UNIDAD II PRONSTICO DE LA DEMANDA

2.1 IMPORTANCIA ESTRATGICA DEL PRONSTICO

Es imperativo que las empresas tengan enfoques eficaces de pronstico y
que el pronstico forme parte integral de la planeacin empresarial. Cuando
los gerentes planean, determinan hoy los cursos de accin que tomaran en
el futuro. Por lo tanto, el primer paso en la planeacin es el pronstico, es
decir, estimar la demanda futura de productos y servicios y los recursos
necesarios para producirlos. Las estimaciones de la demanda para
productos y servicios por lo general se conocen como pronsticos de
ventas, que en la administracin de la produccin y de las operaciones
constituye el punto de partida de todos los dems pronsticos.
Los gerentes de operaciones necesitan pronsticos a largo plazo para tomar
decisiones estratgicas relacionadas con productos, procesos e
instalaciones. Tambin necesitan pronsticos a corto plazo que los ayuden a
la toma de decisiones en problemas de produccin que slo abarcan las
siguientes pocas semanas. Los pronsticos a largo plazo por lo genera1
abarcan un ao o ms, y estiman la demanda de la totalidad de lneas de
producto. Los pronsticos a rango medio por lo genera1 abarcan varios
meses, y agrupan productos en familias de productos. Los pronsticos a
corto plazo por lo general abarcan unas pocas semanas y se enfocan a
productos especficos.
Los insumos se procesan a travs de modelos o mtodos de pronstico para
el desarrollo de estimaciones de la demanda. Estas estimaciones de la
demanda no son los pronsticos de ventas; ms bien son el punto de
partida para que los equipos administrativos desarrollen los pronsticos de
ventas. Los pronsticos de ventas se convierten en los insumos tanto para
la estrategia empresarial como para los pronsticos de los recursos de la
produccin.
Aspectos bsicos del pronstico de la demanda del mercado.
Un elemento fundamental de una buena planeacin de la comercializacin
consiste en pronosticar con la mayor exactitud la demanda de un producto.
El pronstico de la demanda es estimar las ventas de un producto durante
determinado periodo futuro. Qu importancia tiene el pronstico de
ventas? Constituye el fundamento de la elaboracin de presupuestos y de la
planeacin operativa en todos los departamentos de la compaa:
mercadotecnia, produccin y finanzas. Por lo que es importante efectuarlo
con la mayor precisin posible. Se obtiene normalmente calculando el
volumen de ventas
expresados en trminos monetarios y luego
transformando estas estimaciones en unidades de produccin tales como:
la cantidad de televisores en una empresa, la cantidad de pacientes
alimentados en un hospital, los libros en una librera, o un nmero de lotes
de acciones comunes vendidas en una corredura. Pueden entonces
subdividirse en sus partes y componentes y de mano de obra directa o de
requerimiento de materiales.
DEFINICIN DE PRONSTICO
Es el arte y la ciencia de previsin para cualquier actividad futura por lo
tanto todo pronstico es un clculo estimativo del nivel de la demanda de
uno o varios productos para un periodo de tiempo futuro.
Por consiguiente todo pronostico es, fundamentalmente una conjetura,
que mediante el empleo de ciertas tcnicas puede ser ms que una
simple conjetura hay algunas personas que dicen que los pronsticos son
como el clima de Inglaterra solamente son verdaderas para las prximas

6 horas esta frase aunque un poco exagerada nos sugiere dos cosas
realmente importantes .
1. Los pronsticos sern ms y ms inciertos en la medida en que
nos propongamos pronosticar periodos de ventas cada vez ms
lejanos.
2. Los pronsticos siempre presentaran
un determinado grado de
incertidumbre; nuestro objetivo no debe ser pronosticar el volumen
exacto de ventas sino realizar un pronostico con errores mnimos
siempre evaluables.
Otro aspecto que no se debe pasar por alto es el hecho de que cada vez
que se tome una decisin para el futuro est llevara cuando menos,
implcito un pronostico para que tenga sentido se debe hacer en base a
unidades que deben quedar comprendidas en un plan programa y que
deben atacar un perodo de tiempo cuando menos tan largo, como el
periodo que se necesite para tomar un acuerdo de decisin , as como
para que esta se pueda llevar a efecto.
Dentro de esta aparente contradiccin el pronostico deber ser para
perodos de tiempo corto de tal manera que aumente su grado de certeza
y dentro de periodos de tiempo tan largos que permitan tomar decisiones
y que estas puedan efectuarse. Aqu se encuentra precisamente el criterio
que permitir, de acuerdo a los mtodos cuantitativos empleados y las
caractersticas de la demanda aumentar el grado de factibilidad de
cualquier pronstico.
El pronstico se basa en el promedio de los datos de ventas anteriores de la
cual se obtendr la demanda futura. Para promediar existen una gran
variedad de mtodos los ms comunes el promedio aritmtico y la media
aritmtica. Para nuestro propsito ejemplificaremos y practicaremos los
siguientes mtodos estadsticos.

HORIZONTES DE TIEMPO
PRONOSTICO A CORTO PLAZO. Este tiene un lapso de hasta un ao, pero es
generalmente menor a tres meses.
PRONOSTICO A MEDIANO PLAZO. Intermedio generalmente es de tres meses
a tres aos, es valido para en la planeacin de produccin y presupuestos.
PRONOSTICO A LARGO PLAZO. Generalmente son lapsos de tres aos o
ms, se utilizan para planear nuevos productos, desembolso de capital, etc.
2.2

CARACTERSTICAS DE LA DEMANDA

DEMANDA Y CANTIDAD DEMANDADA. Son las acciones que toman los

consumidores respecto a cuanto consumir de un determinado bien o
servicio y se manifiesta en el mercado a travs de la demanda.
La curva de la demanda (figura 1) muestra el mximo precio que un
consumidor estara dispuesto a pagar.

