TEMA 2: PRONSTICOS DE DEMANDA

2.1 INTRODUCCIN

Los pronsticos son predicciones de lo que puede suceder o esperar, son premisas o
suposiciones bsicas en que se basan la planeacin y la toma de decisiones.

Los modelos de pronsticos son tcnicas de la ciencia administrativa por varias razones:
muchos mtodos de pronsticos se apoyan en tcnicas matemticas complejas; el pronstico
se necesita como elemento de otros modelos y algunos pronsticos son una ayuda esencial en
la planeacin y solucin de problemas.

En realidad, los pronsticos no slo se utilizan como elemento de los modelos de solucin de
problemas mediante la ciencia administrativa, sino que establecen adems las premisas a partir
de las cuales se elaboran los planes y controles. Hacer pronsticos de la demanda es una de
las tareas ms importantes en el mercadeo de un producto o servicio. El pronstico debe
realizarse durante el proceso de planeacin y con l se determina las metas y objetivos de una
empresa en lo relacionado con ingreso, costos y utilidades estimadas.

A. Tenemos que los pronsticos son procesos crticos y continuos que se necesitan para
obtener buenos resultados durante la planificacin, de un proyecto. Si los clasificamos
respecto al tiempo que abarcan, se puede clasificar en:

1. Pronsticos a corto plazo: En las empresas modernas, este tipo de pronstico se efecta
cada mes o menos, y su tiempo de planeacin tiene vigencia de un ao. Se utiliza para
programas de abastecimiento, produccin, asignacin de mano de obra a las plantillas de
trabajadores, y planificacin de los departamentos de fabricacin.

2. Pronsticos a mediano plazo: Abarca un lapso de seis meses a tres aos. Este se utilizan
para estimar planes de ventas, produccin, flujos de efectivo y elaboracin de presupuestos.

3. Pronsticos a largo plazo: Este tipo de pronstico se utiliza en la planificacin de nuevas

inversiones, lanzamiento de nuevos productos y tendencias tecnolgicas de materiales,
procesos y productos, as como en la preparacin de proyectos. El tiempo de duracin es de
tres aos o ms.

B. Tenemos tambin segn el tipo de modelo, los cuantitativos y los cualitativos los que a la
vez se subdividen en el siguiente esquema:

2.2 Mtodos para la elaboracin de pronsticos

2.2.1 MTODO GRFICO

El graficar los datos y obtener un pronstico a partir de la grfica ms que confiar en el

poder analtico de las matemticas y la estadstica le mtodo grfico depende de la experiencia
y capacidad del analista para identificar, con su juicio subjetivo, los patrones en los datos y
hacer proyecciones basadas en esos patrones aun cuando se planee
emplear mtodos de pronsticos ms complicados, se recomienda que primero se grafique los
datos.

Enfoque que no requiere de un modelo matemtico: el graficar los datos y obtener un

pronstico a partir de la grfica.

Este mtodo depende de la experiencia y capacidad del analista para identificar, con su juicio
subjetivo, los patrones en los datos y hacer proyecciones basadas en esos patrones.

Aun cuando se planee emplear mtodos de pronsticos ms complicados, se recomienda

que primero se grafiquen los datos. Casi siempre es posible juzgar a partir de la grfica cun
fuertes son las variaciones por tendencia, estacionales, cclicas o aleatorias. Esta
informacin ayuda a seleccionar un mtodo apropiado de pronsticos.
2.2.2 Mtodo de los mnimos cuadrados

2.2.2.1 Introduccin

Mtodo para encontrar la mejor curva que coincida con un conjunto de datos,
minimizando la suma de los cuadrados de las diferencias entre los datos reales y los
datos predichos a partir de la curva.

Mnimos cuadrados es una tcnica de anlisis numrico encuadrada dentro de la optimizacin

matemtica, en la que, dados un conjunto de pares ordenados: variable independiente, variable
dependiente, y una familia de funciones, se intenta encontrar la funcin, dentro de dicha familia,
que mejor se aproxime a los datos (un mejor ajuste), de acuerdo con el criterio de mnimo error
cuadrtico.

Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de
mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El
teorema de GAUSS-MARKOV prueba que los estimadores mnimos cuadrticos carecen de sesgo
y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal.

Tambin es importante que los datos a procesar estn bien escogidos, para que permitan
visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular,
vase mnimos cuadrados ponderados).

La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros

problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados,
minimizando la energa o maximizando la entropa.

2.2.2.2 Fundamento terico.

En la estadstica, mnimos cuadrados ordinarios (MCO) o mnimos cuadrados lineales es el

nombre de un mtodo para estimar los parmetros desconocidos en un modelo de regresin
lineal, que minimiza la suma de cuadrados de las distancias verticales entre las respuestas
observadas en el conjunto de datos y las respuestas predichas por la aproximacin lineal. El
estimador resultante puede expresarse a travs de una frmula sencilla, especialmente en el
caso de un nico REGRESOR.

