1

UNIVERSIDAD PERUANA LOS ANDES

Ingeniera Industrial
PCP I
Estimacin de la
demanda y Pronsticos
cuantitativos
2
Qu es pronosticar?

Pronosticar es el arte y la ciencia de predecir los eventos
futuros.
Puede implicar el empleo de datos histricos y su proyeccin
hacia el futuro mediante algn tipo de modelo matemtico.
Puede ser una prediccin subjetiva o intuitiva; o puede ser
una combinacin de stas es decir, un modelo matemtico
ajustado mediante el buen juicio del administrador.
3
Horizontes de tiempo del pronstico
Por lo general, un pronstico se clasifica por el horizonte de tiempo
futuro que cubre. El horizonte de tiempo se clasifica en tres categoras:
1. Pronstico a corto plazo: Este pronstico tiene una extensin de
tiempo de hasta 1 ao, pero casi siempre es menor a 3 meses. Se usa
para planear las compras, programar el trabajo, determinar niveles de
mano de obra, asignar el trabajo, y decidir los niveles de produccin.
2. Pronstico a mediano plazo: Por lo general, un pronstico a
mediano plazo, o a plazo intermedio, tiene una extensin de entre 3
meses y 3 aos. Se utiliza para planear las ventas, la produccin, el
presupuesto y el flujo de efectivo, as como para analizar diferentes
planes operativos.
3. Pronstico a largo plazo. Casi siempre su extensin es de 3 aos o
ms. Los pronsticos a largo plazo se emplean para planear la
fabricacin de nuevos productos, gastos de capital, ubicacin o
expansin de las instalaciones, y para investigacin y desarrollo.
4
La influencia del ciclo de vida del
producto

Otro factor que debe considerarse cuando se desarrollan
pronsticos de ventas, en especial los largos, es el ciclo de
vida del producto. Los productos, e incluso los servicios, no
se venden a un nivel constante a lo largo de su vida. Los
productos ms exitosos pasan por cuatro etapas: (1)
introduccin; (2) crecimiento; (3) madurez, y (4)
declinacin.
5
Enfoques de Pronsticos

Hay dos enfoques generales para pronosticar, de la misma
forma que existen dos maneras de abordar todos los modelos
de decisin. Un enfoque es el anlisis cuantitativo; el otro es el
enfoque cualitativo.
Los pronsticos cuantitativos utilizan una variedad de modelos
matemticos que se apoyan en datos histricos y/o en variables
causales para pronosticar la demanda.
Los pronsticos cualitativos o subjetivos incorporan factores
como la intuicin, las emociones, las experiencias personales y
el sistema de valores de quien toma las decisiones para llegar a
un pronstico. Algunas empresas emplean un enfoque y otras el
otro. En la prctica, la combinacin de ambos resulta ms
efectiva en la mayora de los casos.
6
Panorama de los mtodos cuantitativos

En este captulo se describen cinco mtodos de pronsticos
cuantitativos que emplean datos histricos.
Los mtodos caen en dos categoras:
7
Modelos de series de tiempo
Los modelos de series de tiempo predicen bajo el
supuesto de que el futuro es una funcin del pasado.
En otras palabras, observan lo que ha ocurrido durante
un periodo y usan una serie de datos histricos para
hacer un pronstico. Si estamos pronosticando las ventas
semanales de cortadoras de csped, utilizamos datos de
las ventas pasadas de cortadoras de csped para hacer el
pronstico.
8
Modelos asociativos
Los modelos asociativos, como la regresin lineal,
incorporan las variables o los factores que pueden influir
en la cantidad por pronosticar. Por ejemplo, un modelo
asociativo sobre las ventas de cortadoras de csped
incluye factores como la construccin de nuevas
viviendas, el presupuesto de publicidad y los precios de
los competidores.
9
Pronsticos de series de tiempo

Una serie de tiempo se basa en una secuencia de datos
puntuales igualmente espaciados (semanales, mensuales,
trimestrales, etc.). Los ejemplos incluyen las ventas
semanales de Nike Air Jordans, los informes de ingresos
trimestrales en Microsoft, los embarques diarios de cerveza
Coors, y los ndices anuales de precios al consumidor.
Los datos para pronsticos de series de tiempo implican
que los valores futuros se predicen solamente a partir de
los valores pasados y que se pueden ignorar otras variables,
sin importar qu tan potencialmente valiosas sean.

