La definicin de pronstico es simple, sin embargo encierra muchas situaciones

que i ntervienen en su resultado o bien en la consecucin del mismo.

"Un pronstico es un inicio o una seal por donde se puede saber una
cosa futura mediante indicios"
El pronstico desempea un papel muy significati vo en la planeacin de
materiales, se pueden encontrar pronsticos de abastecimiento, de
condiciones, comerciales, de tecnologa, precios, etc. Y en cualquiera de estos
rtulos el pronstico es necesario para la toma de decisiones.
Aunque es muy cotidiano que hoy en da el manejo de pronsticos en las
pequeas y medianas empresas, existen situaciones que tienen que ver con la
planeacin de las necesidades futuras. La problemtica primordial es la poca
confianza del uso de la tcnica pronstico.
En el sector automotri z las insuficiencias de compra de materiales y produccin
provienen de pronsticos ventas, ya que es responsabilidad la misma rea de
ventas o mercadeo de los productos, sin embargo cuando los ordenadores de
compra de materiales tienden en compras excesivas o deficientes siempre son
acusados, cuando verdaderamente el generador de esos pronsticos es
ventas.
Autores experimentados manifiestan que: "Si la demanda es inferior al
pronstico, el proveedor puede sospechar que el pronstico original era
un intento por obtener un precio favorable o alguna otra concesin. Si la
demanda excede el pronstico, los costos del proveedor pueden
aumentar debido a la urgencia, las compras de emergencia, y cambios en
los programas de produccin."
De tal manera los proveedores hacen parte de ese conjunto de i ncertidumbre
que presenta el pronstico, por ello es prescindible que los ordenadores de los
materiales ayuden a estrechar los contactos con los diferentes proveedores y
que generen un ambiente empresarial fomentando flexibilidad y cooperacin al
momento de sus requerimientos Tambin es cierto que no se deben descartar
que de manera regular las actuali zaciones y se ajusten a los pronsticos.
En el da a da se encuentran una di versidad de tcnicas para el planteamiento
de pronsticos y se estas se van desarrollando de manera exponencial, estas
tcnicas pueden ser cuantitativas y cualitati vas y se pueden emplear separadas
o en conjunto.
El sector automotriz la tcnica ms usada de pronsticos es la cuantitati va ya
que esta se sustenta en la toma de datos del pasado para hacer las
proyecciones o predicciones del futuro, algunas tcnicas cuantitativas hacen
hincapi en identificar indicadores que sean sobresalientes mediante los cuales
se puedan crear modelos lineales o de regresin mltiple.
Algunas de las tcnicas de pronstico cuantitati vas que en la actualidad se
utili zan, se desarrollaron durante el siglo XIX; un ejemplo de ello el anlisis de
regresin y las tcnicas de series de tiempo. Con la implementacin de
tcnicas de pronstico ms complejas, junto con la generalizacin del uso de
las computadoras, los pronsticos acentuaron la atencin durante los ltimos
aos, y cualquier persona es capaz de operar datos a partir de un soft ware en
una computadora de bolsillo y obtener pronsticos.
Quienes han desarrollado los modelos cuantitativos clasifican a algunos de los
pronsticos cuantitativos como repetitivos, es decir, que los valores que se
pronostican continan un proceder repetiti vo a travs del tiempo, la labor de los
quienes analizan este tipo de pronsticos es el identificar ese comportamiento y
desarrollar el pronstico, por consiguiente el desarrollar dicho pronstico hace
necesario tener en cuenta algunos factores como el valor constante, tendencia,
variaciones estacinales, variaciones cclicas, variaciones aleatorias y puntos
de modulacin.
Referente a los pronsticos cualitativos, se consideran ms comunes en las
empresas de servicios ya que se basan en la repuesta de opiniones de
diversas personas, valorizando con juicio dichas opiniones para utili zarlas al
generar el pronstico. Estas tcnicas cualitativas son ms flexibles que las
cuantitativas, sin embargo son tan precisas y exactas como estas.
Al momento de elaborar un pronstico y este resulta mal proyectado conlleva a
que la planeacin no funciona y todas las reas de la empresa se vuelven
ineficientes, repercutiendo en las finanzas y reflejando las pocas ventas
obtenidas, abundancias en los inventarios de productos que no requieren los
clientes, reduccin de mrgenes, costos ms altos, entre otros problemas.
En trminos de pronosticar variables importantes para una compaa o para
una parte de ella como son las ventas de la empresa, las horas de ausencia
por empleado, los costos operati vos, las tasa de inters y tipos de cambio del
mercado, entre otros, ms si n embargo, las variables macroeconmicas
median en las decisiones que tome la empresa para su futuro.
QU TCNICA UTILIZAR?
Para determi nar que tcnica de pronstico, se deben considerar los siguientes
puntos:
1. Definir la naturaleza del problema de pronstico.
2. Explicar la naturaleza de los datos bajo investigacin.
3. Describir las capacidades y limitaciones de las tcnicas de pronstico
potencialmente tiles.
4. Desarrollar algunos criterios predeterminados sobre los cuales se pueda
tomar la decisin de la seleccin, como son algunas medidas de error.
BASES DE PRONSTICO.
Ingreso por venta.
Costo de productos manufacturados.
Horas de mano de obra directa
Horas de maqui naria.
Costos de los i nsumos.
FUENTES DE PRONSTICO.
Externas: Acti vidades generales de la economa o factores geopolticos, que
despus se relacionan con las acti vidades empresariales.
Internas: Estima cada producto de una empresa, para despus hacer un
pronstico agregado de todas sus acti vidades.
CLASIFICACION DE LOS METODOS DE PRONOSTICOS.SEGN EL
TIEMPO:
A Corto Plazo: alcance de un da a un ao, sirve para funciones de control,
como ajuste de la Tasa de produccin, del empleo, del pronstico de venta, etc.
A Mediano Plazo: con alcance de una estacin a uno o dos aos. Son usados
para la planeacin operati va, el flujo de caja, el programa de produccin y las
ventas.
A Largo Plazo: con un alcance de dos a ci nco aos, esto se usa para ampliar
plantas, producir nuevos productos, cambiar polticas, adoptar nuevas
tecnologas.