El estimador MCO es consistente cuando los REGRESORES son exgenos y no hay perfecta
MULTICOLINEALIDAD, y es ptimo en la clase de estimadores lineales cuando los errores son
HOMOSCEDSTICOS y no hay correlacin serial. En estas condiciones, el mtodo de MCO
proporciona la mnima varianza MEDIAINSESGADA estimada cuando los errores tienen varianzas
finitas.

Bajo la suposicin adicional de que los errores se distribuyen normalmente, el estimador MCO
es el de mxima verosimilitud. MCO se utiliza en economa (econometra) y la ingeniera elctrica
(teora de control y procesamiento de seales), entre muchas reas de aplicacin.

Hay varios diferentes marcos en los que el modelo de regresin lineal puede ser tratado con el
fin de hacer que la tcnica de MCO sea aplicable. Cada una de estas configuraciones produce
las mismas frmulas y los mismos resultados, la nica diferencia es la interpretacin y los
supuestos que han de imponerse a fin de que el mtodo pueda dar resultados significativos.
2.2.2.3 CURVA LINEAL. (MTODO DE LOS MNIMOS CUADRADOS - LNEA RECTA)

Una recta que mejor se ajusta es una lnea recta que es la mejor aproximacin del conjunto de
datos dado. Es usada para estudiar la naturaleza de la relacin entre dos variables. Una recta
que mejor se ajusta puede ser determinada aproximadamente usando el mtodo visual al dibujar
una lnea recta en una grfica de dispersin para que tanto el nmero de puntos arriba de la
recta y debajo de la recta sean casi iguales (y la lnea pasa a travs de tantos puntos como sea
posible). Una forma ms precisa de encontrar la recta que mejor se ajusta es el mtodo de
mnimos cuadrados.

Siempre que los datos sugieren una recta para su representacin, el mtodo de los
mnimos cuadrados podr ser utilizado para la elaboracin de un pronstico. Este
mtodo consta de la determinacin de la lnea recta que mejor se ajusta a los puntos,
es decir, la lnea recta es como sigue: Y = a + b. x Las ecuaciones que proporcionan
los valores de a y b para la recta de mnimos cuadrados, son las siguientes:

Y = a + b. x

2
a= =
2 ()2 2 ()2

2.2.2.4 CURVA EXPONENCIAL.

La regresin examina la relacin entre dos variables, pero restringiendo una de ellas
con el objeto de estudiar las variaciones de una variable cuando la otra permanece
constante. En otras palabras, la regresin es un mtodo que se emplea para predecir el
valor de una variable en funcin de valores dados a la otra variable.

En todos los casos de regresin existe una dependencia funcional entre las variables.
En el caso de dos variables, siendo una de ellas (X) variable independiente y la otra (Y)
la dependiente, se habla de regresin de Y sobre X.

Por ejemplo, los ingenieros forestales utilizan la regresin de la altura de los rboles
sobre su dimetro, lo cual significa que midiendo el dimetro (variable independiente) y
reemplazando su valor en una relacin definida segn la clase de rbol se obtiene la
altura, y aun sin necesidad de clculos aprecian la altura utilizando grficas de la funcin
de dependencia, altura = funcin del dimetro. Cuando la curva de regresin de y sobre
x es exponencial, es decir para cualquier x considerada, la media de la distribucin est
dada por la siguiente ecuacin: Y= a. bX, log y = log a b x, Log y = log a + x log b,

LOG Y= A + BX Y= ANTILOG (A + BX)

Para calcular A y B, y tambin a y b necesitamos calcular: log Y, X,
X log Y,

.
= =
() ()
2.2.2.5 CURVA POTENCIAL

La regresin examina la relacin entre dos variables, pero restringiendo una de ellas con el
objeto de estudiar las variaciones de una variable cuando la otra permanece constante. En otras
palabras, la regresin es un mtodo que se emplea para predecir el valor de una variable en
funcin de valores dados a la otra variable.

En todos los casos de regresin existe una dependencia funcional entre las variables. En el
caso de dos variables, siendo una de ellas (X) variable independiente y la otra (Y) la
dependiente, se habla de regresin de Y sobre X.

Por ejemplo, los ingenieros forestales utilizan la regresin de la altura de los rboles sobre su
dimetro, lo cual significa que midiendo el dimetro (variable independiente) y reemplazando su
valor en una relacin definida segn la clase de rbol se obtiene la altura, y aun sin necesidad
de clculos aprecian la altura utilizando grficas de la funcin de dependencia, altura = funcin
del dimetro.

La regresin potencial tiene por ecuacin:

Y= a.xb , log Y = log a + b log x

()2 ( )
Log a =[ ]
()2 ()2

()2 ( )
= [ ]
()2 ()2

( . ).
=
()2 ( )2

2.2.2.6 Curva Logartmica

2.2.3 MTODO DE LOS PROMEDIOS MVILES.

2.2.3.1 Introduccin.

La utilizacin de esta tcnica supone que la serie de tiempo es estable, esto es, que los datos
que la componen se generan sin variaciones importantes entre un dato y otro (error aleatorio =
0), esto es, que el comportamiento de los datos aunque muestren un crecimiento o un
decrecimiento lo hagan con una tendencia constante.

