3

TECSUP – PFR Gestión de Empresas
UNIDAD VI
“PRONÓSTICO DE VENTAS”
1. INTRODUCCIÓN
Aunque pueden existir muchos tipos de proyecciones en esta unidad nos

ocuparemos de la demanda de producción. Sin embargo demanda y ventas no son
siempre lo mismo. Cuando la demanda no se ve limitada por la capacidad u otras
políticas administrativas, la proyección de ésta será la misma que la proyección de
ventas. En caso contrario las ventas podrían ser ligeramente inferiores a la
demanda de los clientes.
También es necesario aclarar desde el principio la diferencia entre proyección y

planeación. La proyección se refiere a lo que se cree que sucederá en el futuro. La
planeación se refiere a los que se considera que debería suceder en el futuro. De
esta manera a través de la planeación se hace un intento consiente por alterar los
eventos a futuro mientras se utiliza la proyección sólo para predecirlos. La buena
planeación utiliza la proyección como un insumo. Si la proyección no es aceptable,
en ocasiones se puede diseñar un plan para cambiar el curso de los eventos.
La proyección es un insumo para todos los tipos de planeación y control

empresarial, tanto dentro como fuera de la función producción.
2. ADMINISTRACIÓN DE LA DEMANDA
El propósito de la administración de la demanda es coordinar y controlar todas las

fuentes de demanda de manera tal que el sistema productivo pueda utilizarse en
forma eficiente y que el producto se despache a tiempo.
Existen dos fuentes de demanda:

La demanda dependiente, y
La demanda independiente.
La demanda dependiente es la demanda de un producto o servicio causada por

la demanda de otros productos o servicios. Por ejemplo, si una firma vende 1,000
triciclos se necesitarán 1,000 ruedas delanteras y 2,000 traseras. Este tipo de
demanda interna no necesita una proyección sino una simple tabulación.
En lo que se refiere a cuantos triciclos puede vender una firma, eso se denomina
independiente, porque no puede derivarse directamente de la de otros
productos.
No es mucho lo que una firma puede hacer al respecto de la demanda

dependiente. Ésta debe satisfacer (aun cuando el producto o servicio se puede
119
Gestión de Empresas TECSUP - PFR
comprar en lugar de producirse internamente), pero es mucho lo que puede hacer

respecto a la demanda independiente, si lo desea. La empresa puede:
1. Asumir un papel activo para influir la demanda: La firma puede presionar a su

fuerza de ventas, puede ofrecer incentivos tanto a los clientes como a su propio
personal, emprender campañas para vender productos y reducir los precios. De
manera inversa, la demanda puede disminuir cuando se incrementan los
precios o cuando se reducen los esfuerzos de venta.
2. Asumir un papel pasivo o simplemente responder a la demanda: Existen varias

razones por las cuales una firma pueda tratar de no cambiar la demanda sino
simplemente aceptar lo que ocurra. Si una empresa está operando a su
capacidad total, puede desear no hacer nada respecto a la demanda. Otras
razones serían que la firma no tenga poder para cambiar la demanda debido a
los costos de publicidad, que el mercado esté fijo en su tamaño y estático. O
que la demanda esté más allá de su control (proveedor único). Existen otras
razones competitivas, legales, ambientales, éticas y morales para que la
demanda del mercado sea aceptada de manera pasiva.
Se necesita mucha coordinación para manejar las demandas dependiente e

independiente activa y pasiva. Éstas se originan tanto interna como externamente
en forma de nuevos productos de mercadeo, de reparación de partes de productos
vendidos por servicio posventa, de reposición de existencias de los almacenes de la
fábrica y suministro de productos para la fabricación.
3. TIPOS DE PROYECCIÓN
Se pueden clasificar en cuatro tipos básicos: cualitativa, de análisis de las

series de tiempo, las relaciones causales y de simulación.
Las técnicas cualitativas son subjetivas o de juicio basadas en cálculos y

opiniones.
El análisis de las series de tiempo, se basa en la idea de que los datos

relacionados con las demandas anteriores pueden utilizar para predecir la demanda
futura. Los datos anteriores pueden incluir varios componentes, tales como
tendencia, estacionalidad o influencias cíclicas.
La protección causal, se analiza utilizando la técnica de regresión lineal, supone

que la demanda está relacionada con algún factor o factores subyacentes del
medio.
Los modelos de simulación permiten que quien hace la proyección examine una
serie de supuestos sobre la condición de la proyección.
En la tabla siguiente se describen la variedad de los cuatro tipos básicos de

modelos de proyección. En la presente unidad nos ocuparemos de los cuatro
primeros métodos de análisis de series de tiempo y la primera de las causales.
120
Técnicas de proyección y modelos comunes
1. Cualitativa Subjetiva de juicio. Basada en cálculos y opiniones.

Proyección Se deriva una proyección compilando información de aquellos
fundamental que se encuentran al final de la jerarquía, quienes tratan con
lo que está siendo proyectado.
Investigación Se recopilan datos de varias maneras (encuestas, entrevistas)
de mercado para probar hipótesis sobre el mercado. Se utiliza para
proyectar ventas de largo alcance y nuevos productos.
Consenso de Intercambio abierto y libre durante las reuniones. La idea es
grupo que los debates en grupo producen mejores proyecciones de
las que se obtienen de manera individual, Los participantes
pueden ser ejecutivos, vendedores o clientes.
Analogía Lo que se está proyectando se vincula a un artículo similar. Es
histórica importante en la planeación de nuevos productos en donde se
puede derivar una proyección mediante el uso de la historia de
un producto similar.
Método Delphi Un grupo de expertos responde a un cuestionario. Un
moderador compila los resultados y formula un nuevo
cuestionario que es sometido al grupo. Así se logra un proceso
de aprendizaje para el grupo a medida en que éste recibe
nueva información.
2. Análisis de las Está basado en la idea que los eventos ocurridos con el tiempo
series de puede ser utilizada para predecir el futuro.
tiempo
Promedio de Un periodo de tiempo que contiene una serie de puntos de
movimiento datos se promedia dividiendo la suma de los valores de los
simple puntos por el número de los mismos. En consecuencia cada
uno tiene igual influencia.
Promedio de Los puntos específicos pueden ponderarse más o menos que
movimiento los otros, según parezca ajustado de acuerdo con la
ponderado experiencia.
Ajuste Los puntos de datos recientes se ponderan más con una
exponencial ponderación que disminuye de manera exponencial en la
medida que los datos se hacen más antiguos.
Análisis de Ajusta una línea recta a los datos anteriores que se refieren
regresión generalmente al valor de los datos con el tiempo. La técnica de
ajuste más común es la de los mínimos cuadrados.
Técnica de Bob Es muy complicada pero aparentemente es la técnica
Jenkins estadística más exacta que existe. Se refiere a una clase de
modelos estadísticos para los datos y ajusta el modelo de las
series de tiempos mediante la utilización de las distribuciones
posteriores bayesianas.
Serie de tiempo Es un método efectivo para descomponer una serie de tiempo
de Shiskin en estacionales, de tendencia e irregulares. Necesita por los
menos tres años de historia. Es muy bueno para identificar los
puntos críticos, por ejemplo, en las ventas de la compañía
121
Proyecciones de Ajusta una línea de tendencia matemática a los puntos de los

