ADMINISTRACION DE LA

PRODUCCION
PRONOSTICOS
Ing. José Manuel García Pantigozo
2010 I
1
 ¿QUÉ ES PRONOSTICAR?

• Es el arte y la ciencia de predecir los

¿Cuanto
eventos futuros . Puede involucrar el
venderé?
manejo de datos históricos para
proyectarlos al futuro, mediante algún
tipo de modelo matemático.
• Puede ser una predicción subjetiva o
intuitiva. O bien una combinación de
ambas,es decir un modelo matemático
ajustado por el buen juicio de un
administrador de operaciones.
 PRONÓSTICOS PARTE INTEGRAL
DEL PLANEAMIENTO DE NEGOCIOS

Ingreso: Estimación
Métodos de
Mercado, de la
Pronóstico
Economía, demanda
Otros

Pronóstico Equipo de
de Ventas Administración

Estrategia Pronóstico de
de Negocios Recursos de Producción 5
 EJEMPLOS DE PRONÓSTICOS DE
RECURSOS DE PRODUCCIÓN

Horizonte Comienzo Unidad de

Pronóstico
Tiempo
del Pronóstico Medida

Rango Línea de Products, Dolares,

Año
Alto Capacidad de Planta Libras

Rango Grupos de Productos Dolares,

Meses
Medio Capacidad de Dptos. Libras

Rango Productos Especificos Prod. Units,

Semanas
Corto Capacidad de Maq. Unidades
6
 MARKETING OPERACIONES
– Proporciona información
relacionada con el mercado y las – Se encarga de asegurar
predicciones de la demanda.
que los bienes y servicios
– Administra la demanda mediante
políticas de fijación de precio y de la Empresa se
promociones p.e. los descuentos proporcionen cuando se
de temporada nivelan la demanda
por un producto o servicio.
necesiten.
 TIPOS DE PRONOSTICO POR
HORIZONTE DE TIEMPO
• Pronóstico a corto plazo t
– Hasta 3 meses.
– Asignación de trabajos
• Pronóstico a mediano plazo
– Entre 3 meses y 3 años.
– Planeación de Producción y venta.
• Pronóstico a largo plazo
– Mas de 3 años
– Planeación de un nuevo producto.

8
TIPOS DE
PRONÓSTICOS
• Económicos
• Tecnológicos
• De demanda

9
 PRONOSTICOS ECONOMICOS

• Sirven para pronosticar lo que

serán las condiciones
generales de los negocios
dentro de algunos meses o
años.
• Lo hacen los gobiernos, los
bancos y los servicios de
predicción econométrica.
 PRONOSTICOS TECNOLOGICOS

• Pronostican la probabilidad y
el significado de posibles
desarrollos futuros.Indican la
dirección de los cambios
tecnológicos y la tasa de
cambios esperada.
 PRONOSTICOS DE LA DEMANDA

• Las predicciones de
demanda pronostican la
cantidad y la duración
de la demanda de los
bienes y servicios de
una empresa.
 ENFOQUES PARA PRONOSTICAR

• Pronósticos Cualitativos
• Pronósticos
Cuantitativos

13
ENFOQUES CUALITATIVOS PARA
PRONOSTICAR LA DEMANDA

• Las técnicas cualitativas de predicción dependen de

conjetura adquiridas con base en la institución las
técnicas cualitativas mas comunes son:

– Jurado de opinión ejecutiva

– Método Delphi.
– Fuerza de ventas
– Encuestas a los clientes.
 JURADO DE OPINIÓN EJECUTIVA
• Permite la fusión de las opiniones de una
sección de expertos interfuncionales.
• Esta técnica es relativamente económica
y mas utilizada a mediano y largo plazo.

