con estacionalidad

Ao

Trim.
t

Y(t) = (13.017x +
293.67); R = 0.7451

Cet

256

0.7864

312

0.9922

426

1.3314

278

0.8900

298

0.7864

387

0.9922

512

1.3314

349

0.8900

0.7864

10

0.9922

11

1.3314

12

0.8900

Y(t,ce) = (13.017t + 293.67)*Cet

Graficando los resultados:

2.3 Errores de pronsticos

Error se refiere a la diferencia entre el valor de pronstico y lo que ocurri en
realidad.
No es realmente un error, cuando el pronstico est dentro de los lmites de
confianza.
La demanda de un producto se genera mediante la interaccin de varios factores
demasiado complejos para describirlos con precisin en un modelo.
Todas las proyecciones contienen algn error.
Es conveniente distinguir entre las fuentes de error y la medicin de errores.
FUENTES DE ERROR

Los errores se pueden clasificar como sesgados o aleatorios.

Los errores sesgados ocurren cuando se comete un error consistente
como:
no incluir las variables correctas; el uso de las relaciones equivocadas
entre las variables; el uso de la recta de tendencia errnea; un cambio
equivocado en la demanda estacional desde el punto donde
normalmente ocurre; y la existencia de alguna tendencia secular no
detectada.
Los errores aleatorios se definen como aquellos que el modelo de

Medicin de Errores
Error promedio de pronstico (MFE, por sus siglas en ingls, Mean
Forecast Error). Como su nombre lo indica, este nmero se calcula a partir
del error de pronstico promedio matemtico sobre un periodo especfico. La
frmula es:

Desviacin Media Absoluta (MAD, por sus siglas en ingls, Mean Absolute
Deviation). Una vez ms, la frmula puede deducirse a partir del nombre del
trmino. Literalmente significa el promedio de las desviaciones absolutas
matemticas de los errores de pronstico (desviaciones). La frmula, por lo
tanto, es:

Cuando los errores que ocurren en el pronstico tienen una distribucin

normal (el caso ms comn), la desviacin absoluta media se relaciona con
la desviacin estndar como:

1.25MAD
Por el contrario: 1 MAD = 0.8
Seal de seguimiento. Es una medida que indica si el promedio pronosticado sigue
el paso de cualquier cambio hacia arriba o hacia abajo en la demanda. Como se
utiliza
en el pronstico, la seal de seguimiento es el nmero de desviaciones absolutas
medias que el valor pronosticado se encuentra por encima o por debajo de la
ocurrencia real.

La figura siguiente muestra una distribucin normal con una media de 0 y una MAD
igual a 1. Por lo tanto, si se calcula la seal de seguimiento y se encuentra que es
igual a menos 2, se puede ver que el modelo de pronstico ofrece pronsticos por
encima de la media de las ocurrencias reales.
Figura de la distribucin normal con media = 0 y MAD = 1, 2, etc.

Nivel de confianza Desviacin MAD

68.5%
95.5%
98.5%
99.9%

1 MAD
2 MAD
3 MAD
4 MAD

Mes Demanda

Ft,
n=3

72

67

85

99

75

87

84

97

90

100

94

84

95

83

94

10

96

89

11

98

88

12

79

92

13

91

At-Ft

MAD

TS

Mes
Mes
1
1
2
2
3
3
4
4

Ft,
Ft,
Demanda
Demanda n=3
n=3
72
72
67
67
85
85

5
5
6
6
7
7
8
8
9

99
99
87
87
97
97
100
100
84
84
83

10
11

96
98

12

79

75
75
84
84
90
90
94
94
95
95
94
94
89
88
92

13

91

At-Ft
At-Ft

24
24
3
3
7
7
6
6
-11
-11
-11
-11
7
10
-13

24
24
28
28
34
34
40
40
29
29
19
26
36
23

MAD
MAD

TS
TS

1.0
1.0
2.0
2.0
3.0
3.0
4.0
4.0
2.9
1.8
2.6
3.7
2.2

24
24
3
3
7
7
6
6
11
11
11

24
24
28
28
34
34
40
40
51
51
61

24
24
14
14
11
11
10
10
10
10
10

7
10

68
79

10
10

13

92

10

Utilizando promedio mvil para el mes 7 (n=6) y utilizando suavizamiento

exponencial simple del mes 8 al mes 9 y con =09
Mes

Demanda

Ft

At-Ft

72

67

85

99

87

97

100

84

83

10

96

11

98

12

79

13

MAD

TS

Utilizando promedio mvil para el mes 7 (n=6) y utilizando suavizamiento

exponencial simple del mes 8 al mes 9 y con =09
Mes

Demanda

Ft

At-Ft

72

67

85

99

87

97

7
8
9
10
11
12

100
84
83
96
98
79

13

84.5
98.5
85.4
83.2
94.7
97.7
80.9

15.5
-14.5
-2.4
12.8
3.3
-18.7

15.5
1.1
-1.4
11.4
14.6
-4.0

15.5
14.5
2.4
12.8
3.3
18.7

15.5
30.0
32.4
45.2
48.4
67.1

MAD

TS

15.5
15.0
10.8
11.3
9.7
11.2

1.0
0.1
-0.1
1.0
1.5
-0.4

El coeficiente de correlacin lineal mide el grado de intensidad de

esta posible relacin entre las variables. Este coeficiente se aplica
cuando la relacin que puede existir entre las variables es lineal (es
decir, si representramos en un grfico los pares de valores de las dos
variables la nube de puntos se aproximara a una recta).

1. Si el coeficiente de correlacin lineal toma valores cercanos a 1 la

correlacin es fuerte e inversa, y ser tanto ms fuerte cuanto ms se
aproxime r a 1.
2. Si el coeficiente de correlacin lineal toma valores cercanos a 1 la
correlacin es fuerte y directa, y ser tanto ms fuerte cuanto ms se
aproxime r a 1.
3. Si el coeficiente de correlacin lineal toma valores cercanos a 0, la
correlacin es dbil.
4. Si r = 1 1, los puntos de la nube estn sobre la recta creciente o
decreciente. Entre ambas variables hay dependencia funcional.

Muchas gracias