Figura 1 tendencia de la demanda

LEY DE LA DEMANDA. Se sabe que la cantidad demandada esta
determinada por el precio del bien, aunque, tambin puede depender de los
factores, como la moda y el nivel de ingresos del consumidor.
Cmo cambia la cantidad demandada de un bien al variar el precio de ese
bien?
Cuanto mayor es el precio de un bien, menor ser la cantidad demanda,
anlogamente, cuanto menor es el precio de un bien, mayor ser la
cantidad demandada.
Esto ocurre cuando un bien pueda ser muy especial casi siempre se puede
reemplazar.
DEMANDA INDIVIDUAL. refleja el comportamiento de un individuo o
unidad consumidora en particular.
DEMANDA DE MERCADO. refleja las preferencias del conjunto de
individuos o unidades consumidoras.
La demanda de un bien o servicio depende de diversos factores adems de
su precio.
EL PRECIO DE OTROS BIENES. La cantidad de un bien que los
consumidores planean comprar, depende tambin del precio de los
bienes. Depende si son sustitutos o complementarios del original.
SUSTITUTO. Puede utilizarse uno en lugar de otro.
COMPLEMENTARIO. Se usa junto con otro.
INGRESOS. Si el nivel de ingresos de los consumidores aumenta, se
demanda ms.
GUSTOS. Depende de los gustos, preferencias y actitudes de los
consumidores.
POBLACION. Depende del tamao de la poblacin y de sus
caractersticas.
En la raz de la mayora de las decisiones de negocios se encuentra el reto
de pronosticar la demandadle cliente. Se trata de una tarea difcil porque la
demanda de bienes y servicios suele variar considerablemente. Por ejemplo,
es previsible que la demanda de fertilizante para el csped aumente en los
meses de primavera y verano; sin embargo, en los fines de semana
especficos en los que la demanda es mas intensa, sta depende de factores
incontrolables, como el clima. A veces, los patrorevisib1es. As, las horas
pico del da en el Centro de atencin telefnica de un banco grande son de
9 de la maana a 12 del da, y el da pico de la semana es el lunes. Para los
procesos de preparacin de estados de cuenta, los meses de mayor

movimiento son enero, abril, julio y octubre, porque en esos meses se

envan los estados de cuenta trimestrales. Para pronosticar la demanda en
este tipo de situaciones es necesario descubrir los patrones subyacentes a
partir de la informacin disponible.
Las observaciones repetidas de la demanda de un producto o servicio en el
orden en que se realizan forman un patrn que se conoce como serie de
tiempo. Los cinco patrones bsicos de la mayora de las series de tiempo
aplicables a la demanda son:
1. HORISONTAL. La fluctuacin de los datos en torno de una media
constante.
2. TENDENCIA. El incremento o decremento sistemtico de la media de
la serie a travs del tiempo.
3. ESTACIONAL. Un patrn repetible de incrementos o decrementos de la
demanda, dependiendo de la hora del da, la semana, el mes o la
temporada.
4. CICLICO. Una pauta de incrementos o decrementos graduales y
menos previsibles de la demanda, los cuales se presentan en el
transcurso de periodos ms largos (aos o decenios).
5. ALEATORIOS. La variacin imprevisible de la demanda.
Los patrones cclicos provienen de dos influencias. La primera de ellas es el
ciclo econmico, que incluye diversos factores por los que la economa pasa
de una recesin a una expansin en el transcurso de varios aos. La
segunda influencia es el ciclo de vida del producto o servicio en cuestin, en
el cual se reflejan las etapas de la demanda, desde el desarrollo hasta la
declinacin. El movimiento del ciclo econmico es difcil de predecir porque
se ve afectado por acontecimientos nacionales o internacionales, como las
elecciones presidenciales o la agitacin poltica en otros pases. Hacer un
pronstico de la tasa de crecimiento o disminucin de la demanda en el
ciclo de de vida tambin es difcil. A veces, las empresas estiman la
demanda de un nuevo producto a partir del historial de demanda del
producto anterior que van a sustituir con el nuevo.
Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y
cclico) se combinan en diversos grados para definir el patrn fundamental
de tiempo de demanda que corresponde a un producto o servicio. El quinto
patrn, la variacin aleatoria, es resultado de causas fortuitas y, por lo
tanto, no puede pronosticarse. La variacin aleatoria representa un aspecto
de la demanda por el que todos los pronsticos resultan equivocados. La
figura 2 muestra los cuatro primeros patrones de una serie de tiempo de la
demanda, todos los cuales contienen variacin aleatoria. Una serie de
tiempo puede contener cualquier combinacin de estos patrones.