la tendencia datos y la proyecta hacia el futuro.
3. Causal Trata de entender el sistema subyacente y el que rodea la
cuestión que está siendo proyectada. Por ejemplo: las ventas
pueden verse afectadas por la publicidad, la calidad y la
competencia.
Análisis de Similar al método de los mínimos cuadrados en la series de
regresión tiempo pero puede contener múltiples variables. Se basa en el
hecho que la proyección se causa por la ocurrencia de otros
eventos.
Modelos Tratan de describir algún sector de la economía mediante una
econométricos serie de ecuaciones interdependientes.
Modelos insumo Se enfocan en las ventas de cada industria con relación a otras
producto firmas y gobiernos. Indican los cambios en las ventas de
industria productora puede esperar debido a los cambios en las
compras por parte de otra industria.
Modelos de Modelos dinámicos que permiten que quien hace la proyección
simulación haga suposiciones acerca de las variables internas y del medio
externo del modelo.
4. COMPONENTES DE LA DEMANDA
En la mayoría de los casos, la demanda de productos y servicios puede dividirse

en seis componentes: demanda promedio para el periodo, tendencia, elemento
estacional, elementos cíclicos y variación aleatoria.
En la Figura 1 ilustra una demanda sobre un periodo de cuatro años, mostrando el

promedio, la tendencia, los componentes estacionales y la aleatoreidad que están
alrededor de la curva de demanda ajustada.
Demanda histórica estacional
250 Promedio Tendencia
200
150
Ventas
100
50
Estacional
0
1 2 3 4 5 6 7 8 9 10 11 12
Meses
122
Los factores cíclicos son más difíciles de determinar porque el lapso de tiempo
puede desconocerse o porque causa del ciclo puede no considerarse. La influencia
cíclica sobre la demanda puede provenir de eventos tales como las elecciones
políticas, la guerra, las condiciones económicas o las presiones sociológicas.
Las variaciones aleatorias se producen por hechos del azar. Estadísticamente,

cuando todas las causas conocidas de la demanda (promedio, tendencia,
estacionalidad y cíclica) se sustraen de la demanda total lo que queda es porción
inexplicada de la misma. Si no se pueden identificar las causas de este remanente,
se supone que es puramente cuestión al azar.
Cuando la demanda es aleatoria, puede variar mucho de una semana a otra.

Cuando existe una alta autocorrelación, no se espera que la demanda cambie
mucho de una semana a la siguiente.
Las líneas de tendencia son el punto de partida usual en el desarrollo de una

proyección. Estas líneas de ajustan luego, de acuerdo con los efectos estacionales,
el ciclo y cualesquiera otros eventos esperados que puedan influenciar la
proyección final. Las siguientes figuras muestran cuatro de los tipos más comunes
de tendencias.
Una tendencia lineal es una relación recta y continua. Una curva en S es típica del
crecimiento de un producto y de su ciclo de madurez. El punto más importante de
la curva S es el lugar en donde la tendencia cambia de un crecimiento lento a un
crecimiento rápido o de rápido a lento. Una tendencia asintótica se inicia con el
más alto crecimiento de la demanda al comienzo pero luego disminuye. Una curva
así puede presentarse cuando una firma entra a un mercado existente con el
objeto de saturar y capturar una gran cuota del mismo. La curva exponencial es
común en productos con crecimiento explosivo. La tendencia exponencial sugiere
que las ventas continuarán creciendo, suponiendo ésta que no es muy seguro
hacer.
DEMANDA ESTACIONAL
100
90
80
70
Demanda
60
50
40
30
20
10
0
1990
1991
1992
1993
1992
1995
1996
1997
1998
1999
2000
2001
2002
Años
123
Tendencia de la Curva en S
80
70
60
50
Demanda
40
30
20
10
0
1 2 3 4 5 6 7 8 9
Meses
TENDENCIA ASINTÓTICA Y EXPONENCIAL

300
CANTIDAD DEMANDADA
250
ASINTÓTICA
200
150
100
50
EXPONENCIAL
0
92
93
94
95
96
97
98
99
00
01
02
04
19
19
19
19
19
19
19
19
20
20
20
20
AÑOS
Un método de proyección utilizado ampliamente es el de presentar los datos y

luego buscar la distribución estándar (lineal, curva en S, asintótica y exponencial)
que se ajuste mejor. El atractivo es que, dado que las matemáticas para la curva
se conocen, la solución para encontrar los valores para periodos de tiempo futuros
es fácil.
Algunas veces los datos no parecen ajustarse a ninguna de las curvas estándar.
Esto se puede deber a varias causas, en especial al hecho de recorrer los datos
desde varias direcciones al mismo tiempo. Para estos casos, es posible obtener una
proyección simplista pero en ocasiones efectiva, mediante el sencillo método de
representar gráficamente los datos.
124
5. ANÁLISIS DE SERIES DE TIEMPO
Los modelos de proyección de las series de tiempo tratan de predecir el futuro con
base en los datos pasados. Por ejemplo, las cifras de ventas recopiladas por cada
una de las seis semanas anteriores pueden utilizarse para proyectar los trimestres
futuros. Aun si ambos ejemplos se refieren a las ventas, es probable que se
utilicen diferentes modelos de series de tiempo para la proyección.
El cuadro siguiente muestra los modelos de series de tiempo y algunas de sus

características. El promedio ponderado puede ser más engañoso si quien hace la
proyección incluye la estacionalidad u otras influencias cíclicas.
Método de Cantidad de Patrón de Horizonte Complejidad

proyección datos históricos datos de
proyección
Promedio móvil 5 a 10 Los datos deben Corto Poca
simple observaciones ser estacionarios
Promedio 5 a 10 Los datos deben Corto a Poca
ponderado observaciones para ser estacionarios mediano
fijar ponderación
Ajuste 5 a 10 Los datos deben Corto Poca
exponencial observaciones para ser estacionarios
simple fijar ponderación
Modelos de 10 a 20 Tendencia y Corto a Moderada
tendencia de observaciones; para estacionalidad mediano
regresión estacionalidad por
lo menos 5 por
trimestre
Modelos de 10 observaciones Puede manejar Corto, Considerable
regresión causal por variables patrones mediano o
independiente complejos largo
Descomposición Suficiente para ver Maneja patrones Corto a Poca
de las series de 2 picos y simas cíclicos y mediano
tiempo estacionales
Box Jenkins 50 o más Deben ser Corto, Alta
observaciones estacionarios o mediano o
ser largo
transformados
Aunque en términos tales como corto, mediano y largo plazo son relativos según el
contexto en el cual se utilizan, en la proyección empresarial corto plazo se refiere
usualmente a menos de tres meses, mediano plazo de tres meses a dos años y
largo plazo a más de dos años. Por lo general, los modelos a corto plazo se
compensan con la variación aleatoria y se ajustan para los cambios a corto plazo
(tales como las respuestas de los consumidores a un nuevo producto). Las
proyecciones a mediano plazo son útiles para los efectos estacionales y los
modelos a largo plazo detectan las tendencias generales y son también muy útiles
en la identificación de los principales puntos críticos. La selección de un modelo de
proyección por parte de una firma depende de:
1. Horizonte de tiempo para realizar la proyección.

