PRONOSTICO

Profesora: Paulina Mayorga Peralta Gestin de Operaciones

Pronosticar: Es el arte y la ciencia de predecir los eventos
futuros. Para ello se pueden usar datos histricos y su proyeccin
hacia el futuro mediante algn tipo de modelo matemtico.
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Horizonte de tiempo del Pronstico
Pronstico a largo plazo: 3 aos o ms Ej: planear nuevos
productos, gastos de capital, ubicacin o ampliacin de las
instalaciones
Pronstico a corto Plazo: hasta 1 ao, pero casi siempre es menor
que 3 meses. Ej: planear compras, programar el trabajo, determinar
niveles de mano de obra, asignar el trabajo y decidir los niveles de
produccin.

Pronstico a mediano plazo: de 3 meses a 3 aos. Ej: planear las
ventas, la produccin, el presupuesto.

Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Los 7 Pasos de un Pronstico
7.- Validar e implantar los resultados
1.- Determinar el uso del pronstico
2.- Seleccionar los aspectos que se deben pronosticar.
3.- Determinar el horizonte del pronstico
4.- Seleccionar los modelos de pronstico
5.- Reunir los datos necesarios para elaborar el pronstico
6.- Obtener el pronstico
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Enfoques de Pronsticos
Mtodos Cualitativos Mtodo Delphi
Jurado de opinin de
Ejecutivos
Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo
Mtodos Cuantitativos
Promedios Mviles (*)
Suavizamiento exponencial (*)
Proyeccin de tendencias (*)
Enfoque intuitivo
Regresin Lineal (*)
Modelos
de series
de tiempo
Modelo
asociativo
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Enfoques de Pronsticos
Mtodos Cualitativos Mtodo Delphi
Jurado de opinin de
Ejecutivos
Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo
Mtodos Cuantitativos
Promedios Mviles (*)
Suavizamiento exponencial (*)
Proyeccin de tendencias (*)
Enfoque intuitivo
Regresin Lineal (*)
Modelos
de series
de tiempo
Modelo
asociativo
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
1.- Promedios Mviles.
Promedio Mvil = Demanda en los n periodos anteriores
n
Promedio Mvil Ponderado =
(ponderacin para periodo n) (demanda en periodo n)
ponderaciones
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la
columna central de la siguiente tabla. A la derecha se da el promedio
mvil de tres meses.
Mes
Ventas Reales de
Cobertizos
Promedio Mvil de 3
meses
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
10
12
13
16
19
23
26
30
28
18
16
14
(10+12+13)/3 = 112/3
(12+13+16)/3 = 13 2/3
(13+16+19)/3 = 16
(16+19+23)/3=19 1/3
(19+23+26)/3 = 22 2/3
(23+26+30)/3= 26 1/3
(26+30+28)/3= 28
(30+28+18)/3 = 25 1/3
(28+18+16)/3 = 20 2/3
Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos
en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico
para enero = (18+16+14)/3 = 16
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Mes
Ventas Reales de
Cobertizos
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
10
12
13
16
19
23
26
30
28
18
16
14
Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de
cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada Periodo
3 ltimo mes o ms reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Promedio Mvil
Ponderado de 3 meses
(3x13)+(2x12)+(10) /6 = 12 1/6
(3x16)+(2x13)+(12) /6 = 14 1/3
(3x19)+(2x16)+(13) /6 = 17
(3x23)+(2x19)+(16) /6 = 201/2
(3x26)+(2x23)+(19) /6 = 235/6
(3x30)+(2x26)+(23) /6 = 271/2
(3x28)+(2x30)+(26) /6 = 281/3
(3x18)+(2x28)+(30) /6 = 231/3
(3x16)+(2x18)+(28) /6 = 18 2/3
D
e
m
a
n
d
a