[1] Enciclopedia Sopena, Editorial Ramon Sopena, S.A. Provenza 95, Barcelona
pg. 952
[2] Arbones Malisani, Logistica Empresarial. Editorial Alfaomega

El anlisis de regresin es una de las tcnicas estadsticas la cual se utiliza en
la investigacin al relacionar entre dos o ms variables, una de sus
utili zaciones est en la construccin de modelos que permitan predecir el
comportamiento de una variable Y (dependiente, respuesta) en funcin de una
o ms variables (independientes, predictivas) X.
El comportamiento de estas variables suelen definirse de manera previa lo que
nos remite a un modelo terico, o bien, se tiene el caso de que no exista una
relacin establecida entre estas y sea necesario establecer una primera
aproximacin del comportamiento de las mismas.
Lo anterior se puede lograr usando una herramienta grfica
denominada diagrama de dispersin lo que nos conducira a desarrollar un
modelo emprico de la relacin que mantienen las variables en estudio.
Ventajas
Es objetivo, solo depende de los resultados experimentales.
Es reproducible, proporciona la misma ecuacin no importa de
quien realice el anlisis.
Proporciona una estimacin probabilstica de la ecuacin que
representa a unos datos experimentales
Proporciona intervalos pequeos de error.
Restricciones
Solo sirve para ajustar modelos lineales
Requiere tener al menos diez mediciones bajo las mismas
circunstancias experimentales.
Se requiere de algn equipo de clculo, de lo contrario, es muy
engorroso el procesamiento de la informacin.
Establece la relacin temporal para la variable de pronstico, implica
una relacin causa-efecto.
La ecuacin general es: Y= + x
Y = Variable dependiente = La altura de la recta.
= La pendiente de la recta. x = Variable independiente.


METODOS DE LOS MNIMOS CUADRADOS.
Para calcular y :



= altura de la lnea recta.
= pendiente de la recta.
Y = variable dependiente.
X = variable independiente.
x = promedio de los valores X.
y = promedio de los valores Y.
n = nmero de observaciones.
Ejemplo
Encontrar la lnea recta del mnimo cuadrado.