METODO DELPHI
• Este método involucra a un grupo de
expertos que comparten información y
eventualmente llegan a un consenso
en una predicción a largo plazo con
respecto a las tecnología del futuro o a
las ventas futuras de un nuevo
producto
 FUERZA DE VENTAS
• En muchas compañías la fuerza de ventas
entra en contacto directo con los clientes lo
cual constituye una buena fuente de
información que considera las intenciones de
los clientes a corto y a mediano plazos.
ENCUESTA A LOS CLIENTES
• Una empresa también puede basar sus
predicciones en los planes establecidos de
compras futuras de sus clientes actuales y
otenciales mediante una encuesta a sus
clientes .Esta información puede obtenerse
directamente por medio de encuestas
personales, por teléfono, correo o fax.
ENFOQUES CUANTITATIVOS PARA
PRONOSTICAR LA DEMANDA

• Estos métodos cuantitativos emplean los modelos

matemáticos y los datos históricos para pronosticar
la demanda. Así, el pasado se utiliza para predecir
el futuro.
• Hay dos tipos generales de métodos cuantitativos:
- Modelos de Series de tiempo
- Modelos Causales
 MODELOS DE SERIES DE TIEMPO
• Incluye elaborar gráficas de los datos de
demanda sobre una escala de tiempo y estudiar
las gráficas para descubrir los modelos y las
figuras o los patrones consistentes. Luego, estos
patrones se proyectan hacia el futuro.

• DEFINICION: Una serie de tiempo es una

secuencia de observaciones cronológicamente
clasificadas que se toman a intervalos regulares
para una variable en particular.
COMPONENTES DE LAS SERIES DE
TIEMPO

Tendencia Cíclica

Estacional Aleatori
o

19
 METODOS CUANTITATIVOS

Método
Cuantitativo

Modelos Modelos
Serie de Causales
Tiempos

Promedio Suavizado Proyecció Regresión

Móvil Exponencial n Lineal
Tendencia
20
 DESCOMPOSICION DE UNA
SERIE DE TIEMPOS
• Tedencia (T) es el movimiento gradual, ascendente
o descendente, de los datos a traves del tiempo.
• Estacionalidad (S) es el patron de datos que se
repite a si mismo despues de un periodo de dias,
semanas, meses, trimestres, estaciones, etc. pero
dentrol año..
• Ciclos (C) son patrones que ocurren enlos datos
cada varios años.
• Variación al azar (R) son variaciones aleatorias
que no obedecen a ningun comportamiento.

21
 TENDENCIAS
• Las tendencias reflejan los cambios en
la tecnología, los estándares de vida,
los índices de población ,etc..
• DEFINICION: Una tendencia es el
movimiento gradual hacia arriba o
hacia debajo de los datos en el tiempo.
• Las tendencias son monótonas , pero
no siempre lineales;pueden ser
logarítmica o exponenciales.
 ESTACIONALIDAD
• Las variaciones de temporada
pueden corresponder a las
estaciones del año, a los días
festivos o a diferentes momentos
del día o la semana.
• DEFINICION: La temporada es la
variación que se repite a intervalos
fijos. Pueden durar un año o solo
unas pocas horas.
 ESTACIONALIDAD

Periódo de tiempo Número de

del Patrón donde Longitud de la Estaciones en
es repetido Estación el Patrón

Año Trimestre 4
Año Mes 12
Year Semana 52
Mes Semana 4
Mes Dia 28-31
Semana Dia 7

24
 VARIACIONES CICLICAS

• Las alzas y las bajas de la

economía o de una industria
especificas se representan en
variaciones cíclicas . El ciclo de
negocios que se repite de cinco a
diez años es un ejemplo.
• DEFINICION: La variación cíclica
tiene una duración de por lo
menos un año; la variación varia
de un ciclo a otro.
 VARIACIONES ALEATORIAS
• Las variaciones aleatorias son variaciones
en la demanda que no pueden explicarse
mediante tendencias , variaciones de
temporada o variaciones cíclicas. Un suceso
impredecible, como una guerra, una huelga,
un terremoto o partes de legislación, puede
causar grandes variaciones aleatorias. A
diferencia de las otras tendencias , la
variación aleatoria siempre esta presente.
 MODELOS DE
SERIE DE TIEMPOS

27
 MODELOS DE SERIE DE TIEMPO

Modelo Multiplicativo de una serie de tiempo:

A t = Tt * S t * C t * E t
Modelo Aditivo de una serie de tiempo:
A t = T t + St + C + E t
Donde :
At=Demanda real en el período t
Tt= Componente de tendencia para el período t.
St= Componente de temporada para el período t.
Ct= Componente de ciclo para el período t.
Et= Componente aleatoria o error para el período t.
 PROMEDIO MOVIL SIMPLE