d
e

V
e
n
t
a
s

5
10
15
25
20
30
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Mes
Ventas reales
Promedio mvil
Promedio mvil
ponderado
2.- Suavizamiento Exponencial.
Nuevo pronstico = pronstico del periodo anterior + (demanda real en
mes anterior pronstico del periodo anterior)
: es la ponderacin, o constante de suavizado, elegida por quien
pronostica, que tiene un valor entre 0 y 1.(0 < < 1 )
matemticamente, se puede escribir as:
Ft = nuevo pronstico
F t-1 = pronstico anterior
A t-1 = demanda real en el periodo anterior
Ft = Ft-1 + (At-1 - Ft-1 )
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Ejemplo: En Enero, un distribuidor de automviles predijo que la
demanda para Febrero sera de 142 camionetas Ford. La demanda
real de febrero fue de 153 autos. Si empleamos la constante de
suavizado que eligi la administracin , = 0,20, podemos pronosticar
la demanda de marzo mediante el modelo de suavizamiento
exponencial. Sustituyendo los datos del ejemplo en la frmula,
obtenemos. (suavizamiento exponencial)
Nuevo pronstico (para la demanda de marzo) = 142 + 0,20 (153 142) =
142 + 2,2 = 144,2
siempre ser dada. Se encuentra en un intervalo entre 0,05
y 0,50.
Si es alta, o sea 0,5 el pronstico se basa en los datos ms recientes.
Si es baja, o sea 0,1el pronstico da poca importancia a la demanda reciente y
toma en cuenta los valores histricos de muchos perodos.
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Error del pronstico
Mide la precisin del modelo de pronstico que se ha usado,
comparando los valores pronosticados con los valores reales u
observados.
Si Ft denota el pronstico en el periodo t, y At denota la
demanda real del periodo t, el error de pronstico (o
desviacin) se define como:

Error del Pronstico = demanda real valor pronosticado
= At - Ft
Medidas para calcular el Error Global del pronstico
Desviacin Absoluta Media (MAD): Su valor se calcula sumando
los valores absolutos de los errores individuales del pronstico y
dividiendo entre el nmero de periodos de datos (n)
MAD = real - pronstico
n
Veamos un ejemplo
Durante los ltimos 8 trimestres, el Puerto de Valparaso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para = 0,10
Trimestre
Toneladas
reales
descargadas
Pronstico
Redondeado con
= 0,10
Pronstico
Redondeado con
= 0,50
1
2
3
4
5
6
7
8
9
180
168
159
175
190
205
180
182
?
175
= 175 + 0,10 ( 180 175)
Pronstico del periodo
anterior
Demanda
real en
periodo
anterior
Pronstico del
periodo anterior
176
175 = 175,50+0,10 (168 175,50)
173 = 174,75+0,10 (159-174,75)
173 = 173,18+0,10 (175+173,18)
175 = 173,36+0,10(190-173,36)
178= 175,02+0,10(205-175,02)
178 = 178,02 + 0,10 (180-178,02)
179 = 178,22 + 0,10 (182-178,22)
175
178
173
166
170
180
193
186
184
Para evaluar la precisin de ambas constantes de suavizado, calculamos
los errores de pronstico en trminos de desviaciones absolutas y MAD
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
Desviacin
Absoluta
Para =0,10
Pronstico
Redondeado
con =0,50
Desviacin
Absoluta
Para =0,50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
5
8
16
2
17
30
2
4
175
178
173
166
170
180
193
186
5
10
14
9
20
25
13
4
Suma de desviaciones absolutas
84 100
MAD =
desviaciones
n
10,50
12,50
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que su
MAD es ms pequea.
Se debe encontrar la constante de suavizado con el menor error de pronstico.
Error cuadrtico Medio (MSE): Es una segunda forma de medir el
error global del pronstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su frmula es:
MSE = (errores de pronstico)
n
Sigamos con el ejemplo del Puerto
de Valparaso para determinar el
MSE
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
(Error)
2
5
2
= 25
(-8)
2
= 64
(-16) = 256
(2) = 4
17 = 289
30 = 900
2 = 4
4 = 16
2
2
2
2
2
2
Suma de los cuadrados de los errores 1.558
MSE = (errores de pronstico)
n
2
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor
eleccin por que se minimiza el MSE.
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores pronosticados
y los reales y se expresa como porcentaje de los valores reales. Es
decir, si hemos pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:
= real i - pronstico i / real i
100
n
i = 1
MAPE
n
Sigamos con el ejemplo del Puerto
de Valparaso para determinar el
MAPE
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Trimestre
Toneladas
reales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
Suma de errores porcentuales = 45,62%
Error porcentual
Absoluto
100 ( error / real)
100(5/180) = 2,77%
100(8/168) = 4,76%
100(16/159) = 10,06%
100(2/175) = 1,14%
100(17/190) = 8,95%
100(30/205) = 14,63%
100(2/180) = 1,11%
100(4/182) = 2,20%
MAPE = errores porcentuales absolutos = 45,62%
n
8
= 5,70%
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
3.- Proyeccin de Tendencias
Mtodo de pronstico de series de tiempo que ajusta una recta de
tendencia a una serie de datos histricos y despus proyecta la
recta al futuro para pronosticar.
A travs del mtodo de Mnimos Cuadrados, encontramos la recta
que mejor se ajuste a las observaciones reales.
Una recta de mnimos cuadrados se describe en trminos de su
ordenada o interseccin con el eje y y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta
con la siguiente ecuacin:
y = a + b x
y y gorro = valor calculado de la variable que debe predecirse (variable dependiente)
a = ordenada
b = pendiente de la recta de regresin (o la tasa de cambio en y para los cambios dados en x)
X = variable independiente (Ej: tiempo)
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Los profesionales de estadsticas han desarrollado ecuaciones que se
utilizan para encontrar los valores de a y b para cualquier recta de
regresin. La pendiente b se encuentra mediante:
xy - n x y
x - n x
2 2
b =
b = pendiente de la recta de regresin