Figura 2 patrones de demanda

2.3MTODOS CUALITATIVOS
Estos mtodos generalmente se basan en juicios respecto a los factores
causales subyacentes a la venta de los productos y servicios en particular y
en opiniones sobre la posibilidad relativa que estos factores causales sigan
presentes en el futuro y pueden involucrar diversos de complejidad, desde
encuestas de opinin cientficamente conducidas estimaciones intuitivas
respecto a eventos futuros.
2.3.1 CONSULTA A LA FUERZA DE VENTA
A veces, la mejor informacin sobre la demanda futura proviene de las
personas que estn ms cerca de los clientes externos. Las estimaciones
del personal de ventas son pronsticos compilados a partir de
estimaciones realizadas peridicamente por el personal de ventas en las
compaas. Este mtodo tiene varias ventajas:
E1 personal de ventas es el grupo que tiene mayores probabilidades
de saber qu productos o servicios comprarn los clientes en el futuro
cercano y en qu cantidades.
Los territorios de ventas estn divididos a menudo en distritos o
regiones. La informacin desglosada de este modo puede ser til para
propsitos de administracin de inventario distribucin y contratacin
de personal de ventas.
Los pronsticos del personal de ventas pueden combinarse fcilmente
para obtener las cifras correspondientes a ventas regiona1es o
nacionales.
Pero dicho mtodo tambin tiene varias desventajas:
Los prejuicios individuales de los vendedores pueden introducir
sesgos en el pronstico; adems, algunas personas son optimistas
por naturaleza y otras son ms cautelosas.
Es posible que el personal de ventas no siempre perciba la diferencia
entre lo que el cliente quiere (la lista de deseos) y lo que el cliente
necesita (una compra necesaria).

Si la empresa utiliza las ventas individuales como medida del

desempeo, el personal de ventas puede subestimar sus pronsticos
para que su propio desempeo parezca bueno cuando superen esas
proyecciones, o para tener que esforzarse solamente hasta alcanzar
las ventas mnimas requeridas.

2.3.2 JURADO DE OPININ EJECUTIVA

Cuando se piensa lanzar un nuevo producto o servicio, el personal de ventas
no siempre es capaz de hacer estimaciones precisas de la demanda. La
opinin ejecutiva es un mtodo de pronstico en el cual se hace un resumen
de las opiniones, experiencia y conocimientos tcnicos de uno o varios
gerentes para llegar a un solo pronstico. La opinin ejecutiva puede usarse
para modificar un pronstico de ventas existente, a fin de tomar en cuenta
circunstancias inusitadas, como una nueva promocin de ventas o
acontecimientos internacionales inesperados. La opinin ejecutiva tambin
puede usarse para elaborar pronsticos tecnolgicos. E1 ritmo acelerado del
cambio tecnolgico dificulta la tarea de mantenerse al tanto de los ltimos
adelantos. La clave para la utilizacin eficaz de la opinin ejecutiva consiste
en asegurarse de que el pronstico no refleje una serie de modificaciones
independientes, sino un consenso de los ejecutivos acerca de un pronstico
unificado.
2.3.3 MTODO DELPHI
Esta es una tcnica de pronostico por consenso y de obtencin de
opiniones que emplea a expertos o ha personas bien informadas para que
localicen, analicen, evalan y lo pronostiquen los parmetros de los
acontecimientos futuros. Originalmente fue diseado para maximizar los
efectos de personalidad y socilogos de los comits. El proceso se lleva a
cabo al realizar varios interrogatorios individuales cuidadosamente
diseados, los participantes son interrogados en privado sin confrontarlos
cara a cara con otros participantes.
Cada ronda de interrogatorios va seguido por la comunicacin annima de
las opiniones obtenidas en la ronda anterior, tratando de lograr un acuerdo
entre el grupo. El proceso es aplicable a cualquier situacin a la cual se le
puedan asignar valores cuantitativos, sean fechas, ponderaciones o
clasificaciones etc. todo el proceso se lleva a cabo generalmente por
mediacin de un director.
PASOS EN EL PROCESO
1. Identifique individuos cuya experiencia y referencia sean apropiadas
al problema tratado;
2. Pdales evaluar el problema de acuerdo a ciertos criterios;
3. Use escalas graduales que reflejen las opiniones del individuo sobre la
cuestin;
4. Asegreles el anonimato.
5. Recoja los resultados y tabule las respuestas;
6. Entregue las respuestas a los expertos para mostrarles el consenso
del grupo tomando en cuenta los juicios individuales, no las
discusiones de grupo.
7. Pida a los expertos cuyos puntos de vista se aportan de la norma que
expliquen sus posiciones. Esto puede generar puntos que fueron
ignorados por los dems.

8. Pida a los expertos que tracen su nivel de experiencia para

proporcionar una base y ponderar las respuestas obtenidas;
9. Usando est informacin, el ciclo de preguntas se repite de manera
interactiva.
2.3.4 INVESTIGACIN DE MERCADO
La investigacin de mercado consiste en un mtodo sistemtico para
determinar el grado de inters del consumidor externo por un producto o
servicio, mediante la creacin y puesta a prueba de diversas hiptesis por
medio de encuestas encaminadas a la recopilacin de datos. La realizacin
de un estudio de investigacin de mercado incluye el diseo de un
cuestionario, la decisin de cmo administrarlo, la seleccin de una muestra
representativa y el anlisis de la informacin, aplicando el buen juicio y
herramientas estadsticas para interpretar las respuestas. A pesar de que la
investigacin de mercado produce informacin importante, una de sus
desventajas son las numerosas salvedades y limitaciones que suelen incluir
sus conclusiones.
2.3.5 ANALOGA DE CICLOS DE VIDA