2. La disponibilidad de los datos.
125
3. La exactitud requerida.
4. El tamaño del presupuesto de proyección.
5. La disponibilidad de personal calificado.
Al seleccionar un modelo de proyección se debe tener en cuenta otros temas tales

como el grado de flexibilidad de la firma (cuanto más grande sea la capacidad para
reaccionar con rapidez, meno será la necesidad de que la proyección sea exacta).
Si la decisión sobre una gran inversión de capital va a basarse en una proyección,
esta debe ser excelente.
Promedio móvil simple
Cuando la demanda de un producto no está aumentando ni disminuyendo con

rapidez y si no tiene características estacionales, un promedio del movimiento
puede ser útil para suprimir las fluctuaciones aleatorias de la proyección. Aunque a
menudo los promedios del movimiento están centralizados, es más conveniente
utilizar los datos anteriores para predecir el periodo siguiente directamente.
A manera de ilustración, un promedio centralizado de cinco meses: enero, febrero,

marzo, abril y mayo, da un promedio centralizado en marzo. Sin embargo, los cinco
meses de datos deben existir ya. Si el objetivo es proyectar para junio, de alguna
manera se debe hacer una proyección del promedio de movimiento de marzo a
junio. Si el promedio no está centralizado pero se encuentra en el extremo
delantero, la proyección se puede hacer con más facilidad, aunque se pierda algo
de exactitud. De esta manera si la idea es proyectar junio con un promedio de
movimiento de cinco meses, se puede tomar el promedio de enero, febrero, marzo,
abril y mayo. Pasado junio la proyección para julio sería el promedio de febrero,
marzo, abril, mayo y junio. Ver cuadros siguientes:
Demanda proyectada con base a un promedio móvil simple
Semana Demanda 3 semanas 5 semanas Semana Demanda 3 semanas 5 semanas

1 800 11 1,500 1,567 1,560
2 1,400 12 2,300 1,500 1,600
3 1,000 13 2,300 1,833 1,700
4 1,500 1,067 14 2,000 2,033 1,820
5 1,500 1,300 15 1,700 2,200 1,960
6 1,300 1,333 1,240 16 1,800 2,000 1,960
7 1,800 1,433 1,340 17 2,200 1,833 2,020
8 1,700 1,533 1,420 18 1,900 1,900 2,000
9 1,300 1,600 1,560 19 2,400 1,967 1,920
10 1,700 1,600 1,520 20 2,400 2,167 2,000
126
PROYECCIÓN DEL PROMEDIO MÓVIL SIMPLE

3,000
2,500
2,000
DEMANDA
1,500
1,000
500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
SEMANAS
Demanda 3 semanas 5 semanas
La fórmula de un promedio móvil simple es la siguiente:
Fi = At-1 + At-2 + At-3 + ….+ At-n

n
donde:
Fi = Proyección para el periodo que viene
n = Número de periodos que va a ser promediado
At-l = Ocurrencia real en el periodo anterior
At-2, At-3 y At-n = Ocurrencias reales dos periodos atrás, tres periodos atrás, etc.,
hasta n periodos atrás.
Así que el primer valor para la semana 4, en el promedio móvil simple calculado en
base al promedio de 3 semanas, será:
FSem. 4 = 800 + 1400+ 1000 = 1066.66 => 1067

3
Para el caso del primer valor para la semana 6, en el promedio móvil simple
calculado en base al promedio de 5 semanas, será:
FSem. 6 = 800 + 1400 + 1000 + 1500 + 1500 = 1240

5
Como puede observarse en la gráfica presentada la curva determinada por los

datos del promedio móvil por 3 semanas, representa los datos con mayor similitud
que la curva de datos original que la curva que representa el promedio móvil de 5
semanas.
127
Promedio móvil ponderado
Mientras que el promedio de movimiento simple le da igual ponderación a cada

componente de la base de datos del promedio de movimiento, un promedio de
movimiento ponderado permite que todas las ponderaciones se le apliquen a cada
elemento, siempre y cuando, obviamente, la suma de todas ellas sea igual a 1.
Por ejemplo, un almacén de departamentos puede encontrar que, en un periodo de

cuatro meses, la mejor proyección se deriva utilizando el 40% de sus ventas reales
para el último mes, el 30% para dos meses atrás, el 20% para tres meses atrás y
el 10% para cuatro meses atrás. Si la experiencia de las ventas reales fuera:
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5

100 90 105 95 ¿
La proyección para el mes 5 sería:
F5 = 0.40 (95) + 0.30 (105) + 0.20 (90) + 0.10 (100) =

= 38 + 31.5 + 18 + 10
= 97.5
La fórmula del promedio móvil ponderado es:
Fi = w1 At-1 + w2 A t-2 + …. + wn At-n

donde:
w1 = Ponderación que se le dará a la ocurrencia real para el periodo t - 1

w2 = Ponderación que se le dará a la ocurrencia real para el periodo t - 2
wn = Ponderación que se le dará a la ocurrencia real para el periodo t – n
n = Número total de periodos en la proyección
Aunque muchos periodos puede ignorarse (sus ponderaciones son de cero) y el

esquema de ponderación puede ir en cualquier orden (los datos más distantes
pueden tener ponderaciones mayores que los más recientes), la suma de todas
éstas debe ser igual a 1.
 i=1 Wi = 1
Suponga que las ventas para el mes 5 pasaron realmente a 110. Entonces, la
proyección para el mes 6 sería:
F6 = 0.40 (110) + 0.30 (95) + 0.20 (105) + 0.10 (90)
= 44 + 28.5 + 21 + 9
= 102.5
128
Selección de las ponderaciones. La experiencia, y la prueba y el error, son las

formas más sencillas de escoger las ponderaciones. Como norma general, el
pasado más reciente es el indicador más importante de lo que se espera a futuro y,
en consecuencia, debe tener una mayor ponderación.
Si los datos son estacionales, las ponderaciones deben establecerse en

consecuencia. Las ventas de ropas de baño en enero del último año deben tener
mayor ponderación que las de diciembre
El promedio de movimiento ponderado tiene una ventaja definida sobre el

promedio de movimiento simple en el hecho de que es capaz de variar los efectos
de datos anteriores.
Ajuste exponencial
En los métodos anteriores en la medida en que se agrega una nueva porción de

datos, la observación anterior disminuye y se calcula una nueva proyección. En
muchas aplicaciones, las ocurrencias más recientes son las más indicativas del
futuro que las que se encuentran en un pasado distante. Si esta premisa es válida
– que la importancia de los datos disminuye en la medida en que el pasado se hace
más distante – el ajuste o suavizamiento exponencial puede ser el método
más lógico y fácil de utilizar.
La razón por la cual éste método se llama ajuste exponencial es que cada
incremento del pasado disminuye en (1- ). Si  es  0.05, por ejemplo, las
ponderaciones para los diferentes periodos serían las siguientes (se define a
continuación).
Ponderación de  =
0.05
Ponderación más reciente =  ( 1 – )0 0.0500
Datos anteriores en un periodo de tiempo = x ( 1 – )1 0.0475
Datos anteriores en dos periodos de tiempo =  (1 – )2 0.0451
Datos anteriores en tres periodos de tiempo =  (1 – )3 0.0429
En consecuencia los exponentes 0, 1, 2, 3,... le dan su nombre. Si x = 0.3 t t =3,

por ejemplo, se obtendrá:
F4 = 0.3 D3 + 0.21 D2 + 0.147 D1 + 0.343 F1
El ajuste exponencial es la más utilizada de todas las técnicas de proyección. Es

parte integral de todos los programas de proyección computarizados y se usa
ampliamente en los pedidos de inventario en las firmas minoristas, las compañías
mayoristas y las agencias de servicios.
Las técnicas de ajuste exponencial son muy aceptadas por seis razones principales:
1. Los modelos exponenciales son sorprendentemente exactos.

2. La formulación de un modelo exponencial es relativamente fácil.
3. El usuario puede entender cómo funciona el modelo.
129
4. Se requieren pocos cálculos para usar el modelo.