• Se utiliza para calcular la demanda promedio de los

últimos n períodos y como predicción para el
siguiente período.
• Promedio móvil simple:
Ft= (At + A t-1 + A t-2 +....+A t-n +1 )
n
Donde :
Ft = predicción para el período t+1
At = demanda real para el período
n = número de períodos por promediar
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving

Time
Yi (n = 3) Avg. (n = 3)
1993 4 NA NA
1994 6 NA NA
1995 5 NA NA
1996 3 4 + 6 + 5 = 15
1997 7
1998 NA
30
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving

Time
Yi (n = 3) Avg. (n = 3)
1993 4 NA NA
1994 6 NA NA
1995 5 NA NA
1996 3 4 + 6 + 5 = 15 15/3 = 5.0
1997 7 6 + 5 + 3 = 14
1998 NA
31
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Movil Total Movil

Año
Yi (n = 3) Prom.(n = 3)
1993 4 NA NA
1994 6 NA NA
1995 5 NA NA
1996 3 4 + 6 + 5 = 15 15/3 = 5.0
1997 7 6 + 5 + 3 = 14 14/3 = 4.7
1998 NA 5 + 3 + 7 = 15 15/3 = 5.0
32
GRAFICO DEL PROMEDIO MOVIL SIMPLE

Ventas
8 Actual
6
4 Pronóstic
2 o
0
93 94 95 96 97 98
Año
33
 PROMEDIO MOVIL PONDERADO

• Se utiliza cuando existe una tendencia o patrón,

los pesos pueden ser utilizados para poner mayor
enfásis en datos recientes.
• Promedio de móvil ponderado:
Ft= (Peso para el periodo n)(Demanda periodo n)
Σ pesos
Donde :
Ft = predicción para el período n
n = número de períodos por promediar
DESVENTAJAS DEL PROMEDIO MOVIL

• Al incrementar n pronósticos, hace a

este sensitivo a los cambios.
• No pronostica tendencias.
• Requiere muchos datos históricos

35
MODELOS DE SUAVIZADO
EXPONENCIAL

36
 MODELOS DE SUAVIZADO
• Los modelos de suavización, como el promedio de
desplazamiento simple y la suavización exponencial,
pueden proporcionar predicciones razonables a
corto plazo con rapidez y a bajo costo.
• Suavización exponencial:

Ft= Ft-1 + α(A t-1 - F t - 1)

Donde :
Ft = predicción para el período t
F t - 1 = predicción para el período t - 1
At –1 = Demanda real para el período t - 1
α = constante de suavización (0<= 1<=1)
EJEMPLO DE SUAVIZADO EXPONENCIAL

Se esta organizando una reunión en Kwanza.

Se espera pronosticar la atención del año
2008 usando el suavizado exponencial.
( = .10). En 2003 el pronóstico fué 175.
2003 180
2004 168
2005 159
2006 175
2007 190

38
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

PronósticoFt
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 +
2005 159
2006 175
2007 190
2008 NA
39
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(
2005 159
2006 175
2007 190
2008 NA
40
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 -
2005 159
2006 175
2007 190
2008 NA
41
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00)
2005 159
2006 175
2007 190
2008 NA
42
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
( = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159
2006 175
2007 190
2008 NA
43
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175
2007 190
2008 NA
44
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175 174.75 + .10(159 - 174.75) = 173.18
2007 190
2008 NA
45
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175 174.75 + .10(159 - 174.75) = 173.18
2007 190 173.18 + .10(175 - 173.18) = 173.36
2008 NA
46
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a· (At-1 - Ft-1)

Pronóstico Ft
Año Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175 174.75 + .10(159 - 174.75) = 173.18
2007 190 173.18 + .10(175 - 173.18) = 173.36
2008 NA 173.36 + .10(190 - 173.36) = 175.02
47
GRAFICO DE SUAVIZADO EXPONENCIAL

Ventas
190 Actual
180
170 Pronóstico
160
150
140
03 04 05 06 07 08
Año
48
 DESVIACIÓN MEDIA ABSOLUTA
(MAD)