Cuando se usa el mtodo de promedios mviles se est suponiendo que todas las
observaciones de la serie de tiempo son igualmente importantes para la estimacin del
parmetro a pronosticar (en este caso los ingresos). De esta manera, se utiliza como pronstico
para el siguiente periodo el promedio de los n valores de los datos ms recientes de la serie
de tiempo.

El trmino mvil indica que conforme se tienen una nueva observacin de la serie de tiempo, se
reemplaza la observacin ms antigua de la ecuacin y se calcula un nuevo promedio. El
resultado es que el promedio se mover, esto es, conforme se tengan nuevos datos y se vayan
sustituyendo en la frmula, el valor del promedio ir modificndose.

2.2.3.2 PROMEDIO MVIL SIMPLE

PROMEDIO SIMPLE

Este mtodo consiste en atenuar los datos al obtener la media aritmtica de cierto nmero de
datos histricos para obtener con este el pronstico para el siguiente periodo. El nmero de
datos a tomar en cuenta para calcular el promedio es una decisin de la persona que realiza el
pronstico.

Este modelo solo es recomendable para series de tiempo que no presentan patrones de
tendencia, estacionalidad, o CICLISIDAD en los datos.

PROMEDIO MOVIL SIMPLE.

Este mtodo consiste en atenuar los datos al obtener la media aritmtica de cierto nmero de
datos histricos para obtener con este el pronstico para el siguiente periodo. El nmero de
datos a tomar en cuenta para calcular el promedio es una decisin de la persona que realiza el
pronstico.

Esta tcnica se utiliza cuando se quiere dar ms importancia a conjuntos de datos ms

recientes para obtener el pronstico. El pronstico se obtiene al calcular la media aritmtica
del conjunto de datos ms recientes seleccionado. Cada vez que se tiene una nueva
observacin se agrega esta al conjunto de datos, y se elimina de ste la observacin o dato
ms antiguo.
El nmero de datos ms recientes a considerar en el conjunto de observaciones del cual se
calcula la media aritmtica es una decisin del analista que realiza el pronstico; la
sensibilidad a los cambios en el comportamiento de la serie se reduce al utilizar un nmero
mayor de observaciones en el conjunto de datos. Este modelo no maneja muy bien los datos
con estacionalidad o con tendencia pero si lo hace mejor que la tcnica del promedio simple.

Es lgico pensar que las ventas de un perodo dado pueda tomar un valor ms parecido a los
ms recientes que a los que han tomado mucho tiempo atrs. En estos casos es conveniente
utilizar mtodos de pronsticos que den mayor importancia a los datos ms recientes o que
tomen en cuenta los K ltimos datos, donde K=1, 2n.

El promedio mvil simple para el perodo n es simplemente la media aritmtica de los K

ltimos datos. Este mtodo slo es adecuado cuando la tendencia es horizontal, ya que de lo
contrario los pronsticos estaran atrasados en relacin a las ventas reales.

+1+(1)
n, k = ,

K=Nmero de datos o trmino del promedio mvil.

n k : Promedio mvil de k trminos para el periodo n;

D n D n - (k-1): Demandas de los ltimos k perodos.

Si se desea un pronstico para el perodo (n + 1), este ser igual al perodo mvil del perodo
anterior, es decir:

P(n+1), k = n, k O Simplemente, P n+1 = n

DE OTRA FORMA

Aqu se muestra que el valor pronosticado es igual al promedio mvil.

En donde, P M t: es el promedio mvil en el periodo t.

P t+1: es el valor pronosticado para el siguiente periodo.

X t: es el valor real observado en el periodo t.

n es el nmero de datos utilizados para el clculo de la media aritmtica.

METODO DEL PROMEDIO MOVIL CON AJUSTE DE TENDENCIA

El mtodo del promedio mvil simple slo es adecuado cuando la tendencia es

horizontal, ya que de lo contrario los pronsticos generalmente estaran atrasados en
relacin a las ventas reales.

Existe una forma de ajustar el promedio, de tal manera ste siga ms de cerca las ventas
reales, y para esto se necesita determinar los promedios mviles dobles. Para el clculo
de un promedio doble simplemente se aplica dos veces seguidas el mtodo del
promedio mvil simple.

Observaciones: El promedio mvil doble va ms atrasado que el promedio mvil

simple y por lo tanto nunca se utiliza dicho mtodo para la elaboracin de pronsticos.
Sin embargo se utiliza el promedio doble para corregir el retraso del promedio mvil
simple.
Ejemplo:

a) Se calcula la diferencia

b) Se calcula el promedio mvil ajustado utilizando la siguiente frmula:

2
c) , = + ( ) + ( )
1

Ya, n = promedio mvil ajustado (a = ajustado) del perodo n n: periodo

K= nmero de trminos considerado

2.2.3.3 METODO DEL PROMEDIO MOVIL CON AJUSTE DE TENDENCIA

El mtodo del promedio mvil simple slo es adecuado cuando la tendencia es

horizontal, ya que de lo contrario los pronsticos generalmente estaran atrasados en
relacin a las ventas reales.