5. Los requerimientos de almacenamiento en el computador son pocos debido al
uso limitado de datos históricos.
6. Las pruebas de exactitud en cuanto al desempeño del modelo son fáciles de
calcular.
En el método de ajuste exponencial, sólo se necesitan tres piezas de datos para

proyectar el futuro: la proyección más reciente, la demanda real registrada durante
ese periodo de proyección y una constante de ajuste alfa (). Esta constante de
ajuste determina el nivel de uniformidad y la velocidad de reacción a las diferencias
entre las proyecciones y las ocurrencias reales. El valor de la constate está
determinada tanto por la naturaleza del producto como por el sentido del gerente
de lo que constituye una buena tasa de respuesta.
La determinación de la constante depende, por ejemplo, si una firma produce un

artículo estándar con una demanda relativamente estable, la tasa de reacción a las
diferencias entre la demanda real y la demanda proyectada tendería a ser
pequeña, quizás de sólo cinco o diez puntos porcentuales. Sin embargo, si la firma
estuviera presentando un crecimiento, sería aconsejable tener una tasa de reacción
más alta, tal vez de 15 a 30 puntos porcentuales, para darle mayor importancia a
la reciente experiencia de crecimiento. Entre más rápido sea el crecimiento, más
alta será la tasa de reacción.
Algunas veces, los usuarios del promedio móvil simple se pasan al ajuste
exponencial pero siguen conservando las mismas proyecciones del promedio móvil
simple. En este caso, x esta aproximada por:
 = 2
N+1
Siendo N el número de periodos de tiempo.
La ecuación para una sola proyección de ajuste o suavizamiento exponencial es

simplemente:
Ft = F t-1 +  ( At-1 – Ft-1 )
Donde:
Fi = La proyección de ajuste exponencial para el periodo t.
F t – 1 = La proyección de ajuste exponencial para el periodo
anterior.
A t–1= La demanda real durante el periodo anterior
 = La tasa de respuesta deseada o la constante de ajuste.
La ecuación indica que la nueva proyección es igual a la anterior más una porción
de error (la diferencia entre la proyección anterior y lo que realmente ocurrió).
Para demostrar el método, supongamos que la demanda a largo plazo para el

producto objeto del estudio es relativamente estable y que la constante () de
0,05 se considera apropiada. Si el método exponencial se utilizara como una
política continua, se habría realizado una proyección para el último mes. Suponga
130
que la proyección del último mes (F t – 1) era de 1 050 unidades. Si la demanda real
fue de 1 000 y no de 1 050, la proyección para este mes sería la siguiente:
Ft = F t - 1 +  ( A t - 1 – F t - 1 )
= 1 050 + 0.05 (1 000 – 1 050)
= 1 050 + 0.05 (-50)
= 1 047,50 unidades
Dado que el coeficiente de ajuste es pequeño, la reacción de la nueva proyección a

un error de 50 unidades es disminuir la proyección del mes siguiente en sólo 2½
unidades.
El ajuste exponencial simple tiene efecto de un retraso en la demanda. El cuadro

mostrado a continuación presenta los datos reales representados como una curva
uniforme para indicar los efectos retardados de las proyecciones exponenciales. La
proyección se retarda durante un aumento o disminución pro se excede cuando se
presenta un cambio de dirección.
Periodo A (demanda) Ft X = 0.1 Dt - Ft Ft X = 0.3 Dt - Ft

1 10 10.00 0.00 10.00 0.00
2 18 10.80 7.20 12.40 5.60
3 29 12.62 16.38 16.26 12.74
4 15 12.86 2.14 13.33 1.67
5 30 14.57 15.43 18.00 12.00
6 12 14.31 -2.31 13.80 -1.80
7 16 14.48 1.52 14.82 1.18
8 8 13.84 -5.84 12.54 -4.54
9 22 14.65 7.35 16.28 5.72
10 14 14.59 -0.59 14.46 -0.46
11 15 14.63 0.37 14.71 0.29
12 27 15.87 11.13 18.34 8.66
13 30 17.28 12.72 20.11 9.89
14 23 17.85 5.15 18.99 4.01
15 15 17.57 -2.57 17.00 -2.00
Tendencia ( At - Ft) = 68.09 52.96
Desviación absoluta (At - Ft) 90.70 70.56
131
SUAVIZACIÓN EXPONENCIAL
35.00
30.00
25.00
DEMANDA
20.00
15.00
10.00
5.00
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
PERIODOS
Ft X = 0.1 Ft X = 0.3 A (demanda)
Observe que entre más alto sea el valor de alfa, más de cerca sigue la proyección a
la demanda real. Para rastrear más de cerca de la demanda real se puede añadir
un factor de tendencia. El hecho de ajustar el valor de alfa también ayuda. Esto se
denomina proyección adaptable.
En el cuadro anterior se calculan dos pronósticos de suavización exponencial en

donde  = 0.1 y  = 0.3. como puede observarse, el pronóstico de x = 0.3,
responde con mayor rapidez a los cambios de la demanda, sin embargo es menos
estable que el de  = 0.1 ¿Cuál de los pronósticos es mejor?
Para responder esta pregunta, se calculan dos medidas de errores de pronóstico.

Una de las medidas es simplemente la suma aritmética de todos los errores, con lo
que se refleja la tendencia del método de pronóstico. Lo ideal sería que la suma
fuera igual a cero. En el cuadro ambos métodos tienen una desviación positiva, y
en el caso de  = 0.1 produce una desviación mayor que con  = 3.
La segunda medida de error de pronóstico es la desviación absoluta. En este caso

se suma el valor absoluto de los errores, de tal manera que los errores negativos
no cancelen a los positivos. El resultado es una medida de variación en el método
de pronóstico. La desviación absoluta para  = 0.1 es mayor que en el caso  =
0.3.
De esta manera se obtiene ininteresante resultado en el que  = 0.3 resulta que

tiene una menor desviación de tendencia y una menor desviación absoluta y por lo
tanto resulta evidente cual se debe preferir. En el caso que una tenga menor
desviación de tendencia y mayor desviación absoluta dependerá de la preferencia
que se tenga hacia cada una de ellas.
El procedimiento para seleccionar el valor de x resulta claro ahora. Se debe calcular

un pronóstico para varios valores de x. Si uno de los valores de  da como
132
resultado un pronóstico que tenga un menor grado de desviación que los otros,
entonces se prefiere este valor de . Si no existe una elección obvia entonces debe
hacerse un intercambio entre tendencia y la desviación absoluta para elegir el valor
de  que se prefiere.
Análisis de Regresión Lineal
La regresión se puede definir como una relación funcional entre dos o más
variables correlacionadas. Se utiliza para predecir una variable dada la otra. La
relación se desarrolla normalmente con base a los datos observados. Estos se
deben representar primero gráficamente para ver si parecen lineales o si, al menos,
parte de ellos son lineales.
La regresión lineal se refiere a los tipos especiales de regresión en la cual la

relación entre la variable forma una línea recta. La línea de regresión lineal tiene la
forma:
Y =a + bX
Donde:
Y = Es el valor de la variable dependiente que se está resolviendo.

A = Es la ordenada en el origen de Y
B = Es la inclinación, y
X = Es la variable independiente. ( En el caso de series de tiempo X es la
unidad de tiempo)
La regresión lineal es útil en la proyección a largo plazo de las principales

ocurrencias y de le planeación total. Por ejemplo, la regresión lineal sería de gran
utilidad para proyectar las demandas de familias de productos. Aunque la demanda
de cada uno de los productos de la familia puede variar mucho durante un periodo
de tiempo, la demanda de la totalidad de la familia de productos es
sorprendentemente uniforme.
La restricción principal para el uso de la proyección de regresión lineal es, como su

nombre lo indica, que los datos anteriores y las proyecciones futuras se asumen
que recaen en una línea recta. Aunque esto limita su aplicación, si se emplea en un
periodo de tiempo más corto, el análisis de regresión lineal, algunas veces puede
ser utilizado. Por ejemplo, pueden existir segmentos cortos del periodo más largo
que son más o menos lineales.
La regresión lineal se utiliza tanto para la proyección de la serie de tiempos como

para la proyección de relación casual. Cuando la variable dependiente
(normalmente el eje vertical de la gráfica) cambia como resultado del tiempo
(representado como el eje horizontal) se trata del análisis de la serie de tiempos. Si
una variable cambia debida a la variación de otra variable, se trata de una relación
casual (como, por ejemplo, el número de muertes por cáncer pulmonar se
incrementa por el número de las personas que fuman).
133
El ejemplo siguiente lo usaremos para comparar los modelos de proyección y los

tipos de análisis. Ahora se utiliza para ajustar manualmente una línea, para el
análisis de los mínimos cuadrados y para un ejemplo de descomposición.
Ejemplo: Ajuste manual a una línea de tendencia.
Las ventas de una línea de productos para una firma, durante 12 trimestres de los
últimos tres años, fueron las siguientes:
Trimestre Ventas Trimestre Ventas