EJEMPLO:
La demanda de un artculo en los ltimos 4 aos se muestra a continuacin:
Demanda(uni dades) 2006 2007 2008 2009
Aos 6 8 7 9
Con esta i nformacin se pide pronosticar la demanda para el ao 2010 y 2011
utili zando regresin lineal.
Solucin:
Es necesario hallar la ecuacin de regresin y=+x, donde X representa el
tiempo y Y la demanda en unidades del artculo.
Procedemos a hallar y .teniendo en cuenta las ecuaciones planteadas
anteriormente.





; Esta sera la ecuacin de regresin, ahora para hallar
la demanda del ao 2010 remplazamos a x por 5, ya que sera el valor que le
correspondera en la tabla, pues el 2009 es 4, as el 2011 seria 6.
Remplazando obtendramos: y=5+0,85=9 unidades; y=5+0,86=9,810
unidades.
Entonces la demanda proyectada para el 2010 sera de 9 unidades y de 10
unidades para el 2011.
TALLER DE APLICACIN
Solucione los siguientes ejercicios:
1. La demanda de un artculo en unidades en los ltimos 5 aos se describe a
conti nuacin:
Utilice la tcnica de regresin lineal para estimar el nmero de unidades que se
proyectan de demanda para el ao 2010.
Aos X Demanda(y) X.Y X
2

2006 1 6 6 1
2007 2 8 16 4
2008 3 7 21 9
2009 4 9 36 16
TOTALES 10 30 79 30
2. El nmero de estudiantes matriculados en los ltimos 4 aos en una
institucin de educacin bsica secundaria se describe a continuacin:
Mediante regresin li neal pronostique el nmero de estudiantes que se
matricularan en el ao 2010.