2.4 MTODOS CUANTITATIVOS

Los modelos cuantitativos de pronsticos son modelos matemticos que se
basan en datos histricos. Estos modelos suponen que los datos histricos
son relevantes para el futuro. Casi siempre se obtiene informacin
pertinente al respecto.
SERIES DE TIEMPO
En lugar de emplear variables independientes para el pronstico como en
los modelos de regresin, los mtodos de series de tiempo usan informacin
histrica que slo se refiere a la variable dependiente. Estos mtodos se
basan en la suposicin de que el patrn de la variable dependiente en el
pasado habr de continuar en el futuro. En el anlisis de series de tiempo se
identifican los patrones fundamentales de la demanda que se combinan
para producir el patrn histrico observado en la a variable dependiente,
despus de lo cual se elabora un modelo capaz de reproducir dicho patrn.
La atencin se centrar en los mtodos de series de tiempo aplicables a los
patrones de demanda de tipo horizontal, de tendencia y estacionales. Antes
de hablar de los mtodos estadsticos, se examinar brevemente el ms
sencillo de los mtodos de series de tiempos para abordar todos los
patrones de demanda: el pronstico emprico.
PRONOSTICO EMPRICO
Un mtodo que se usa con frecuencia en la prctica es el pronstico
emprico, en el cual el pronstico de la demanda para el siguiente periodo
es igual a la demanda observada en el periodo actual, (D t). De esta manera,
si la demanda real del mircoles ha sido de 35 clientes, la demanda
pronosticada para el jueves ser de 35 clientes. Si la demanda real del
jueves es de 42 clientes, la
demanda pronosticada para el viernes tambin ser de 42 clientes.

El mtodo de pronstico emprico se puede adaptar para tomar en cuenta

una tendencia de la demanda. El incremento (o decremento) observado en
la demanda de los dos ltimos periodo se usa para ajustar la demanda
actual a fin de llegar a un pronstico. Suponga que la demanda fue de 120
unidades en la ltima semana y de 108 unidades la semana anterior. El
incremento de la
demanda fue de 12 unidades en una semana, por lo que el pronstico para
la siguiente semana ser de l20 + 12 = 132 unidades. Si la demanda real de
la semana siguiente resultara ser de 127 unidades el siguiente pronstico
sera de 127 + 7 = 134 unidades. El mtodo de pronstico emprico tambin
se puede aplicar a patrones estacionales. Si la demanda durante julio del
ao pasado fue de 50,000 unidades, el pronstico para julio del ao en
curso ser de 50,000 unidades. Asimismo, los pronsticos de demanda para
cada uno de los meses del ao entrante ser un simple reflejo de la
demanda real observada en esos mismos meses durante el ao pasado.
Las ventajas del mtodo de pronstico emprico son su simplicidad y su bajo
costo. Este mtodo funciona mejor cuando los patrones horizontales, de
tendencia o estacionales son estables y la variacin aleatoria es pequea.
Cuando la variacin a1eatoria es grande, el uso del valor de la demanda en
el ltimo periodo para estimar la del periodo siguiente puede producir
pronsticos sumamente variables que no son tiles para propsitos de
planificacin Sin embargo, si su nivel de precisin aceptable, el pronstico
emprico es un mtodo atractivo para el pronstico con series de tiempo.
ENFOQUE SIMPLE
Los promedios que son puestos al da conforme
se recibe
nueva
informacin, se conocen generalmente como promedios mviles, la
velocidad de respuesta se controla al ajustar el nmero de periodos que
incluyen el promedio mvil y el peso que se asigne a cada uno.
Los promedios mviles se clasifican en:
PROMEDIO PROMOVIL SIMPLE
PROMEDIOMOVIL PONDERADO
PROMEDIO MOVIL SIMPLE
E1 mtodo de promedio mvil simple se usa para estimar el promedio de
una serie de tiempo de demanda y, por lo tanto, para suprimir los efectos
de las fluctuaciones aleatorias. Este mtodo resulta ms til cuando la
demanda no tiene tendencias pronunciadas ni influencias estacionales. La
aplicacin de un modelo de promedio mvil requiere simplemente calcular
la demanda promedio para los n periodos ms recientes, con el fin de
usarla como pronstico para el siguiente periodo. Para el periodo siguiente,
una vez que se conoce la demanda, la demanda ms antigua incluida en el
promedio anterior se sustituye por la demanda ms reciente y luego se
vuelve a calcular el promedio. De esta manera, se usan las n demandas
ms recientes y el promedio se mueve de un periodo a otro.
Este mtodo asigna el mismo peso a cada perodo y nos permite
determinar una curva de pronstico por medio de una curva de demanda
histrica. Esto es, obteniendo de un grupo de datos de la muestra y de las
medias aritmticas parcialmente por la tanto el promedio mvil simple
para n perodos es:
Demanda: X1, X2, X3. . . Xn

Donde:

x = demanda
n = nmero de datos
X1+ X2+ X3+........Xn
Pms =
n

Los periodos mviles simples pueden tener periodos de 3 4, etc.