1 600 7 2 600
2 1 550 8 2 900
3 1 500 9 3 800
4 1 500 10 4 500
5 2 400 11 4 000
6 3 100 12 4 900
La firma desea proyectar cada trimestre del cuarto año, esto es los trimestre 13,
14, 15 y 16. Los datos representa se representan en una curva ajustada
manualmente y se utiliza simplemente la vista.
Solución:
El procedimiento es bastante sencillo. Se coloca una regla (una regla de plástico

transparente sería óptima) de una lado a otro de los puntos de los datos y se traza
la raya. Ésta es la línea de regresión. El paso siguiente es determinar la ordenada
en origen a y la inclinación b.
En el gráfico siguiente se muestra una representación de los datos y la línea recta

que es trazada a través de los puntos. La ordenada en el origen a, donde la línea
corta el eje vertical, parece ser 400. La inclinación b es el “alza” dividida por la
“caída” (el cambio en la altura de alguna porción de la línea dividido por el número
de unidades del eje horizontal). Cualquiera de los puntos puede utilizarse, pero
dos puntos colocados a cierta distancia proporcionan mayor exactitud debido a los
errores en la lectura de los valores de la gráfica. Los valores se utilizan para los
trimestres 1 y 12.
134
REGRESIÓN LINEAL AJUSTADA MANUALMENTE

6000
5000
4000
VENTAS
3000
4950 - 750
2000
1000
12 - 1
0
0 2 4 6 8 10 12 14
TRIMESTRES
Según el gráfico dado, en los puntos de la línea, los valores de Y para el trimestre 1
y el 12 son de aproximadamente 750 y 4 950. En consecuencia:
b = (4 950 – 750) / (12 - 1) = 382
La ecuación de regresión ajustada manualmente es, por consiguiente:
Y = 400 + 382 X
Las proyecciones para los trimestres 13 a 16 son:
Trimestre Proyección
13 400 + 382 x 13 = 5 366
14 400 + 382 x 14 = 5 748
15 400 + 382 x 15 = 6 130
16 400 + 382 x 16 = 6 512
Estas proyecciones están basadas sólo en la línea y no se identifican ni se ajustan a

los elementos estacionales.
Método de los mínimos cuadrados
La ecuación de los mínimos cuadrados para la regresión lineal es la misma que se

utilizó en el ejemplo ajustado manualmente:
Y= a+bX
Donde:
Y = Variable dependiente calculada por la ecuación
y = Punto de los datos de variables dependiente y reales.
a = la ordenada de origen de Y
135
b = Inclinación de la línea (pendiente)

X = Periodo de tiempo
El método de los mínimos cuadrados trata de ajustar la línea a los datos que
minimizan la suma de los cuadrados de la distancia vertical entre cada uno de los
puntos de los datos y su punto correspondiente en la línea. En el gráfico anterior se
indicaba los 12 puntos de los datos. Si se traza un línea recta a través del área
general de los puntos, la diferencia entre el punto y la línea es y – Y. En el gráfico
mostrado a continuación muestra estas diferencias. La suma de los cuadrados de
las diferencias entre los puntos de los datos representados y los puntos de la línea
es la siguiente:
( y1 - Y1 )2 + ( y2 - Y2 )2 + ...... + ( y12 - Y12 )2
La mejor línea para utilizar es la que minimice este total.
LÍNEA DE REGRESIÓN DE LOS MÍNIMOS CUADRADOS

6000
5000 y12
y10
4000
VENTAS
3000 y6
y8
2000
y2 y4
1000 y1
0
0 2 4 6 8 10 12 14
TRIMESTRES
Como antes, la ecuación de línea recta es:
Y=a+bX
Previamente se había determinado a y b con base en la gráfica. En el método de

los mínimos cuadrados, las ecuaciones para a y b son:
a= Y - bX
b =  XY - n  X . Y
 X2 - n  X2
Donde:
a = Ordenada en el origen de y.
136
b = Inclinación de la línea
Y = Promedio de todas las y
X = Promedio de la X.
X = Valor de X en cada punto de los datos
Y = Valor de Y en cada punto de los datos
N = Número de los puntos de los datos
Y = Valor de la variable dependiente calculada con la ecuación de regresión.
La tabla siguiente indica los cálculos realizados para los 12 puntos de los datos en
el cuadro anterior como parte del ejemplo inicial. Observe que la ecuación final
pata Y muestra una ordenada de 441.6 y una inclinación de 359.6. La inclinación
indica que para cada cambio de unidad en X, Y cambia en 359.6.
2
Trimestre- X Ventas - Y XxY Y2 X Y2 Y calculado
1 600 600 1 360000 801.20
2 1550 3100 4 2402500 1160.80
3 1500 4500 9 2250000 1520.40
4 1500 6000 16 2250000 1880.00
5 2400 12000 25 5760000 2239.60
6 3100 18600 36 9610000 2599.20
7 2600 18200 49 6760000 2958.80
8 2900 23200 64 8410000 3318.40
9 3800 34200 81 14440000 3678.00
10 4500 45000 100 20250000 4037.60
11 4000 44000 121 16000000 4397.20
12 4900 58800 144 24010000 4756.80
78 33350 268200 650 112502500
X = 78/12 = 6.5
Y =33350/12 = 2779.17
a = 441.6666
b = 359.6153
Y = 441.66 + 359.6 X
r2 = 0.933
Basadas estrictamente en la ecuación, las proyecciones para los periodos 13 a 16

serían las siguientes:
Y13 = 4 41.6 + 359.6 (13) = 5 116.4

Y14 = 441.6 + 359.6 (14) = 5 476.0
Y15 = 441.6 + 359.6 (15) = 5 835.6
Y16 = 441.6 + 359.6 (16) = 6 195.2
137
Coeficiente de determinación:
También puede calcularse que tan fuerte es la relación entre Y y X por medio de r2
, el coeficiente de determinación. El valor de r2 representa la proporción de
variación en Y que se explica por la variación con X, el valor restante de la
variación 1 - r2 debido al azar o a factores que no son X. Por lo tanto, resulta
deseable que el valor de r2 se acerque lo más posible a 1.
Un valor de r2 = 0.8 indica que el 80% de la variación en Y se puede predecir o

explicar mediante la línea de regresión con X; sólo el 20% se debe al azar. En este
caso puede obtenerse un pronóstico bastante confiable para Y cuando se conoce el
valor de X.
La cantidad de r2 puede calcularse como sigue:
r2 = [nXY - X Y]2
[n  X - ( X)2 ] [ n  Y2 - (  Y)2 ]
2
Descomposición de series de tiempo
Las series de tiempo pueden definirse como unos datos ordenados

cronológicamente que pueden contener uno o más componentes de la demanda:
tendencia, estacionalidad, ciclicidad, autocorrelación y aleatoriedad. La
descomposición de las series de tiempo significa identificar y separar los datos de
la serie de tiempo en esos componentes. En la práctica es relativamente fácil
identificar la tendencia (incluso sin análisis matemático, es normalmente fácil
representar gráficamente y observar la dirección del movimiento) y el componente
estacional (comparando el mismo periodo año tras año). Es mucho más difícil
identificar los ciclos (estos pueden durar meses o años), la autocorrelación y los
componentes aleatorios (el predictor normalmente llama aleatoria a cualquier cosa
sobrante que no pueda identificarse con otro de los componentes).
Cuando la demanda contiene tanto efectos estacionales como efectos de la

tendencia al mismo tiempo, la pregunta es cómo se relacionan entre sí. En esta
descripción se examinan dos tipos de variaciones estacionales: la aditiva y la
multplicativa.
Variación estacional aditiva. Supone simplemente que la cantidad estacional es

constante independientemente de la cantidad de la tendencia o del promedio.
Proyección que incluye la tendencia y = Tendencia + factor estacional.