El Promedio Mvil o PM es el indicador ms utilizado en anlisis tcnico, ya
que es uno de los indicadores experimentados ms antiguos que existen. La
utili zacin de un promedio mvil muestra la direccin y la duracin de una
tendencia; el propsito de un promedio mvil es el de ilustrar la tendencia, de
una manera ms suavizada. Debido al hecho que el promedio mvil es uno de
los indicadores ms verstiles y de mayor uso dentro de todos los indicadores,
es la base del diseo de la mayora de sistemas y estrategias utili zados hoy en
da.
Un ejemplo de promedio mvil es el precio promedio del mercado en cierto
perodo de tiempo.
Se describen algunas de las propiedades ms comunes de los promedios
mviles:
El promedio mvil es calculado con cierto perodo de tiempo
predefinido.
Mientras ms corto el perodo, mayor la probabilidad de una seal
falsa.
Mientras ms largo el perodo, menor es la sensibilidad del promedio
mvil. Es decir, ms certera pero existirn menos seales.
Como su mismo nombre lo implica, un promedio mvil es un promedio de un
cuerpo cambiante de data.
Por ejemplo, un promedio mvil de 50 perodos, utili zado al cierre, es
constituido por la sumatoria de los precios de cierre de los ltimos 50 perodos,
dividido por 50.
Se le designa promedio MVIL, por que nicamente los ltimos perodos son
los evaluados, es decir, son los que estn siendo utili zados para calcular los
resultados. Y de esa manera, los datos siendo evaluados se mueven hacia
adelante con cada da (o perodo) que avanza.
El anlisis de promedios mviles puede ser realizado a cualquiera de los
siguientes diferentes tipos de precio:
Precio de Apertura:
El anlisis del perodo se hace en base el precio de apertura de cada cuerpo.
Precio de Cierre:
El anlisis del perodo se hace en base el precio de cierre de cada cuerpo.
Precio ms Alto:
El anlisis del perodo se hace en base el precio ms alto de cada cuerpo.
Precio ms Bajo:
El anlisis del perodo se hace en base el precio ms bajo de cada cuerpo.
Precio Medio:
El anlisis del perodo se hace en base el precio medio de cada cuerpo.
Precio Medio = (Precio Alto + Precio Bajo) / 2
Precio Tpico:
El precio tpico del perodo es calculado de la siguiente forma:
Precio Tpico = (Precio Alto + Precio Bajo + Precio Cierre) / 3
Precio Ponderado:
El precio ponderado del perodo es calculado de la siguiente forma:
Precio Ponderado = (Precio Alto + Precio Bajo + Precio Cierre + Precio Cierre) /
4
Tipos de Promedios Mviles
Promedio Mvil Simple (SMA):
El Promedio Mvil Simple es sin duda el promedio mvil ms utilizado hoy en
da.
El Promedio Mvil Simple es a veces llamado un promedio mvil aritmtico y
bsicamente es un precio promedio a travs de un perodo de tiempo.
Se calcula sumando los precios de cierre del par analizado durante cierto
perodo de tiempo y luego se divide dentro del mismo nmero de perodos.
Por ejemplo, el Promedio Mvil de los ltimos 10 das del precio de cierre,
dividido dentro de 10.
Debido al hecho que el Promedio Mvil Simple da el mismo peso a cada
perodo de precio siendo evaluado, mientras ms largo sea el perodo de
tiempo evaluado, mayor ser la suavizacin de los datos ms recientes.
Promedio Mvil Exponencial (EMA):
El indicador de Promedio Mvil Exponencial reacciona ms rpidamente a
cambios de precios recientes que el Promedio Mvil Simple debido al hecho
que suma los precios de cierre del perodo actual al perodo anterior, dando as
ms peso a los ltimos perodos de precio.
El perodo es uti lizado para determi nar el peso relativo que debera ser
asignado a perodos previos.
La frmula es utilizada para determinar el porcentaje.
Promedio Mvil Suavizado (SMMA):
Debido a que el indicador del Promedio Mvil Suavizado, suavi za el promedio
mvil por medio de la asignacin de mismos pesos a precios pasados que a
precios recientes, es recomendable utili zar el SMMA con perodos ms largos
de tiempo para mejores resultados
Promedio Mvil Ponderado Lineal (LWMA)
Un Promedio Mvil Ponderado se calcula a travs de la multiplicacin de de
cada perodo de tiempo anterior por un peso. El peso est basado en el
nmero de das del promedio mvil.
Un Promedio Mvil Ponderado Lineal, da ms peso a informacin ms reciente
que a datos ms antiguos.
El hecho de que es medido linealmente significa que el dato ms antiguo recibe
un valor de 1, luego el dato que le sigue, un valor de 2, luego el dato que le
sigue un valor de 3 y as sucesivamente, hasta que el ltimo dato recibe un
peso equivalente al perodo.
As que en un LWMA de 25, el peso del primer da es 1, mientras que el peso
del da ms reciente es de 25. Esto da 25 veces ms peso al precio de hoy que
al de hace 25 das.
Consejos para Operar los promedios Mviles
Recuerde de SIEMPRE confirmar sus puntos de entrada y salida con otros
indicadores cuando utili za cualquiera de las estrategias anteriormente
mencionadas con promedios mviles. Estos otros indicadores pueden ser, pero
no se limitan a: MACD, Momentum, RSI, Stochastics & Precio ROC.
Las seales falsas pueden ser evitadas al utili zar perodos ms largos de
tiempo. Sin embargo, a pesar de que esto har que se generen menos seales,
las seales brindadas sern ms certeras y exactas.
Cuando inserte promedios mviles en sus grficas, utilice perodos
comnmente usados por la mayora de inversionistas de Forex. Estos perodos
pueden ser: 10, 50, 100 & 200
Algunos promedios mviles comnmente uti lizados como el EMA 200, tambin
son utili zados como ni veles de soporte o resistencia. As que cuando llegue a
este nivel especfico, est atento para observar posibles retracciones de
precios.
La suposicin fundamental para esta tcnica es que la serie de tiempo es
estable, en el sentido de que sus datos se generan mediante el siguiente
proceso constante:
y
t
= b+e
t
donde b es un parmetro constante desconocido estimado a partir de
los datos histricos. Se supone que el error aleatorio e
t
tiene un valor esperado
cero y una varianza constante. Adems, los datos para los diferentes periodos
no estn correlacionados.