Existe una forma de ajustar el promedio, de tal manera ste siga ms de cerca las ventas
reales, y para esto se necesita determinar los promedios mviles dobles. Para el clculo
de un promedio doble simplemente se aplica dos veces seguidas el mtodo del
promedio mvil simple.

Observaciones: El promedio mvil doble va ms atrasado que el promedio mvil

simple y por lo tanto nunca se utiliza dicho mtodo para la elaboracin de pronsticos.
Sin embargo se utiliza el promedio doble para corregir el retraso del promedio mvil
simple.

Ejemplo:
d) Se calcula la diferencia

e) Se calcula el promedio mvil ajustado utilizando la siguiente frmula:

2
f) , = + ( ) + ( )
1
Ya, n = promedio mvil ajustado (a = ajustado) del perodo n n: periodo

K= nmero de trminos considerado

2.2.3.4 PROMEDIO MVIL PONDERADO O MEDIA MOVIL PONDERADA.

El promedio mvil ponderado o media mvil ponderada es una media multiplicada por ciertos
factores, que le dan determinado peso a determinados datos. La media mvil
ponderada (WEIGHTED MOVING AVERAGE) desarrolla y mejora las aplicaciones de la media
mvil simple. Se trata de la media aritmtica de los valores anteriores ponderados segn
diferentes criterios.

Este mtodo es otra forma de corregir el retraso del promedio mvil simple, utilizando mayores
pesos o ponderaciones para los valores ms recientes. Ejemplo, si el promedio mvil es de dos
trminos se podrn adoptar ponderaciones de 0.7 para el ltimo dato y 0.3 para el dato anterior.
Los pronsticos para el siguiente ejemplo que se analiza sera:

AO VENTAS PROMEDIO MOVIL PONDERADO PRONOSTICO

2005 108 - -

2006 119

2007 110

2008 122

2009 130

2010 - -

2.2.3.5 MTODO DEL PROMEDIO PONDERADO EXPONENCIALMENTE

Para este mtodo del promedio ponderado se utiliza la siguiente frmula:

= 1 + ( 1),

= promedio ponderado exponencialmente del perodo n

1 = promedio ponderado exponencialmente del perodo n 1
 = constante de atenuacin y D n = demanda del perodo n
Como se mencion para el caso del promedio mvil simple y ajustado, el pronstico
para el perodo (n + 1), cuando se utiliza el mtodo del promedio ponderado
exponencialmente es igual al promedio del perodo anterior, es decir: P n + 1 = Y n.

De esta manera se puede escribir la frmula del promedio ponderado exponencialmente

de la siguiente forma: P n + 1 = P n + (D n P n).

El pronstico del perodo (n + 1) es igual al pronstico del perodo n ms una fraccin

de la diferencia entre ste y la demanda del mismo perodo. En otras palabras el
pronstico del perodo (n+1) es igual al pronstico del perodo n (error = D n P n).

Las dos primeras etapas que deben llevarse a cabo en la aplicacin del mtodo del
promedio ponderado exponencialmente, son la eleccin de la constante de atenuacin
y del nmero de perodos pasados a considerar. La constante est
generalmente entre 0.05 y 0.4.

Para el clculo del promedio , necesitamos el valor de: , y para el clculo de

este valor necesitamos conocer 2, etc. Por lo tanto n sera posible calcular ,
puesto que no existe _ . Consecuentemente, la tercera etapa en la aplicacin de este
mtodo es la eleccin de un promedio inicial, 0, y generalmente se considera ste igual
a la demanda D0 del primer perodo.

EJEMPLO

AO 2005 2006 2007 2008 2009

VENTAS 108 119 110 122 130

D0 = 0 D1 D2 D3 D4

0, a la demanda
Utilizando un = 0.2 y tomando un promedio inicial, D0 =108. De
esta forma se puede calcular: 1

0 = D0 =108

1= 0+(1 0) = 108 + 0.2 (119-108) = 110.2 1=110.2

 PERIODO AO VENTAS PROMEDIO PRONOSTICO

0 2005 108

1 2006 119

2 2007 110

3 2008 122

4 2009 130

5 2010 _ _

Si se comparan los pronsticos con las ventas reales nos damos cuenta a lo inmediato
que aquellos tambin estn atrasados. Lo que se dice acerca del promedio mvil simple
tambin es vlido aqu: el promedio ponderado exponencialmente solamente es
adecuado cuando la tendencia de las ventas es ms o menos horizontal y las
variaciones son aleatorias.

2.2.3.6 PROMEDIO MVIL EXPONENCIALMENTE AJUSTADO O BIEN (METODO DEL PROMEDIO

PONDERADO EXPONENCIALMENTE CON AJUSTE DE TENDENCIA).