el factor estacional
El gráfico siguiente muestra un ejemplo de la tendencia creciente con cantidades

estacionales constantes.
Variación estacional multiplicativa. Es la variación estacional multiplicativa la

tendencia se multiplica por los factores estacionales.
Proyección que incluye la tendencia y = Tendencia x factor estacional
138
el factor estacional
En el gráfico siguiente se muestra la variación estacional que se incrementa en la

medida en que la tendencia aumenta por cuanto su tamaño depende de la misma.
La variación estacional multiplicativa es la experiencia usual. En esencia, indica que

ente más grande sea la cantidad básica proyectada, mayor será la variación que
alrededor de es posible esperar.
Factor estacional (o índice). Un factor estacional es la cantidad de correlación

necesaria en las series de tiempo puede ajustarse a una estación del año.
Usualmente se asocia el término estacional con un periodo del año caracterizado
por una actividad determinada. La palabra cíclico se utiliza para indicar los periodos
diferentes de aquellos recurrentes en el año de una actividad repetitiva.
Los ejemplos siguientes muestran cuándo se determinan y utilizan los índices

estacionales para proyectar (1) un simple cálculo basado en los anteriores datos
estacionales, y (2) la tendencia e índice estacional con base en una línea de
regresión ajustada manualmente Luego sigue un procedimiento más formal para la
descomposición de los datos y la proyección utilizando la regresión de los mínimos
cuadrados.
Ejemplo: Proporción Simple
Suponga que en los años anteriores, una firma vendió un promedio de 1000
unidades anuales de una línea de productos determinada. En promedio se
vendieron 200 unidades en primavera, 350 en verano, 300 en otoño y 150 en
invierno. El factor estacional (o índice) es el coeficiente de la cantidad vendida
durante cada estación dividido por el promedio de las cuatro estaciones.
Solución.
En este ejemplo, la cantidad anual dividida igualmente durante las cuatro

estaciones es 1 000 / 4 = 250. Los factores estacionales son: por consiguiente:
Ventas anteriores Promedio de ventas de cada Factor estacional

estación (100/4)
Primavera 200 250 200/250 = 0.8
Verano 350 250 350/250 = 1.4
Otoño 300 250 300/250 = 1.2
Invierno 150 250 150/250 =0.6
Total 1000
Utilizando estos factores, si se espera que la demanda para el próximo año sea de
1100 unidades, la proyección sería de la siguiente manera:
139
Demanda prevista Promedio de ventas de Factor Proyección estacional

para el próximo año cada estación estacional para próximo año
(1100/4)
Primavera 275 0.8 275 x 0.8 = 220
Verano 275 1.4 275 x 1.4 = 385
Otoño 275 1.2 275 x 1.2 = 330
Invierno 275 0.6 275 x 0.6 = 165
Total 1 100
El factor estacional puede actualizarse periódicamente en la medida en que se

tengan nuevos datos.
Ejemplo: Cálculo de la tendencia y del factor estacional con base en una

línea recta ajustada manualmente.
Aquí se debe calcular la tendencia igual que factores estacionales.
Solución.
Este problema se soluciona mediante el simple trazado de una línea recta a través
de los puntos de los datos y la medición de la tendencia y la ordenada en el origen
con base en la gráfica.
Suponga que la historia de los datos es la siguiente:
Trimestre Cantidad Trimestre Cantidad

I – 2001 300 I – 2002 520
II – 2001 200 II – 2002 420
III – 2001 220 III – 2002 400
IV - 2001 530 IV – 2002 700
Primera se hace la representación gráfica que se muestra en el cuadro siguiente, se

traza una línea recta a través de los datos utilizados simplemente la vista. La
ecuación pata la línea siguiente:
Tendencia = 170 + 55 t
La ecuación se derivó de la ordenada en el origen 170 más una alza de (610-170) /

8 periodos. A continuación es posible derivar un índice comparando los datos reales
con línea de tendencia, como en tabla mostrada. El factor estacional se desarrolló
promediando los mismos trimestres de cada año.
La proyección de 2003 se calcula incluyendo la tendencia y los factores

estacionales de la manera siguiente:
Factor que incluye tendencia = Tendencia x Factores estacionales
I – 2003 Factor incluye tendencia = [170 + 55 (9)] 1.25 = 831

II – 2003 Factor incluye tendencia = [170 + 55 (10)] 0.78 = 562
III – 2003 Factor incluye tendencia = [170 + 55 (11)] 0.69 = 535
IV – 2003 Factor incluye tendencia = [170 + 55 (12)] 1.25 = 1038
140
Trimestre Cantidad De la ecuación Coeficiente de Factor estacional

real de la tendencia demanda (promedio de trimestres
T = 170 + 55 X Real / de ambos años)
Tendencia
2001
I 300 225 1.33
II 200 280 0.71
III 220 335 0.66 I => 1.33+1.17/2 = 1.25
IV 530 390 1.36 II => 0.71+0.84/2 = 0.78
2002 III=> 0.66+0.72/2 = 0.69
I 520 445 1.17 IV => 1.36+1.17/2 = 1.25
II 420 500 0.84
III 400 555 0.72
IV 700 610 1.15
Demanda trimestral histórica

800
700
600
500
Cantidad
400
300
200
100
0
0 2 4 6 8 Trimestres10
Descomposición mediante la regresión de los mínimos cuadrados
Descomposición de las series de tiempo significa encontrar los componentes

básicos de tendencia, estacionalidad y ciclos de serie. Los índices se calculan para
las estaciones y ciclos. El procedimiento de proyección reserva el proceso
proyectando la tendencia y ajustándola mediante índices estacionales y cíclicos,
que habían sido determinados en el proceso de descomposición. De manera más
formal el proceso es el siguiente:
1. Descomposición de las series de tiempo en sus componentes.
a. Encontrar el componente estacional.

b. Encontrar el componente tendencial.
2. Proyectar los valores futuros de cada componente

a. Proyectar el componente de tendencia hacia el futuro.
b. Multiplicar el componente de tendencia por el estacional.
Observe que el componente aleatorio no está incluido en la lista. De manera

implícita se suprime este componente de la serie de tiempo al hacer el promedio
141
como en el paso 1. Es inútil tratar de realizar una proyección del componentes

aleatorio en el paso 2, a menos que tenga información acerca de algún evento
inusitado, tal como un gran conflicto laboral que pueda afectar de manera adversa
la demanda de productos (esto no sería un hecho aleatorio).
En la tabla siguiente se muestra la descomposición de una serie de tiempos

mediante la utilización de la regresión de los mínimos cuadrados y de los mismos
datos históricos empleados en los ejemplos anteriores. Cada uno de los datos
corresponde a la utilización de un solo trimestre del periodo de tres años (12
trimestres) El objetivo es proyectar la demanda para los cuatro trimestres del
cuarto año.
Per. Trim. Ventas Promedio de mismos trimestres Fac. Est. Dem. deses X2 XY
1 I 600 (600 + 2400 + 3800) / 3 = 2266.7 0.82 735.66 1 735.66
2 II 1550 (1550 + 3100 + 4500) / 3 = 3050.0 1.10 1412.36 4 2824.73
3 III 1500 (1500 + 2600 + 4000) / 3 = 2700.0 0.97 1543.98 9 4631.94
4 IV 1500 (1500 + 2900 + 4900) / 3 = 3100.0 1.12 1344.76 16 5379.03
5 I 2400 0.82 2942.65 25 14713.24
6 II 3100 1.10 2824.73 36 16948.36
7 III 2600 0.97 2676.23 49 18733.64
8 IV 2900 1.12 2599.87 64 20798.92
9 I 3800 0.82 4659.19 81 41932.72
10 II 4500 1.10 4100.41 100 41004.10
11 III 4000 0.97 4117.28 121 45290.12
12 IV 4900 1.12 4392.88 144 52714.52
78 33350 12.00 33350.00 650 265706.99
Y = 2779.17
X = 78 / 12 6.5
b = 265206.9 - 12 (6.5) 277 9.6 = 342.2