Suma de Desviación absoluta para n periodos

MAD =
n


i =1
Demanda actual- Demanda pronosticada
MAD =
n

49
 SUAVIZADO EXPONENCIAL CON
TENDENCIA

• La suavización exponencial simple falla al responder a las

tendencias. Para suavizar nuestras correcciones por
tendencias se calcula un promedio de suavización
exponencial simple como el anterior, y se ajusta para
retrasos positivos y negativos. La ecuación de la tendencia
emplea una constante de suavización Beta, de la misma
manera que el modelo simple utiliza Alfa.
 PROYECCIONES DE TENDENCIA
• Las tendencias pueden ser o no lineales.Sin embargo, las
tendencias lineales son imparciales y la mayoría de las
personas encuentra fácil trabajar con ellas.
• Linea de tendencia lineal:
Ft = a+bt

b = (Σxy-nxy) a = y - bx
(Σx2 – nx2)

Donde:
t = número de períodos siguientes al período base.
Ft = demanda estimada para el período t
a = demanda para el periodo base.
b = pendiente de la línea de tendencia.
 PROYECCIONES DE TEMPORADA

• Las proyecciones de temporada se dan para un período

dado:
• IBM al igual que muchas empresas, experimenta la
demanda de temporada, como puede observarse en el
ejemplo 6 de la pagina 61.
• Pronóstico=Indice Estacional *Pronostico de la tendencia
Estacional
 MODELO CAUSAL

• A diferencia de los modelos de serie, los

modelos causales identifican y miden
directamente los efectos de las fuerzas
especificas que influyen en la demanda.
Por tanto, son mas apropiados para
predecir y evaluar los efectos de las
decisiones que toma la empresa (p.e.
cambios en la publicidad o en los
precios ) que las técnicas de series de
tiempos.
• Dentro de los modelos causales tenemos
a la regresión lineal.
 MODELOS DE
SERIE DE REGRESION LINEAL

54
 ANALISIS DE REGRESION LINEAL

• La relación entre una variable independiente, X, y

una variable dependiente, Y.
• Asumido para ser lineal (una línea recta)
• Ecuación: Y = a + bX
– Y = variable dependiente
– X = variable independente
– a = intercepta al eje y
– b = pendiente de la regresión

55
GRAFICO DE REGRESION LINEAL

Ventas
Ventas Vs Tiempo
4
3
2
1
0
92 93 94 95 96

Tiempo
57
ANALISIS DE REGRESION LINEAL

Equación: Ŷi  a  bx i

n
 x i y i  nx y
Constante: b  i n
 x i  n  x  
i 

Y-Intercepta: a  y  bx

58
TABLA DE REGRESION LINEAL

2 2
Xi Yi Xi Yi XiYi
2 2
X1 Y1 X1 Y1 X1Y1
2 2
X2 Y2 X2 Y2 X2Y2
: : : : :
2 2
Xn Yn Xn Yn XnYn
2 2
Xi Yi Xi Yi XiYi
59
 EJEMPLO DE REGRESION LINEAL
Ud. Tiene que hacer un análisis de mercado para
producir y vender un osito de la cadena Hasbro Toys.
Ud. Tirene los siguientes datos:
Años Ventas (Miles de Unidades)
1992 1
1993 1
1994 2
1995 2
1996 4
¿Cuál es la tendencia de la ecuación?

60
 EJEMPLO DE REGRESION LINEAL

Al hacer los calculos tenemos que es Yi = -.1 + .7Xi.

Año Ventas (Miles de Unidades)
1992 1
1993 1
1994 2
1995 2
1996 4
Pronostico de Ventas en 1997

61
 DESVIACIÓN MEDIA ABSOLUTA
(MAD)

Suma de Desviación absoluta para n periodos

MAD =
n


i =1
Demanda actual- Demanda pronosticada
MAD =
n

62
ERROR ESTANDAR ESTIMADO (MSE)

Syx = = Σ(y -yc)2

n-2

Donde:
y = el valor de y para cada punto de dato.
yc = el valor calculado para la variable dependiente
a partir de la ecuación de regresión.
n = el número de puntos de datos

63
APLICACIONES DE REGRESION

64