La tcnica del promedio mvil supone que las n observaciones ms recientes
son igualmente importantes en la estimacin del parmetro b. As, en un
periodo actual t, si los datos para los n periodos ms recientes son y
t-n+1
, y
t-
n+2
,...e y
t
, entonces el valor estimado para el periodo t+1 se calcula como
y
t+1
= (y
t-n+1
+ y
t-n+2 +...+
y
t)
/n
No hay una regla exacta para seleccionar la base del promedio mvil, n. Si las
variaciones en la variable permanecen razonablemente constantes en el
tiempo, se recomienda una n grande. De otra forma, se aconseja un valor de n
pequeo si la variable muestra patrones cambiantes. En la prctica, el valor de
n flucta entre 2 y 10.
Ejemplo.
La demanda (en nmero de unidades) de un artculo de inventario durante los
pasados 24 meses se resume en la tabla. Utilice la tcnica del promedio mvil
para pronosticar la demanda del siguiente mes (t= 25)
TABLA
Mes, t Demanda, y
t
Mes, t Demanda, y
t

1 46 13 54
2 56 14 42
3 54 15 64
4 43 16 60
5 57 17 70
6 56 18 66
7 67 19 57
8 62 20 55
9 50 21 52
10 56 22 62
11 47 23 70
12 56 24 7
Si utili zamos n = 3, la demanda estimada para el siguiente mes (t = 25) ser
igual al promedio de las demandas para los meses 22 al 24, es
decir, 62+70+723=68.
EJERCICIOS DE APLICACIN
Solucione los siguientes ejercicios:
1. La demanda de un artculo en unidades en los ltimos 5 aos se describe a
conti nuacin:


Utilice la tcnica del promedio mvil con k= 3 para estimar el nmero
de unidades que se proyectan de demanda para el ao 2009 y 2010.
2. El nmero de estudiantes matriculados en los ltimos 4 aos en una
institucin de educacin bsica secundaria se describe a continuacin:

Mediante promedio mvi l con k= 4, pronostique el nmero de estudiantes que
se matricularan en el ao 2010 y 2011.



El mtodo de suavizacin exponencial es un mtodo de promedio
mvil ponderado muy refinado que permite calcular el promedio de
una serie de tiempo, asignando a las demandas recientes mayor
ponderacin que a las demandas anteriores. Es el mtodo de
pronstico formal que se usa ms a menudo, por su simplicidad y por
la reducida cantidad de datos que requiere. A diferencia del mtodo
de promedio mvil ponderado, que requiere n periodos de demanda
pretrita y n ponderaciones, la suavizacin exponencial requiere
solamente tres tipos de datos: el pronstico del ltimo periodo, la
demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor
flucta entre 0 y 1.0. Para elaborar un pronstico con suavizacin
exponencial, ser suficiente que calculemos un promedio ponderado
de la demanda ms reciente y el pronstico calculado para el ltimo
periodo. La ecuacin correspondiente a este pronstico es:
F
t+1
= (demanda para este periodo) + (1- ) (pronstico calculado para
el ltimo periodo)
F
t+1
= D
t
+ (1- )F
t