La aplicacin de este mtodo es anloga al del mtodo del promedio mvil con ajuste
de tendencia. Hay que hacer lo siguiente:

)
a) Calcular el promedio ponderado exponencialmente simple (

b) Calcular el promedio ponderado exponencialmente doble )

(

c) Calcular el promedio ponderado exponencialmente con ajuste de tendencia

mediante la siguiente frmula:

= + ( ) + ( )
1
PERIODO AO VENTAS PROMEDIO PROMEDIO PROMEDIO PRONOSTICO
SIMPLE DOBLE AJUSTADO
0 2005 108 108.00 108.00 108.00 -
1 2006 119 110.20 108.44 112.40 108.00
2 2007 110 110.16 108.78 111.89 112.40
3 2008 122 112.53 109.53 116.28 111.89
4 2009 130 116.02 110.53 122.51 116.28
5 2010 - - - - 122.51
2.2.3.7 Aplicaciones prcticas

2.2.4 MTODOS CAUSALES (ECONOMTRICOS)

2.2.4.1 INTRODUCCIN

Concepto de mtodo causal: Son los pronsticos basados en las causas que
determinan los acontecimientos. Los mtodos causales ms empleados son: el modelo
de correlacin, el economtrico y el anlisis de sensibilidad. Algunos mtodos de
pronstico asumen que es posible identificar los factores subyacentes que pueden tener
influencia sobre la variable a pronosticar.

Si las causas se entienden, se pueden hacer proyecciones de las variables que influyen,
para utilizarlas en la prediccin. Se basan en identificar y determinar cules son las
relaciones existentes entre la variable dependiente de inters a pronosticar y las
variables independientes que la determinan al ejercer su influencia sobre ella. Algunos
mtodos causales son:

Anlisis de la regresin, que puede ser lineal o no lineal.

Modelo AUTORREGRESIVO de media mvil (ARMA)

Modelo ARIMA

Econometra

2.2.3.8 Fundamento Terico.

Todos los mtodos consideran que la demanda (variable y) depende nicamente de la

variable tiempo (x). Esto no siempre es verdad y en muchos casos la demanda puede
depender de alguna otra variable como por ejemplo, el nmero de viviendas que se
construyen, el nmero de kilmetros construidos de carreteras, el nmero de escuelas
o el nmero de estudiantes, el nmero de matrimonios al ao.

Cuando se considera que las ventas no dependen nicamente del variable tiempo, sino
tambin de otras variables, los mtodos de pronsticos se denominan causales. En los
mtodos causales se tienen que determinar cul es la ecuacin de la lnea que relaciona
la variable dependiente (demanda) con las variables independientes (de las cuales una
puede ser el tiempo). Se tendra lo siguiente:

D=Demanda=A.X1 + BX2+. K.X n, donde X1, X2, son variables independientes (una
de ellas podr ser el tiempo). A, B, son constantes. En algunos casos podrn
determinarse ecuaciones ms complicadas que inclusive no sean lineales. Para la
determinacin de las ecuaciones podemos utilizar el mtodo de mnimos cuadrados en
los casos ms sencillos, y tcnicas matemticas ms sofisticadas en los casos ms
complicados.
Suponer que la demanda total de madera en Nicaragua depende nicamente de la
inversin en el sector construccin y que se dispone de la siguiente informacin:

2.2.3.9 Aplicaciones Prcticas.

AO 2009 2010 2011

INVERSION 946.33 946.33 946.33

SECTOR CONSTRUCCION (MILLONES DE CORDOBAS) 341 984 1514

DEMANDA DE MADERA 52 104 118

La inversin en el 2013 ser de C$2295 millones. Cul ser la demanda de madera en

este ao. Aplicando el mtodo de mnimos cuadrados, suponiendo una dependencia
lineal y que la inversin es la nica variable independiente relevante, y poniendo el
origen de la X en una inversin de C$ 946.33 millones para la sumatoria de X sea
cero.

341 - 946.33 = - 605.33, 984 - 946.33 = 37.67, 1514 - 946.33 = 567.67

AO INVERSION X Y X2 XY

2009 341 -605.33 52 366424 -31477.16

2010 984 37.67 104 1419 3917.68

2011 1514 567.67 118 322249 66985.06

- - 0 274 690367 39426

274 . 39426
= = = 91.33 =
2
= = 0.0571
3 690367

Y = 91.33 + 0.0571X Para 2003 X= 2295 Origen = 2295 946.33 =

1348.67

Y2003 = 91.33 + 0.071 x 1348.67 = 168 m 3 Y2003=168

m3
2.3 PRONSTICOS POR MES, TRIMESTRE Y SEMESTRE.
2.3.1 ESTACIONALIDAD

PRONOSTICOS POR MES, TRIMESTRE O SEMESTRE (ESTACIONALIDAD)

El componente estacional es un patrn de cambio que se repite a s mismo ao tras

ao. Por lo regular, el desarrollo de una tcnica de pronostico estacional comprende la
seleccin de un mtodo multiplicativo o uno de adicin y estimar despus ndices
estacinales a partir de la historia de la serie.