3 PERIODOS

4 PERIODOS

X1 + X2 + X3

X 1 + X2 + X3 + X4

Pms3 =

Pms 4 =
3

4
X2 + X3 + X4 + X5

X2 + X3 + X4

Pms 5=

Pms4 =

4
X 3 + X4 + X5+ X6

3
Pms6 =

4
X3 + X4 + X5
Pms5 =
3
X4 + X5 + X6
Pms6=
3
NOTA: Para el primer pronstico se tomara el promedio de las ventas de
los periodos pasados tomando la demanda del primer periodo.
Para el segundo se puede tomar haciendo el promedio de los 2 primeros
periodos de demanda.
Por lo tanto el pronstico mvil simple de 4 meses reacciona ms
lentamente al aumento en las ventas.
EJEMPLO: De acuerdo a las ventas reales del 2013 obtener el pronstico
para el 2014 utilizando el mtodo de promedio mvil simple de 3
periodos y graficar.
PERIODO
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBRE
OCTUBRE
NOBIEMBRE
DICIEMBRE

VENTAS 13
2100
2000
1500
1800
1890
1990
2030
1760
2220
1750
2300
1880

PRONOSTICO 14

23220

GRAFICA

PROMEDIOS MVILES
PROMEDIO MOVIL PONDERADO
Ni el pronostico del mvil de 3 periodos ni el de 4 periodos, hacen un
buen pronostico de ventas; para responder ms rpidamente al
pronostico de ventas,
contamos con el mtodo de promedio mvil
ponderado, este mtodo permite considerar el grado de influencia
diferentes
de los datos
histricos de la demanda. En el
anterior
consideramos que la influencia de los datos histricos era similar. Por lo
tanto, se puede definir al promedio mvil ponderado de la muestra de los
datos n como:
n
X1
X2
X3
.
.
.
Xn

3M1+2M2+M3
Pmp =
6

Donde: M 1 = Informacin del ultimo mes

M 2 = Informacin de hace 2 meses
M3 = Informacin de hace 3 meses

EJEMPLO:
De acuerdo a las ventas reales de 2013 obtener el pronstico para el 2014
por el mtodo de promedio mvil ponderado.
PERIODO

VENTAS 13

PRONOSTICO 14

ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBR
E
OCTUBRE
NOVIEMBR
E
DICIEMBRE

2050 M3
1950 M2
1450 M1
1750
1840
1940
1980
1710
2170

M3
M2
M1

1700
2250
1830

GRAFICA

2.4.1.3 SUAVIZACIN EXPONENCIAL

METODO EXPONENCIAL PONDERADO
En el mtodo del promedio ponderado exponencialmente se utiliza la
siguiente formula:
Yn = Yn-1 + (Dn-1 - Yn-1)
Donde:
Yn = Promedio ponderado exponencialmente del periodo n
Yn-1 = Promedio ponderado exponencialmente del periodo n- 1

= Constante de atenuacin

Dn-1 = Demanda del periodo n-1

Las dos primeras etapas que deben llevarse a cabo en la aplicacin de este
mtodo son la eleccin de la constante de atenuacin alfa y el nmero de
periodos pasados a considerar.

La constante alfa esta generalmente entre 0.05 y 0.4, como se podr

observar ms adelante, si queremos dar ms importancia a las ventas de
los ltimos periodos alfa
deber ser ms grande y si queremos dar
una importancia ms uniforma a todos los datos de ventas alfa deber ser
pequea
Para el clculo del promedio Yn requerimos del promedio ponderado (Ynde Yn- 1 necesitamos conocer a la anterior y as
1); y para el calculo
sucesivamente , por lo tanto, no es posible calcular Yo porque no existe
Yn-1, Consecuentemente la tercera etapa de aplicacin de este mtodo es
la eleccin de un promedio inicial Y 0, y se podr obtener de las siguientes
dos formas:
1. Tomando el promedio de las ventas de los periodos pasados.
2. Tomando la demanda del 1er periodo.
EJEMPLO
De acuerdo a las ventas reales del 2014 obtener el pronstico para el 2015
por el mtodo exponencial ponderado y utilizando una constante de
atenuacin alfa = 0.2 tomando como pronostico inicial el promedio de las
ventas y graficar:
PERIODO
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
JULIO
AGOSTO
SEPTIEMBR
E
OCTUBRE
NOVIEMBR
E
DICIEMBRE

GRAFICA
Y

VENTAS 14
2050 D0
1950
1450
1750
1840
1940
1980
1710
2170
1700
2250
1830

PRONOSTICO1
5
Y0

X
2.4.1.4 TENDENCIA LINEAL
En la regresin lineal, una variable, conocida como variable dependiente,
est relacionada con una o ms variables independientes por medio de una
ecuacin lineal. La variable dependiente (como la demanda de picaportes)
es la que el gerente desea pronosticar. Se supone que las variables
independientes (como los gastos de publicidad o el inicio de la construccin
de nuevas viviendas) influyen en la variable dependiente y, por ende, son la
causa de los resultados observados en el pasado. La figura 2.1 muestra la
relacin entre una regresin lineal y los datos. En trminos tcnicos, la lnea
de regresin de regresin minimiza las desviaciones cuadrticas con
respecto a los datos reales.
En los modelos de regresin lineal ms sencillos, la variable dependiente es
funcin de una variable independiente y, por lo tanto, la relacin terica es
una lnea recta.
2.4.2 RELACIONES CAUSALES
MTODOS CAUSALES: REGRESIN LINEAL
Los mtodos causa1es se emplean cuando se dispone de datos histricos y
se puede identificar la relacin entre el factor que se intenta pronosticar y
otros factores externos o internos (por ejemplo, las acciones del gobierno o
las promociones publicitarias). Estas relaciones se expresan en trminos
matemticos
y suelen ser muy complejas. Los mtodos causales
proporcionan las herramientas de pronstico ms avanzadas y son
excelentes para prever los puntos de cambio en la demanda y preparar
pronsticos a largo piazo. Aunque existen muchos mtodos causales, nos
ocuparemos aqu de los ms conocidos y los que se utilizan ms
comnmente entre todos esos mtodos.
REGRESIN SIMPLE
METODO DE MINIMOS CUADRADOS
Siempre que los datos sugieran una recta para su representacin el
mtodo de mnimos cuadrados podr ser utilizado para la elaboracin de
un pronostico, este mtodo consta de la determinacin de la lnea recta
que mejor se ajusta a los puntos , es decir, la lnea para la cual, la suma de
los cuadrados de las distancias a los puntos de la grfica
es mnima,
como se sabe la ecuacin de cualquier lnea recta queda representada por
la siguiente formula .
Y = a + bx
Donde:
Y = variable dependiente