x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
x = promedio del valor de las x
y = promedio del valor de las y
n = nmero de datos puntuales u observaciones.
= signo de suma
donde:
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Calculamos la ordenada a cmo sigue:
a = y - b x
Veamos un ejemplo para aplicar estos
conceptos:
A continuacin se muestra la demanda de energa elctrica en la
ciudad de Puerto Montt, durante el ao 1997 al 2003, en kilowatt.
El Jefe de Operaciones de la empresa SAESA, debe pronosticar la
demanda para el 2004 ajustando una recta de tendencia a estos datos.
Ao
Demanda de
Energa Elctrica
1997
1998
1999
2000
2001
2002
2003
74
79
80
90
105
142
122
Para simplificar, transformamos los valores de x (tiempo) en nmeros
ms sencillos, como 1,2,3,4
Ao Periodo (x)
Demanda de
energa
Elctrica (y)
x
2
xy
1997
1998
1999
2000
2001
2002
2003
1
2
3
4
5
6
7
74
79
80
90
105
142
122
X = 28 y = 692
1
4
9
16
25
36
49
x = 140
2
74
158
240
360
525
852
854
xy = 3.063
X =
X
n
= 28
7
= 4
y =
y
n
= 692
7
= 98,86
xy - n x y
x - n x
2 2
b =
= 3.063 (7) (4) (98,86)
140- (7) ( 4 )
2
= 295
28
= 10,54
a = y - b x
= 98,86 10,54 (4) = 56,70
As, la ecuacin de mnimos cuadrados para la
tendencia es y = 56,70 + 10,54 x. Para proyectar la
demanda en el 2004, primero denotamos el ao 2004
en el nuevo sistema de cdigos como x = 8.
Demanda en el 2004 = 56,70 + 10,54 (8)
= 141,02, o 141 Kilowatt.
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Demanda en el 2005 = 56,70 + 10,54 (9)
= 151,56, o 152 Kilowatt.
Estimamos la demanda para el 2005 insertando x = 9 en la misma
ecuacin:
Para comprobar la validez del modelo, graficamos la demanda histrica y la recta
de tendencia. En este caso debemos tener cuidado y tratar de comprender el
cambio en la demanda de 2002 a 2003.
1997 1998 1999 2000 2001 2002 2003 2004 2005
Ao
D
e
m
a
n
d
a

d
e

e
n
e
r
g

a

50
60
70
80
90
100
110
120
130
140
150
160
Recta de tendencia y =56,70 + 10,54 x
Demanda histrica
4.- Regresin Lineal
Podemos usar el mismo modelo matemtico que usamos con el mtodo
de mnimos cuadrados para la proyeccin de tendencias, con el fin de
realizar un anlisis de regresin lineal. Las variables dependientes que
deseamos pronosticar se simbolizan con y. Pero la variable independiente,
x, ya no necesita ser el tiempo. Usamos la ecuacin.
y = a + b x
y = valor calculado de la variable que debe predecirse (variable dependiente)
a = ordenada, interseccin con el eje y.
b = pendiente de la recta de regresin
X = variable independiente.
Veamos un ejemplo para mostrar cmo
usar la regresin lineal.
Regresin lineal simple:
Los siguientes datos relacionan las cifras de ventas de un bar de un
pequeo Hotel, con el nmero de huspedes registrados esa semana:
semana Huspedes Ventas del bar
16
12
18
14
1
2
3
4
$330
270
380
300
Huspedes (en miles)
V
e
n
t
a
s