650 - 12 (6.5)
a = 2779.2 - 342.2 (6.5) = 554.9
Paso 1. Determinar el factor estacional (índice). En la misma tabla se hace un

resumen de todos los cálculos necesarios. La columna 4 desarrolla un promedio de
los mismos trimestres en el periodo de tres años. Por ejemplo, los primeros
trimestres de los tres años se suman y se dividen por tres. Luego se deriva un
factor estacional dividiendo ese promedio por el promedio general de los 12
trimestres (33350/12 o 2779). Estos e ingresan a la columna 5.
Cabe anotar que los factores estacionales son idénticos para los trimestres
similares de cada año.
Paso 2. Desestacionalizar los datos originales. Para suprimir el efecto estacional en

los datos, se dividen los datos originales por el factor estacional. Este paso se
denomina desestacionalización de la demanda y se muestra en la columna 6 de la
tabla.
142
Paso 3. Desarrollo de una línea de regresión de mínimos cuadrados para los datos
desestacionalizados. El propósito aquí es desarrollar una ecuación para la línea de
tendencia Y que luego se modifica con el factor estacional. El procedimiento es el
mismo utilizado anteriormente.
Y = a+bX
Donde:
Yd = Demanda desestacionalizada
X = Trimestre
Y = Demanda calculada utilizando la ecuación de regresión Y = a + bX
a = Ordenada en el origen de Y
b = Inclinación de la línea
Los cálculos de los mínimos cuadrados realizados mediante la utilización de las

columnas 1, 7 y 8 de la tabla se indican en la parte inferior del mismo.
La ecuación desestacionalizada final para los datos es:
Y = 554.9 + 342.2 X
La línea se muestra en el grafico siguiente.
Paso 4. Realizar la proyección final multiplicando la línea de regresión por el factor

estacional. Recuerde que la ecuación Y ha sido desestacionalizada. Ahora se
reversa el procedimiento multiplicado los datos trimestrales derivados por el factor
estacional para ese trimestre.
Periodo Trimestre Y con base en la línea Factor Proyección

de regresión estacional (Y x factor
estacional)
13 1 5003.5 0.82 4102.87
14 2 5345.7 1.10 5880.27
15 3 5687.9 0.97 5517.26
16 4 6030.1 1.12 6753.71
Ahora la proyección está completa, por lo general el procedimiento es el mismo

empleado en el ejemplo anterior ajustado anualmente. Sin embargo, en el presente
ejemplo se sigue un procedimiento más formal y se calcula también la línea de
regresión de los mínimos cuadrados.
143
Línea recta de ecuación desestacionalizada

6000
5000
4000
Ventas
3000
2000
1000
0
0 2 4 6 8 10 12 14
Periodos
PROYECCIÓN DE LA RELACIÓN CAUSAL
Para que sea valiosa desde el punto de vista de la proyección, cualquier variable
independiente debe ser un indicador anticipado. Por ejemplo, se pueden esperar
que un periodo extenso de días lluviosos incremente las ventas de sombrillas e
impermeables. La lluvia produce la venta de productos relacionados a la protección.
Esto es una relación causal, en la cual una ocurrencia causa la otra. Si el elemento
causante se puede prever con anticipación, puede utilizarse como base de la
proyección.
El primer paso en la proyección de la relación causal es encontrar las ocurrencias

que constituyan realmente las causas. Con frecuencia, los indicadores anticipados
no son relaciones causales pero, de manera indirecta, pueden sugerir la ocurrencia
de algunas otras cosas. Otras relaciones no causales parecen existir sólo como
coincidencia.
A continuación se muestra un ejemplo de una relación causal.
Ejemplo: Proyección que utiliza una relación causal.

Una empresa de cerámicos y baldosas, ha conservado los registros de sus ventas
(en yardas cuadradas) cada año con el número de permisos para la construcción
de nuevas viviendas en el área.
Año Número de permisos Ventas en metros2

1995 18 13000
1996 15 12000
1997 12 11000
1998 10 10000
1999 20 14000
2000 28 16000
2001 35 19000
2002 30 17000
2003 20 13000
144
El gerente de operaciones de la compañía considera que sería posible proyectar

las ventas si se conocieran los planes de construcción de viviendas para ese año.
Los datos se representan gráficamente en el cuadro siguiente:
X = Número de permisos para la construcción vivienda.

Y = Número de metros cuadrados de baldosas.
Relación causal: Ventas de acuerdo a construcción de

20000 viviendas
18000
16000
14000 Y
12000
X
Ventas
10000
8000
6000
4000
2000
0
0 5 10 15 20 25 30 35 Permisos
40
Dado que los puntos parecen estar en línea recta, el gerente decidió utilizar la
relación lineal Y = a + b X. Este problema se resuelve trazando manualmente una
línea. También es posible resolver esta ecuación utilizando la regresión de mínimos
cuadrados como se hizo anteriormente.
Solución.
La proyección de la línea ajustada manualmente causa una intercepción del eje Y
en cerca de 7000 metros2. Esto puede interpretarse como la demanda cuando no
se están construyendo viviendas nuevas; esto es, probablemente el reemplazo de
los tapetes viejos. Para calcular la inclinación, se escogen dos puntos de la
siguiente manera:
Año X Y
1998 10 10000
1999 30 14000
Con base en el álgebra, la inclinación se calcula así:
b = 17000 - 10000 = 7000 = 350

30 - 10 20
El gerente interpretó la inclinación como el número promedio de metros cuadrados

de baldosas vendidas para cada una de las viviendas nuevas construidas en el
área. La ecuación de la proyección es, en consecuencia:
Y = 7000 + 350 X
145
Ahora suponga que hay 25 permisos para la construcción de viviendas en 2004. La

proyección de las ventas para 2004 sería, por consiguiente:
7000 + 350 (25) = 15 750 metros cuadrados.
Este valor constituye una proyección factible para el año 2004, dada la un tiempo
para la obtención del permiso de construcción.
6. SELECCIÓN DEL MÉTODO DE PROYECCIÓN
En esta parte presentamos un marco conceptual para seleccionar entre los

métodos cualitativos, por serie de tiempo y causales. El marco se basa en una
investigación en la cual se identificaron los factores que las compañías consideran
importantes al seleccionar un método de proyección. Los factores más importantes
son:
1. Sofisticación del usuario y del sistema.

¿Qué tan sofisticados deben ser los gerentes que utilizaron los resultados del
pronóstico? Se sabe que el método de pronóstico debe ajustarse a los
conocimientos y sofisticación del usuario. En general, los gerentes se rehúsan
a utilizar los resultados de técnicas que no comprenden. Por otro lado los
sistemas de pronóstico tienden a evolucionar hacia métodos más sofisticados
en el aspecto matemático, sus cambios no se presentan en un solo paso
importante. Es decir, el método que se elige no debe ser demasiado
desarrollado ni sofisticado para sus usuarios y tampoco debe estar demasiado
alejado del sistema de pronóstico actual. Algunas veces los métodos simples
pueden tener mejores resultados.
2. Tiempo y recursos disponibles

La selección del método de pronóstico, dependerá del tiempo disponible para
reunir los datos para preparar el pronóstico. Esto puede incluir el tiempo de los
usuarios, de las personas que realizan el pronóstico y de quienes obtienen los
datos. La preparación de un pronóstico complicado para que el que se deba
obtener una gran cantidad de datos puede tardar varios meses y costar miles
de monedas. En el caso de los pronósticos rutinarios hechos por sistemas
computarizados, tanto el costo como la cantidad de tiempo requerido podrían
ser pequeños.
3. Uso o características de la decisión.