10
Descomposicin de una serie de
tiempo

Analizar una serie de tiempo significa desglosar los datos
histricos en componentes y despus proyectarlos al
futuro. Una serie de tiempo tiene cuatro componentes:
1. La tendencia es el movimiento gradual, hacia arriba o
hacia abajo, de los datos en el tiempo. Los cambios en el
ingreso, la poblacin, la distribucin de edades o los
puntos de vista culturales pueden ser causantes del
movimiento en una tendencia.
2. La estacionalidad es un patrn de datos que se repite
despus de un periodo de das, semanas, meses o
trimestres. Los restaurantes, discotecas, por ejemplo,
experimentan estaciones semanales, donde los sbados
son el pico del negocio.
11
Descomposicin de una serie de tiempo
3. Los ciclos son patrones, detectados en los datos, que
ocurren cada cierta cantidad de aos.
Usualmente estn sujetos al ciclo comercial y son de gran
importancia para el anlisis y la planeacin del negocio a
corto plazo. La prediccin de los ciclos de negocio es difcil
porque stos pueden verse afectados por los
acontecimientos polticos o la turbulencia internacional.
4. Las variaciones aleatorias son seales generadas en
los datos por casualidad o por situaciones inusuales. No
siguen ningn patrn discernible y, por lo tanto, no se
pueden predecir.
12
1.Enfoque intuitivo

La forma ms simple de pronosticar es suponer que la demanda
del siguiente periodo ser igual a la demanda del periodo ms
reciente.
Grfica de la demanda de un producto durante cuatro aos, la cual indica una
tendencia creciente y una estacionalidad
13
2.1 Promedios mviles - simple

El pronstico de promedios mviles usa un nmero de
valores de datos histricos reales para generar un
pronstico. Los promedios mviles son tiles si podemos
suponer que la demanda del mercado permanecer
relativamente estable en el tiempo.
Un promedio mvil de 4 meses se encuentra simplemente al
sumar la demanda medida durante los ltimos 4 meses y
dividindola entre cuatro. Al concluir cada mes, los datos del
mes ms reciente se agregan a la suma de los 3 meses
previos y se elimina el dato del mes ms antiguo. Esta
prctica tiende a suavizar las irregularidades del corto plazo
en las series de datos.
14
Promedio mvil
Matemticamente, el promedio mvil simple (que sirve
como estimacin de la demanda del siguiente periodo)
se expresa como:
Donde n es el nmero de periodos incluidos
en el promedio mvil
Ejemplo 1
15

16
Tarea 1

17
2.2.Promedio mvil ponderado
Cuando se presenta una tendencia o un patrn localizable, pueden
utilizarse ponderaciones para dar ms nfasis a los valores
recientes. Esta prctica permite que las tcnicas de pronstico
respondan ms rpido a los cambios, puesto que puede darse
mayor peso a los periodos ms recientes.
La eleccin de las ponderaciones es un tanto arbitraria porque no
existe una frmula establecida para determinarlas.
Por lo tanto, decidir qu ponderaciones emplear requiere cierta
experiencia. Por ejemplo, si el ltimo mes o periodo se pondera
demasiado alto, el pronstico puede reflejar un cambio grande
inusual, demasiado rpido en el patrn de demanda o de ventas.
Se expresa como:
18
Ejemplo 2

19

20
Tarea 2
21
Retrazo de los modelos
Tanto los promedios mviles simples como los ponderados son
efectivos para suavizar las fluctuaciones repentinas en el patrn de
la demanda con el fin de obtener estimaciones estables. Sin
embargo, los promedios mviles presentan tres problemas:
1. Aumentar el tamao de n (el nmero de periodos
promediados) suaviza de mejor manera las fluctuaciones, pero
resta sensibilidad al mtodo ante cambios reales en los datos.
2. Los promedios mviles no reflejan muy bien las tendencias.
Porque son promedios, siempre se quedarn en niveles pasados,
no predicen los cambios hacia niveles ms altos ni ms bajos. Es
decir, retrasan los valores reales.
3. Los promedios mviles requieren amplios registros de datos
histricos.
22
3.1 Suavizamiento exponencial

El suavizamiento exponencial es un sofisticado mtodo de
pronstico de promedios mviles ponderado
que sigue siendo bastante fcil de usar. Implica mantener
muy pocos registros de datos histricos.
La frmula bsica para el suavizamiento exponencial se
expresa como sigue:
Nuevo pronstico = Pronstico del periodo anterior
+ (Demanda real del mes anterior Pronstico del periodo anterior)
Donde es la ponderacin, o constante de suavizamiento, elegida por
quien pronostica, que tiene un valor de entre 0 y 1
23
Suavizamiento exponencial
Tambin puede escribirse matemticamente como:





El concepto no es complicado. La ltima estimacin de la
demanda es igual a la estimacin anterior ajustada por una
fraccin de la diferencia entre la demanda real del ltimo
periodo y la estimacin anterior.
La constante de suavizamiento, , se encuentra generalmente en un intervalo de
.05 a .50 para aplicaciones de negocios. Puede cambiarse para dar ms peso a
datos recientes (cuando es alta) o ms peso a datos anteriores (si es baja).
24

25
Seleccin de la constante de
suavizamiento
El enfoque de suavizamiento exponencial es fcil de usar y
se ha aplicado con xito en prcticamente todo tipo de
negocios. Sin embargo, el valor apropiado de la constante
de suavizamiento, , puede hacer la diferencia entre un
pronstico preciso y uno impreciso. Se eligen valores altos
de cuando el promedio subyacente tiene probabilidades
de cambiar. Se emplean valores bajos de cuando el
promedio en que se basa es bastante estable.
Al elegir los valores de la constante de suavizamiento, el
objetivo es obtener el pronstico ms preciso.
26
Para este periodo bibliografa bsica
En dos CD