d
e
l

b
a
r

4 8 12 16 20
50
100
150
200
250
300
350
400
Ventas, y Huspedes,x
x
2
xy
330
270
380
300
16
12
18
14
X = 60
256
144
324
196
x = 920
2
5.280
3.240
6.840
4.200
xy =19.560
X =
X
n
= 60
4
= 15
y =
y
n
= 1.280
4
= 320
y = 1.280
xy - n x y
x - n x
2 2
b =
= 19.560 (4) (15) (320)
920- (4) ( 15 )
2
= 360
20
= 18
a = y - b x
= 320 18(15) = 50
La ecuacin de regresin estimada es, por lo tanto,
y = 50 + 18 x 0 Ventas = 50 + 18 (huspedes)
Huspedes (en miles)
V
e
n
t
a
s

d
e
l

b
a
r

4 8 12 16 20
50
100
150
200
250
300
350
400
Si el pronstico es de 20 huspedes la semana siguiente de
cunto se esperan que sean las ventas?
y = 50 + 18 x 0 Ventas = 50 + 18 (huspedes)
Ventas = 50 + 18 (20)
= 410
Recta de regresin lineal Simple
Demanda histrica
Error estndar de la estimacin S y,x
Medida de la variabilidad alrededor de la recta de regresin,
su desviacin estndar.
El clculo se llama desviacin estndar de la regresin y mide
el error desde la variable dependiente, y, hasta la recta de
regresin, en lugar de hasta la media.
S y,x

( y yc )
2
=
n - 2
donde:
y = valor de y de cada dato puntual
yc = valor calculado de la variable
dependiente, a partir de la ecuacin de
regresin.
n = nmero de datos puntuales
S y,x y
2
=
n - 2
- a y xy - b
Esta ecuacin puede resultar ms fcil de usar. Ambas frmulas
entregarn el mismo resultado
Huspedes (en miles)
V
e
n
t
a
s

d
e
l

b
a
r

4 8 12 16 20
50
100
150
200
250
300
350
400
Recta de regresin lineal Simple
Demanda histrica
Para calcular el error estndar de la estimacin , la nica cifra que
necesitamos es
y
2
y
108.900
72.900
144.400
90.000
y
2
2
= 416.200
S y,x y
2
=
n - 2
- a y xy - b
S y,x
=
4 - 2
416.200 50(1.280) 18 ( 19.560)
= 60
= 7,74 $ en ventas
Error estndar de la
estimacin
Coeficiente de correlacin para rectas de regresin
Sirve para medir o evaluar la relacin entre las dos variables
de una regresin lineal. Se expresa con la letra r.
Para calcular el valor, se utiliza la siguiente frmula:
n xy - x y
n x - x
2
2
n y - y
2
2
r =
El coeficiente de correlacin r puede ser cualquier
nmero entre +1 y -1.
Cuatro valores del coeficiente de correlacin.
X
X
X
X
y
y y
y
Correlacin positiva perfecta
r= +1
Correlacin positiva r= 0< r <1
No hay Correlacin r= 0
Correlacin negativa perfecta
r= -1
Ventas, y Huspedes,x
x
2
xy
330
270
380
300
16
12
18
14
X = 60
256
144
324
196
x = 920
2
5.280
3.240
6.840
4.200
xy =19.560
y = 1.280
y
2
108.900
72.900
144.400
90.000
y
2
= 416.200
Siguiendo con el ejemplo, calcular el coeficiente de correlacin:
(4) (19.560) - (60) (1.280)
(4) (920)- (60)
2
(4) (416.200)- (1.280)
2
r =
= 1.440
=
2.112.000
1453,27217
1.440
= 0,993619798
Correlacin positiva r= 0< r <1
Regresin Lineal Mltiple
La regresin mltiple es una extensin prctica del modelo simple de
regresin que acabamos de ver. Nos permite construir un modelo con
varias variables independientes en lugar de slo una variable. Por
ejemplo, si en el ejemplo anterior se desea incluir el alza en los pasajes
de los huspedes, la ecuacin apropiada sera:
y = a + b1 x1 + b2 x2
y = variable dependiente, ventas
a = una constante
x1 y x2 = valores de las dos variables independientes (Ej: n de huspedes y alza en los
pasajes)
b1 y b2 = coeficientes de las dos variables independientes
Las matemticas de la regresin mltiple son bastante complejas y lo usual
es que los clculos se realicen en el computador, por lo cual dejaremos las
frmulas para encontrar a, b1 y b2 a los libros de estadstica.