Estos ndices se usan posteriormente para incorporar la estacionalidad al pronstico

para eliminar tales efectos de los valorares observados. Las tcnicas de pronstico para
datos estacinales se usan siempre que:

El clima influyente en la variable de inters. Como ejemplos estn el consumo de

energa elctrica, las actividades de verano e invierno, el guardarropa y las estaciones
de desarrollo agrcola.

El ao calendario influye en la variable de inters. Ejemplos de ello son las ventas al

menudeo influidas por dais festivos, fines de semana de tres das y los calendarios
escolares.

Suponer que las ventas trimestrales de los trimestrales de los aos 2005, 2006, 2007,
2008, 2009 fueron las que se muestran en el siguiente cuadro.

AO T1 T2 T3 T4 ANUAL
2005 19 37 30 22 108
2006 28 42 31 18 119
2007 27 36 28 19 110
2008 30 43 29 20 122
2009 32 44 32 22 130
TOTAL 136 202 150 101 589
PORCENTAJE (%) 23.1 34.3 25.5 17.1 100

IE = INDICES ESTACIONALES 136/589 = 23% 202/589 = 34.3% 150/589 = 25.5% 101/589 = 34.3%

En el cuadro se proporciona el porcentaje correspondiente a cada trimestre, respecto al

volumen de ventas total de los cinco aos. A continuacin determinar las ventas de cada
trimestre de 2010 y para esto podemos utilizar cualquier pronstico para dicho ao,
utilizando cualquier pronstico para dicho ao. Utilizando el pronstico de 131.9.
P1 = 23.1% x 131.9 = 30.47

P2 = 34.44 x 131.9 = 45.24

P3 = 25.50 x 131.9 = 33.63

P4 = 17.10 x 131.9 = 22.55

TOTAL = 131.90

Los porcentajes 23.1%, 34.44, 25.5%, y 17.1% son llamados ndices estacionales y
solamente tiene sentido calcularlos cuando existe alguna estacionalidad en los datos.
Este mtodo puede ser aplicado siempre que tengamos un pronstico anual, no
importando el mtodo que fue utilizado para obtenerlo, y puede utilizarse para la
elaboracin de pronsticos semanales, mensuales, trimestrales, semestrales, etc.

Siempre que en el mes de Diciembre de un determinado ao se elaboran pronsticos

para todos los meses, trimestres del ao siguiente, se dir que se ha elaborado
pronsticos anuales. Los pronsticos podrn ser con y sin estacionalidad.

Cuando al final de cada mes, trimestre, se elabora pronstico para el mes siguiente, el
trimestre siguiente, se dir que se est elaborando pronsticos mensuales, trimestrales
respectivamente. Estos pronsticos pueden ser con o sin estacionalidad. Aplicar el
mtodo del promedio mvil simple de tres (3) trminos. Los pronsticos de
estacionalidad se muestran en la cuarta (4) columna del cuadro.
PRONOSTICO
PRONOSTICO PMSCE INDICE
AO TRIMESTRE VENTAS PMSSE ERROR PROMEDIO MOVIL ERROR ESTACIONA
PROMEDIO MOVIL NORMAL SIMPLE ABSOLUTO L
SIMPLE SIN CON ESTACIONALIDAD
ESTACIONALIDAD
T1 19 - - - - -
T2 37 - - - - -
2005 T3 30 - - - - -
T4 22 28.7 6.7 - - -
T1 28 29.7 1.7 - - -
T2 42 26.7 -15.3 - - -
2006 T3 31 30.7 -0.3 - - -
T4 18 33.7 15.7 27.0 9.0 6.7
T1 27 30.3 3.3 28.6 1.6 1.7
T2 36 25.3 -10.7 40.6 4.6 -15.3
2007 T3 28 27.0 -1.0 27.3 0.7 -0.3
T4 19 30.3 11.3 19.1 0.1 11.2
T1 30 27.7 -2.3 25.2 4.8 2.5
T2 43 25.7 -17.3 38.7 4.3 -13.0
2008 T3 29 30.7 1.7 31.3 2.3 -0.6
T4 20 34.0 14.0 22.8 2.8 11.2
T1 32 30.7 -1.3 29.8 2.2 0.9
T2 44 27.0 -17.0 41.4 2.6 -14.4
2009 T3 32 32.0 - 31.9 0.1 0.1
T4 22 36.0 14.0 24.1 2.1 11.9
7.8 2.9
ERROR MEDIO ABSOLUTO

ERROR ABSOLUTO E= PRONOSTICO (PMSCE) VENTAS =

INDICE DE ESTACIONALIDAD = PRONOSTICO, PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD - PRONOSTICO,

PROMEDIO MOVIL SIMPLE CON ESTACIONALIDAD.