X = variable independiente
a = interseccin de la recta con el eje y
b = pendiente de la recta
El objetivo del anlisis de regresin lineal es encontrar los valores de a y
b que minimicen la suma de las desviaciones cuadrticas de los puntos de
datos reales que estn representados en el grafico. Con esta finalidad se
utilizan programas de cmputo. Para cualquier conjunto de parejas de
observaciones de Y y X, el programa calcula los valores de a y b y ofrece
medidas de la precisin del pronstico. Tres medidas de uso comn son el
coeficiente de correlacin de la muestra, el coeficiente de determinacin de
la muestra y el error estndar del estimado.
El coeficiente de correlacin de la muestra, r, mide la direccin y fuerza
de la relacin entre la variable independiente y la variable dependiente. Los
valores de r pueden fluctuar entre -1.00 y + 1.00. Un coeficiente de
correlacin de + 1.00 implica que los cambios registrados de uno a otro
periodo en la direccin (incrementos o decrementos) de la variable
independiente, siempre van acompaados por cambios de la variable
dependiente en la misma direccin. Un r de -1.00 significa que los
decrementos de la variable independiente siempre van acompaados de
incrementos en la variable dependiente, y viceversa. Cuando r tiene valor
de cero, significa que no existe relacin lineal entre las variables. Cuanto
ms se aproxime el valor de r a 1.00, tanto ms adecuado ser el ajuste
de la lnea de regresin con respecto a los puntos del grfico.
El coeficiente de determinacin de la muestra mide la cantidad de variacin
que presenta la variable dependiente con respecto a su valor medio, que se
explica por la lnea de regresin. El coeficiente de determinacin es igual al
cuadrado del coeficiente de correlacin, o r 2. El valor de r2 oscila entre
0.00 y 1.00. Las ecuaciones de regresin, cuyo valor de r 2 se aproxima a
1.00, son deseables porque eso significa que las variaciones de la variable
dependiente y del pronstico generado por la ecuacin de regresin estn
estrechamente relacionadas.
E1 error estndar del estimado, Syx, mide la proximidad con que los datos
de la variable dependiente se agrupan alrededor de la lnea de regresin.
Aunque es semejante a la desviacin estndar de la muestra, mide el error
de la variable dependiente, Y, con respecto a la lnea de regresin, en
lugar de medirlo con respecto a la media. En consecuencia, es la desviacin
estndar de la diferencia entre la demanda real y la estimacin obtenida
con la ecuacin de regresin. Al determinar qu variable independiente se
incluir en la ecuacin de regresin, se debe elegir la que tenga el error
estndar ms pequeo del estimado.

y las ecuaciones que proporcionan los valores de a y b para la recta de

mnimos cuadrados son las siguientes:

(x2 y) - (x xy)
(N x2) (x)2

a =

b =

Donde

(N xy) - (x y)
(N x2) - (x)2

: x = Periodo
y = Demanda
N = Nmero de datos

EJEMPLO:
De acuerdo a las ventas reales del 2014 obtener el pronstico para el ao
2015 utilizando el mtodo de mnimos cuadrados y graficar.
PERIODO
(X)
ENERO
FEBRERO
MARZO
ABRIL
MAYO

VENTAS 14
(Y)
2100
2000
1500
1800
1890

X
1
2
3
4
5

X2
1
4
9
16
25

XY
2100
4000
4500
7200
9450

JUNIO
JULIO
AGOSTO
SEPRIEMBR
E
OCTUBRE
NOVIEMBRE
DICIEMBRE

1990
2030
1760
2220

6
7
8
9

36
49
64
81

11940
14210
14080
19980

1750
2300
1880

10
11
12

100
121
144

17500
25300
22560

GRAFICA

2.4.2.2 REGRESIN MLTIPLE

El anlisis de regresin mltiple es el estudio de la forma en que una
variable dependiente, y, se relaciona con dos o ms variables
independientes. En el caso general emplearemos p para representar la
cantidad de variables independientes.
EL MODELO, DE REGRESIN Y LA ECUACIN DE REGRESIN
Los conceptos de un modelo de regresin y una ecuacin de regresin que
presentamos en el captulo anterior se pueden aplicar al caso de la
regresin mltiple. La ecuacin que describe la forma en que la variable
dependiente, y, se relaciona con las variables independientes x 1, x2,, xp
y un trmino de error se llama modelo de regresin.

Iniciaremos con la hiptesis de que el modelo de regresin mltiple tiene la

forma siguiente:

En el modelo de regresin mltiple, 0, 1 2,, p son los parmetros, y (la

letra griega psilon) es una variable aleatoria. Un examen detallado de este
modelo indica que y es una funcin lineal de x 1, x2,, xp, (la parte 0 +
1x1, + 2x2 + + pxp ms . El trmino de error explica la variabilidad en
y que no puede explicar el efecto lineal de las p variables
independientes.
La media o valor esperado de y, representado por E(y), es igual a 0 +
1x1, + 2x2 + + pxp. La ecuacin que describe la forma en que el valor
medio se relaciona con x1, x2,, xp, se llama ecuacin de regresin mltiple.