El método de pronóstico debe relacionarse con el uso o con las decisiones que
afectará. El uso, a su vez, se relaciona íntimamente tanto con las características
como la exactitud necesaria, con el horizonte de tiempo del pronóstico y con el
número de artículos a pronosticar. Por ejemplo, las decisiones sobre inventarios
y sobre programación requieren de pronósticos muy exactos a corto plazo para
un gran número de artículos. Los métodos por series de tiempo son ideales
para estas necesidades. Por otro lado, las decisiones que involucran la
planeación del proceso y de la capacidad, tienen una naturaleza de largo plazo
y quizá necesiten de menos exactitud para estimaciones sencillas de la
146
demanda total. Los métodos cualitativos o causales tienden a resultar más

apropiados en este tipo de decisiones. En el caso de decisiones a mediano
plazo, como la planeación agregada y los presupuestos, se utilizan con
frecuencia los métodos de series de tiempo o causales.
4. Disponibilidad de los datos

En ocasiones la elección del método de proyección se ve limitada por los datos
disponibles. Los métodos econométricos pueden requerir datos que
simplemente no pueden obtenerse a corto plazo, por lo tanto debe
seleccionarse otro tipo de método. También debe tomarse en cuenta la calidad
de los datos disponibles. Si los datos son erróneos se llegará a pronósticos
equivocados. Se deben revisar los datos en busca de factores extraños o punto
poco usuales.
5. Patrón de datos
El patrón de datos afectará el tipo de método de pronóstico que se seleccione,
Si la serie de tiempo es plana, se utilizará un método de primer orden. Sin
embargo, en los casos en que los datos muestren tendencias o patrones de
estacionalidad, se necesitarán métodos más avanzados. El patrón de los datos
también determinará si será suficiente un método por series de tiempo o si se
necesitan modelos causales. Si el patrón de datos es inestable en el tiempo, un
método cualitativo será necesario. Es decir, el patrón de datos es uno de los
factores más importantes que afectan la selección de un método de pronóstico.
Una manera de detectar el patrón es trazar los datos sobre una gráfica. Esto se
debe hacerse siempre como primer paso en la actividad de pronosticar.
Otro tema que se relaciona con la selección de los métodos de pronóstico es la

diferencia entre el ajuste y la proyección. Cuando se prueban métodos diferentes,
con frecuencia el modelo que mejor se ajusta a los datos históricos (el que tiene
el menor margen de error) también es el mejor modelo de proyección. Lo anterior
no es verdad.
El mejor modelo de proyección es aquel que describe la serie de tiempo

subyacente pero que no se ajusta a fuerzas con los datos. La manera correcta de
ajustar los modelos basándose en los datos del pasado es separar el modelo de
ajuste y el modelo de predicción.
147
ANOTACIONES:
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
148

3

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

3

Transféré par

Droits d'auteur :

Formats disponibles

TECSUP – PFR Gestión de Empresas

Aunque pueden existir muchos tipos de proyecciones en esta unidad nos

También es necesario aclarar desde el principio la diferencia entre proyección y

La proyección es un insumo para todos los tipos de planeación y control

El propósito de la administración de la demanda es coordinar y controlar todas las

Existen dos fuentes de demanda:

La demanda dependiente es la demanda de un producto o servicio causada por

No es mucho lo que una firma puede hacer al respecto de la demanda

comprar en lugar de producirse internamente), pero es mucho lo que puede hacer

1. Asumir un papel activo para influir la demanda: La firma puede presionar a su

2. Asumir un papel pasivo o simplemente responder a la demanda: Existen varias

Se necesita mucha coordinación para manejar las demandas dependiente e

Se pueden clasificar en cuatro tipos básicos: cualitativa, de análisis de las

Las técnicas cualitativas son subjetivas o de juicio basadas en cálculos y

El análisis de las series de tiempo, se basa en la idea de que los datos

La protección causal, se analiza utilizando la técnica de regresión lineal, supone

En la tabla siguiente se describen la variedad de los cuatro tipos básicos de

Técnicas de proyección y modelos comunes

1. Cualitativa Subjetiva de juicio. Basada en cálculos y opiniones.

Proyecciones de Ajusta una línea de tendencia matemática a los puntos de los

En la mayoría de los casos, la demanda de productos y servicios puede dividirse

En la Figura 1 ilustra una demanda sobre un periodo de cuatro años, mostrando el

Demanda histórica estacional

250 Promedio Tendencia

Las variaciones aleatorias se producen por hechos del azar. Estadísticamente,

Cuando la demanda es aleatoria, puede variar mucho de una semana a otra.

Las líneas de tendencia son el punto de partida usual en el desarrollo de una

TENDENCIA ASINTÓTICA Y EXPONENCIAL

Un método de proyección utilizado ampliamente es el de presentar los datos y

5. ANÁLISIS DE SERIES DE TIEMPO

El cuadro siguiente muestra los modelos de series de tiempo y algunas de sus

Método de Cantidad de Patrón de Horizonte Complejidad

1. Horizonte de tiempo para realizar la proyección.

Al seleccionar un modelo de proyección se debe tener en cuenta otros temas tales

Promedio móvil simple

Cuando la demanda de un producto no está aumentando ni disminuyendo con

A manera de ilustración, un promedio centralizado de cinco meses: enero, febrero,

Demanda proyectada con base a un promedio móvil simple

Semana Demanda 3 semanas 5 semanas Semana Demanda 3 semanas 5 semanas

PROYECCIÓN DEL PROMEDIO MÓVIL SIMPLE

La fórmula de un promedio móvil simple es la siguiente:

Fi = At-1 + At-2 + At-3 + ….+ At-n

FSem. 4 = 800 + 1400+ 1000 = 1066.66 => 1067

FSem. 6 = 800 + 1400 + 1000 + 1500 + 1500 = 1240

Como puede observarse en la gráfica presentada la curva determinada por los

Promedio móvil ponderado

Mientras que el promedio de movimiento simple le da igual ponderación a cada

Por ejemplo, un almacén de departamentos puede encontrar que, en un periodo de

Mes 1 Mes 2 Mes 3 Mes 4 Mes 5

La proyección para el mes 5 sería:

F5 = 0.40 (95) + 0.30 (105) + 0.20 (90) + 0.10 (100) =

La fórmula del promedio móvil ponderado es:

Fi = w1 At-1 + w2 A t-2 + …. + wn At-n

w1 = Ponderación que se le dará a la ocurrencia real para el periodo t - 1

Aunque muchos periodos puede ignorarse (sus ponderaciones son de cero) y el

F6 = 0.40 (110) + 0.30 (95) + 0.20 (105) + 0.10 (90)

Selección de las ponderaciones. La experiencia, y la prueba y el error, son las

Si los datos son estacionales, las ponderaciones deben establecerse en

El promedio de movimiento ponderado tiene una ventaja definida sobre el

En los métodos anteriores en la medida en que se agrega una nueva porción de

En consecuencia los exponentes 0, 1, 2, 3,... le dan su nombre. Si x = 0.3 t t =3,

F4 = 0.3 D3 + 0.21 D2 + 0.147 D1 + 0.343 F1

El ajuste exponencial es la más utilizada de todas las técnicas de proyección. Es

1. Los modelos exponenciales son sorprendentemente exactos.