INDICE DE ESTACIONALIDAD (IE) = PMSSE PMSCE =

 PRONOSTICO PRONOSTICO
AO TRIMESTRE DEMANDA PROMEDIO MOVIL ERROR PROMEDIOMOVIL ERROR INDICE
Y/O SIMPLE SIN NORMAL SIMPLE CON ABSOLUTO ESTACIONA
VENTAS ESTACIONALIDAD ESTACIONALIDAD L

T1 29

T2 70
2006
T3 47

T4 54

T1 34

2007 T2 81

T3 47

T4 51

T1 32

2008 T2 75

T3 55

T4 56

T1 40

2009 T2 86

T3 50

T4 59

T1 36

2010 T2 90

T3 55

T4 63

ERROR MEDIO ABSOLUTO =

ERROR NORMAL = PRONOSTICO (PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD) VENTAS

ERROR ABSOLUTO E= PRONOSTICO (PMSCE) VENTAS =

INDICE DE ESTACIONALIDAD (IE) = PRONOSTICO:[(PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD

(PMSSE)] - PRONOSTICO:[(PROMEDIO MOVIL SIMPLE CON ESTACIONALIDAD (PMSCE)].

IE = PMSSE PMSCE =

INDICE DE ESTACIONALIDAD = PMSSE PMSCE =

 PRONOSTICOS POR MEDIO DEL PROMEDIO MOVIL SIMPLE DE 3 TERMINOS

AO TRIMESTRE DEMANDA PROMEDIO MOVIL ERROR PROMEDIO MOVIL ERROR INDICE

SIMPLE SIN NORMAL SIMPLE ABSOLUTO ESTACIONA
ESTACIONALIDAD CON ESTACIONALIDAD L
T1 20
T2 23
2008
T3 26
T4 18
T1 27
T2 24
2009
T3 25
T4 30
T1 32
T2 35
2010
T3 24
T4 21
T1 20
T2 23
2011
T3 26
T4 18
T1 27
T2 24
2012
T3 25
T4 30
ERROR MEDIO ABSOLUTO=

ERROR NORMAL = PRONOSTICO (PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD) VENTAS

ERROR ABSOLUTO E= PRONOSTICO (PMSCE) VENTAS =

I
INDICE DE ESTACIONALIDAD : I E = PMSSE PMSCE =

INDICE DE ESTACIONALIDAD (IE) = PRONOSTICO:[(PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD

(PMSSE)] - PRONOSTICO:[(PROMEDIO MOVIL SIMPLE CON ESTACIONALIDAD (PMSCE)].
 PRONOSTICO
PRONOSTICO PMSCE INDICE
AO TRIMESTRE VENTAS PMSSE ERROR PROMEDIO MOVIL ERROR ESTACIONA
PROMEDIO MOVIL NORMAL SIMPLE ABSOLUTO L
SIMPLE SIN CON ESTACIONALIDAD
ESTACIONALIDAD
T1 19
2005 T2 37
T3 30
T4 22
T1 28
2006 T2 42
T3 31
T4 18
T1 27
2007 T2 36
T3 28
T4 19
T1 30
2008 T2 43
T3 29
T4 20
T1 32
2009 T2 44
T3 32
T4 22
ERROR MEDIO =

ERROR NORMAL = PRONOSTICO (PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD) VENTAS

ERROR ABSOLUTO E= PRONOSTICO (PMSCE) VENTAS =

INDICE DE ESTACIONALIDAD (IE) = PRONOSTICO:[(PROMEDIO MOVIL SIMPLE SIN ESTACIONALIDAD

(PMSSE)] - PRONOSTICO:[(PROMEDIO MOVIL SIMPLE CON ESTACIONALIDAD (PMSCE)].

IE = PMSSE PMSCE =

INDICE DE ESTACIONALIDAD = PMSSE PMSCE =

2.4 EVALUACIN DE LOS MTODOS DE PRONSTICOS
2.4.1 CALCULO DE ERRORES (ANALISIS)

Es importante utilizar una medida de estimacin del desempeo (estimacin del error) comn,
y no utilizar medidas propias, ya que en general las medidas propias hacen que se pierda
objetividad en el anlisis. Hay algo muy importante que tiene que tener las medidas del
desempeo en los pronsticos, que tanto midan cuando el pronstico fue mayor que el valor
real y viceversa, miremos los errores comunes en las empresas cuanto hacen la estimacin del
error de pronstico de ventas:

Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo que les importa
a ellos es la venta perdida.

Solo cuentan el error cuando el pronstico es menor a la venta real, ya que lo que les importa
es no tener mucho inventario.

No se cuenta la magnitud de la diferencia si no que se cuenta el nmero de veces que el

pronstico estuvo por encima y debajo de la venta real.

CALCULO DE ERRORES

El Error del pronstico mide la precisin del modelo de pronstico que se ha usado,
comparando los valores pronosticados con los valores reales u observados. Si F t
denota el pronstico en el periodo t, y A t denota la demanda real del periodo t, el error
de pronstico (o desviacin) se define como: Error del Pronstico = demanda real valor
pronosticado = A t - F t o bien Error del pronstico = Y t Y t

Medidas para calcular el Error Global del pronstico Desviacin Absoluta Media (MAD):
Su valor se calcula sumando los valores absolutos de los errores individuales del
pronstico y dividiendo entre el nmero de periodos de datos (n) MAD = Real -
Pronstico n.