LA ECUACIN ESTIMADA DE REGRESIN MLTIPLE

Si se conocieran los valores de 0, 1 2,, p, se podra usar la ecuacin
(15.2) para calcular el valor medio de y dados los valores de x 1, x2,, xp,
Desafortunadamente esos parmetros, en general, no se conocen y se
deben determinar a partir de datos de muestra. Para calcular los
estadsticos de la muestra b0, b1, b2,..., bp que se usan como estimadores
puntuales de los parmetros 0, 1 2,, p, se usa una muestra aleatoria.
Esos estadsticos dan como resultado la siguiente ecuacin estimada
regresin mltiple:

EL MTODO DE LOS CUADRADOS MNIMOS

Formularemos el criterio de los cuadrados mnimos para deducir la ecuacin
estimada de regresin mltiple quedando como sigue:

Los valores estimados de la variable dependiente se calculan con la

ecuacin estimada de regresin mltiple

Como indica la ecuacin (15.4), el mtodo de los cuadrados mnimos usa

datos muestra para determinar los valores de b 0, b1, b2,, bp, que hacen que
la suma de los residuales elevados al cuadrado [las desviaciones entre los
valores observados de la variable dependiente (yi) y los valores estimados
de esa variable (i)] sea mnima
Como se vio con anterioridad las ecuaciones para calcular, por cuadrados
mnimos, los estimadores b0 y b1 de la ecuacin de regresin lineal simple
= b0 + b1x mediante conjuntos de datos relativamente pequeos pudimos
usarlas para calcular b0 y b1 en forma manual.

Ejemplo: Butier Trucking Company

Como ejemplo del anlisis de regresin mltiple describiremos un problema
que se present a Butler Trucking Company, una empresa independiente de
transportes en el sur de California. Una gran parte del negocio de Butler
tiene que ver con entregas en esta zona. Para poder contar con mejores
programas de trabajo se desea estimar el tiempo diario total que viajan sus
operadores.
Al principio, los directivos crean que ese tiempo total diario se relacionaba
estrechamente con la cantidad de millas recorridas para hacer las entregas
diarias. Una muestra aleatoria simple de 10 entregas suministr los datos
que vemos en la tabla 15.1, y el diagrama de dispersin de la figura 15.2.
Despus de revisar este diagrama de distribucin se supo que se podra
usar el modelo de regresin lineal simple y = 0 + 1x1, + para describir
la relacin entre el tiempo total de viaje (y) y la cantidad de millas
recorridas (x1) Para estimar los parmetros 0 y 1 se us el mtodo de los
cuadrados mnimos y se form la ecuacin estimada de regresin

al aplicar la regresin lineal simple a los datos de la tabla 15.1. La ecuacin

de regresin es:

Al nivel de significancia de .05, el valor de F, de 15.8 1, y su valor

correspondiente p de .004 indican que la relacin es significativa; esto es,
podemos rechazar H0: 0 = 0, porque el valor p es menor que = .05.
Observe que se obtiene la misma conclusin con el valor t de 3.98 y su
valor asociado p, de .004. As, concluimos que la relacin ente el tiempo
total de viaje y la cantidad de millas recorridas es significativa; los tiempos
mayores de viaje se asocian con ms millas recorridas. Con un coeficiente
de determinacin (expresado como porcentaje) R sq (R cuadrada) =
66.4%, vemos que el 66.4% de la variabilidad en el tiempo de viaje se
puede explicar con el efecto lineal de la cantidad de millas recorridas. Esta
conclusin es bastante buena, pero se quisiera agregar una segunda
variable independiente para explicar algo de la variabilidad restante de la
variable dependiente.
Para este fin se incluir la cantidad de entregas, que tambin podra
contribuir al tiempo total de viaje. Los datos de Butler Trucking, ya con la
cantidad de entregas agregada, aparecen en la tabla 15.2.

La solucin con las millas recorridas (x 1) y la cantidad de entregas (x 2) como

variables independientes, se presentan en la figura 15.4. La ecuacin
estimada de regresin es

MONITOREO Y CONTROL DE LOS PRONSTICOS

Es importante que se monitoree y controle el desempeo de los modelos de
pronstico. Una manera sencilla de ilustrar el monitoreo de los pronsticos
es utilizando una grfica escalonada. La figura 2 es un ejemplo de la grfica
escalonada utilizada en Intel Corporation. Para interpretarla, considere el
rengln correspondiente a marzo. El nmero 10 en la columna de febrero
representa las ventas reales del mes, mismas que no se conocan hasta el 1
de marzo. El nmero 15 en la columna de marzo representa el pronstico de
marzo elaborado a principio de ese mes, y el nmero 16 en la columna de
junio representa el pronstico de junio elaborado al principio de marzo.
Observe que examinando los nmeros de las columnas, podemos comparar
las ventas reales con pronsticos de antigedades diferentes que se
prepararon cada mes. Por ejemplo, en la columna de junio, podemos ver
que los pronsticos de ese mes que se hicieron en marzo a travs del
periodo del 1 de junio eran demasiado optimistas. Este tipo de
comparaciones permite juicios subjetivos sobre los patrones y magnitudes
de los errores de pronstico, de forma que pueda mejorarse la precisin de
los pronsticos futuros.
Un sistema ms preciso de vigilar y controlar los pronsticos es establecer
lmites superior e inferior sobre cunto pueden deteriorarse las
caractersticas de desempeo de un modelo, antes de que cambiemos los
parmetros del mismo. Una manera comn en la que podemos llevar control
del desempeo de los modelos de pronstico es utilizando lo que se conoce
como seal de seguimiento:

Figura 2 Grafica escalonada de pronsticos

La seal de seguimiento mide el error de pronstico acumulado a lo largo de
n periodos en funcin de MAD. Por ejemplo, si la suma algebraica de los
errores durante 12 periodos ha sido 1,000 unidades positivas y el MAD de
esos mismos 12 periodos es de 250 unidades, entonces la seal de
seguimiento es +4, lo que es muy elevado. Esto indica que los datos reales
han sido superiores a los pronosticados en un total de +4 MAD durante 12

periodos, lo que es aproximadamente igual a 5S yx dada la relacin Syx = 1.25

MAD. Si la suma algebraica de los errores durante ese periodo ha sido
1,250 unidades y el MAD de esos mismos 12 periodos es de 250 unidades,
entonces la seal de seguimiento es -5, que es muy baja, lo que indica que
a lo largo de 12 periodos los datos reales han sido inferiores respecto a los
pronsticos en un total de -5 MAD, lo que tambin puede considerarse igual
a 6.25Syx. Si el modelo de pronstico est desempendose bien, la seal de
seguimiento debera ser prcticamente igual a cero, indicando que ha
habido aproximadamente tantos puntos reales por encima del pronstico
como por debajo. La capacidad de la seal de seguimiento para indicar la
direccin del error de pronstico es muy til porque indica si los pronsticos
deben ser motivo de reduccin o de incremento. Si la seal de seguimiento
es positiva, incremente los pronsticos; de ser negativa, redzcalos.
El valor de la seal de seguimiento puede utilizarse para disparar
automticamente nuevos valores de parmetros de los modelos, corrigiendo
de esta manera su desempeo. Por ejemplo, podran utilizarse reglas como
las que se encuentran en la tabla 1 para modificar los parmetros del
modelo de pronstico. Pero no debemos suponer que se incrementa
siempre para reducir el error ya que ello depender de los datos. No existen
reglas universales; ms bien, las reglas deben disearse a la medida por
cada empresa para ajustar sus datos a travs de la experimentacin. Si se
establecen lmites para la seal de seguimientos muy bajos, entonces los
parmetros del modelo de pronstico necesitarn revisin demasiado a
menudo, pero si se establecen lmites de la seal de seguimiento muy
amplios, entonces los parmetros del modelo de pronstico no se
modificaran con la frecuencia suficiente y la precisin de los pronsticos
sufrir.

Tabla 1

2.6 PRONSTICOS CON COMPUTADORA

En muchas aplicaciones de pronstico a corto plazo, las computadoras son
indispensables. Con frecuencia, las empresas tienen que preparar
pronsticos para cientos o incluso miles de productos o servicios en forma
reiterada. Por ejemplo, una amplia red de instalaciones de servicio mdico
necesita calcular pronsticos de la demanda de cada uno de sus servicios
en cada departamento. Esta operacin implica grandes volmenes de datos

que deben manipularse con frecuencia. Los analistas tienen que examinar
las series de tiempo que corresponden a cada producto o servicio a fin de
elaborar un pronstico. Sin embargo, ahora se dispone de nuevo software
que facilita la tarea de elaborar los pronsticos y coordinarlos entre
minoristas y proveedores.
Existen muchos paquetes de software para pronstico que pueden usarse
en computadoras de cualquier tamao y ofrecen una amplia variedad de
capacidades de pronstico y formatos de informes, entre ellos figuran los de
Manugistics, Forecast Pro y SAS. Tpicamente, los paquetes de software para
pronstico leen los datos contenidos en archivos de hoja de clculo, trazan
grficos de los datos y los pronsticos, y guardan los archivos de pronstico
para mostrar los resultados en hojas de clculo. El diseo de estos
programas para computadoras personales y su precio relativamente bajo
ponen a estos paquetes al alcance de cualquier empresa.
Un acontecimiento importante en el rea de los pronsticos es el enfoque
general adoptado por Unilever, que usa software para compartir informacin
y colaborar con sus clientes. La planificacin, pronstico y reabastecimiento
en colaboracin (CPFR, del ingls collaborative planning, forecasting, and
replenishment) es un proceso de nueve pasos para administrar la cadena de
valor, en el cual los pronsticos desempean una funcin decisiva, que
permite a un fabricante y a sus clientes colaborar en la elaboracin del
pronstico por medio de Internet. Las compaas estn estudiando
detenidamente este mtodo y se han anunciado estudios piloto muy
prometedores. Sin embargo, hay algunos factores, como los sistemas
anticuados, la confianza mutua y la geografa, que han provocado una
adopcin irregular de CPFR a la fecha.
Los paquetes de software de la lista que sigue son ejemplo de programas
que incluyen capacidades de pronstico. Los tres primeros son
principalmente para pronsticos y los ltimos cuatro tienen incluidos
mdulos de pronstico.
Forecast Pro
AFS
tsMetrix
SAS
SPSS
SAP
POM Computer Library incluye promedio mvil, promedio mvil
ponderado, suavizacin exponencial, suavizacin exponencial con
tendencia, regresin de series de tiempo con rangos, regresin de
series de tiempo estacionalizadas con rango, regresin lineal simple
con rango y regresin lineal mltiple.