Es importante utilizar una medida de estimacin del desempeo (estimacin del error)
comn, y no utilizar medidas propias, ya que en general las medidas propias hacen que
se pierda objetividad en el anlisis. Hay algo muy importante que tiene que tener las
medidas del desempeo en los pronsticos, que tanto midan cuando el pronstico fue
mayor que el valor real y viceversa, miremos los errores comunes en las empresas
cuanto hacen la estimacin del error de pronstico de ventas:

Solo cuentan el error cuando el pronstico es mayor a la venta real, ya que lo que les
importa a ellos es la venta perdida.

Solo cuentan el error cuando el pronstico es menor a la venta real, ya que lo que les
importa es no tener mucho inventario.

No se cuenta la magnitud de la diferencia si no que se cuenta el nmero de veces

que el pronstico estuvo por encima y debajo de la venta real.
MEDICION DEL ERROR EN EL PRONOSTICO: La notacin bsica a usarse en el
pronstico ser la siguiente: Y t: Es el valor real de una serie de tiempo en el tiempo t:
Valor del pronstico para Y t, et = - es el residual o error de pronstico en el tiempo t.
Un residual es la diferencia entre el valor real y su valor de pronstico: et = Valor real
Pronstico. Estos errores se requieren para evaluar la precisin de las tcnicas de
pronstico mediante indicadores como la DAM, EMC, PEMA, PME.

LA DESVIACION ABSOLUTA DE LA MEDIA (DAM): La DAM mide la precisin de un

pronstico mediante el promedio de la magnitud de los errores de pronstico (valores
absolutos de cada error). Los errores se miden en las mismas unidades que la serie
original. Se calcula mediante:

ERROR MEDIO CUADRATICO: La suma de errores al cuadrado se divide entre el

nmero de observaciones. Este enfoque da mayor valor a los errores mayores lo cual
se constituye en desventaja si la serie tiene errores extremadamente grandes y
pequeos, lo cual no sera conveniente. Se calcula:

PORCENTAJE DE ERROR MEDIO ABSOLUTO: Se encuentra el error absoluto en

cada perodo dividindose ste entre el valor real observado en dicho perodo
dividindolos luego entre el nmero de observaciones. Es til cuando el tamao o
magnitud de la variable de pronstico es importante en la evaluacin de la precisin del
pronstico. El PEMA proporciona una indicacin de qu tan grandes son los errores de
pronstico comparados con los valores reales de la serie. Tambin se la utiliza para
comparar la precisin de la misma u otra tcnica sobre dos series completamente
diferentes. Se calcula as:

PORCENTAJE MEDIO DE ERROR: Cuando se desea determinar si un mtodo de

pronstico est sesgado. Se calcula dividiendo la sumatoria de los errores de cada
perodo entre su valor real y promediando luego estos porcentajes. Si el pronstico no
est sesgado el porcentaje ser cercano a cero. Si el resultado es un porcentaje
negativo grande el mtodo est sobrestimando de manera consistente. Si el resultado
es un porcentaje positivo grande el mtodo est subestimando de manera consistente.
 PRONOSTICO DEL PROMEDIO MOVIL SIMPLE DE (3) TRES TERMINOS

t Yt Y' t et I et I et 2 I et I/Y t et/Y t

1 42 - - - - - -
2 52 - - - - - -
3 54 - - - - - -
4 65
5 51
6 64
7 67
8 53
9 66
10 68
11 58
12 67

ERROR (et) =DEMANDA (Y t) - PRONOSTICOS (Y' t). ENCONTRAR LOS SIGUIENTES DATOS: DAM, EMC, PEMA, PME.

DESVIACION MEDIA ABSOLUTA ERROR MEDIO CUADRADO (EMC)

PORCENTAJE DEL ERROR MEDIO ABSOLUTO (%) PORCENTAJE MEDIO DE ERROR (%)
DESVIACION MEDIA ABSOLUTA ERROR MEDIO CUADRADO (EMC)

PORCENTAJE DEL ERROR MEDIO ABSOLUTO (%) PORCENTAJE MEDIO DE ERROR (%)

t Yt Y' t et I et I et 2 I et I/Y t et/Y t

1 42 - - - - - -
2 52
3 54
4 65 49.3 15.7 15.7 246.49 0.24 0.24
5 51 57.0
6 64 56.7
7 67 60.0
8 53 60.7
9 66 61.3
10 68 62.0
11 58 62.3
12 67 64.0
ERROR (et) =DEMANDA (Y t) - PRONOSTICOS (Y' t)
2.4.2 Coeficiente de Correlacin.
2.4.3 Coeficiente de Determinacin.
2.4.4 Simulacin (mensual, anual) sin estacionalidad.
2.4.5 Simulacin (mensual, anual) con estacionalidad.