La siguiente ecuacin es equivalente:
F
t+1
= F
t
+ (D
t
-F
t
)
La constante de suavizacin a es un nmero entre 0 y 1 que entra
multiplicando en cada pronstico, pero cuya influencia declina
exponencialmente al volverse antiguos los datos.
Una a baja de ms ponderacin a los datos histricos. Una a de 1 refleja una
ajuste total a la demanda reciente, y los pronsticos sern las demandas reales
de los periodos anteriores.
La seleccin de a depende de las caractersticas de la demanda. Los valores
altos de a son ms sensibles a las fluctuaciones en la demanda.
Los valores bajos de a son ms apropiados para demandas relati vamente
estables (si n tendencia o ciclicidad), pero con una gran cantidad de variacin
aleatoria.
La suavi zacin exponencial simple es un promedio suavi zado centrado en el
periodo presente. No se puede extrapolar para efectos de tendencia, por la que
ningn valor de a compensar completamente la tendencia en los datos.
Los valores ordi narios de a varan entre 0.01 y 0.40. Los valores bajos de a
disminuyen efecti vamente la variacin aleatoria (ruido - dispersin).
Los valores altos son ms sensibles a cambios en la demanda (introducciones
de nuevos productos y error buscando cul valor reduce el error del pronstico.
Esto puede hacerse fcilmente modelando el pronstico en un programa de
cmputo, tratando con diferentes valores de a.
Un valor de a que proporcione aproximadamente un grado equi valente de
suavizacin tanto como un promedio mvi l de un periodo es a = 2 / (n + 1)
Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente
es igual al pronstico del periodo actual ms una proporcin del error del
pronstico correspondiente al mismo periodo actual.
Para poner en marcha la suavi zacin exponencial se requiere un pronstico
inicial. Hay dos formas de reali zar este pronstico inicial: Usar la demanda del
ltimo periodo, o bien, se dispone de datos histricos, calcular el promedio de
varios periodos recientes de demanda. El efecto de la estimacin i nicial del
promedio sobre las estimaciones sucesi vas del mismo disminuye a lo largo del
tiempo porque, con la suavi zacin exponencial, las ponderaciones asignadas a
las demandas histricas sucesi vas, que se utili zan para calcular el promedio,
disminuyen exponencialmente.
Ejemplo:

Una empresa usa suavizacin exponencial simple con a = 0.1 para pronosticar
la demanda. El pronstico para la semana de octubre 1 fue de 500 unidades,
mientras que la demanda real fue de 450 unidades
a) Pronosticar la demanda de la semana de Octubre 8
b) Supngase que demanda real durante la semana de octubre 8 fue de
505 unidades. Pronostique la demanda de lasemana de octubre 15. Continese
pronosticando hasta noviembre 12 suponiendo que las demandas
subsecuentes fueron realmente 516, 488, 467, 554 y 510.
Solucin
a) Pronosticar la demanda de la semana de Octubre 8
Ft = Ft-1 + a (At-1 - Ft-1)
F
t
= 500 + 0.1 (450 - 500)
F
t
= 495 unidades
b) Arreglando el procedimiento en forma tabular
Valor a 0.1
Semana Demanda
real
Pronstico
anterior
Error del
pronstico
Factor Correccin Pronostico
suavizado

At-1 Ft-1 At-1 - Ft- 1 a a (At-1 - Ft-
1)
Ft = Ft-1 +
a (At-1 - Ft-
1)
1 450 500
-50
0.1 -5 495
8 505 495 10 0.1 1 496
15 516 496 20 0.1 2 498
22 488 498 -10 0.1 -1 497
29 467 497 -30 0.1 -3 494
5 554 494 60 0.1 6 500
12 510 500 10 0.1 1 501
Lo idneo y deseable es comparar con otros ni veles de a y graficar para poder
hacer un anlisis
Semana Demanda
real
Pronstico
anterior
Error del
pronstico
Factor Correccin Pronostico
suavizado

At-1 Ft-1 At-1 - Ft- 1 a a (At-1 - Ft-
1)
Ft = Ft-1 +
a (At-1 - Ft-
1)
0ct-01 450 500 -50 0.3 -15 485
8 505 485 20 0.3 6 491
15 516 491 25 0.3 8 499
22 488 499 -11 0.3 -3 495
29 467 495 -28 0.3 -9 487
Nov-05 554 487 67 0.3 20 507
12 510 507 3 0.3 1 508
Valor a 0.6
Semana

Demanda
real
Pronstico
anterior
Error del
pronstico
Factor Correccin Pronostico
suavizado

At-1 Ft-1 At-1 - Ft- 1 a a (At-1 - Ft-
1)
Ft = Ft-1 +
a (At-1 - Ft-
1)
0ct-01 450 500 -50 0.6 -30 470
8 505 470 35 0.6 21 491
15 516 491 25 0.6 15 506
22 488 506 -18 0.6 -11 495
29 467 495 -28 0.6 -17 478
Nov-05 554 478 76 0.6 45 524
12 510 524 -14 0.6 -8 515


EJERCICIOS DE APLICACIN
1. Karls Copiers vende y repara mquinas de fotocopiado. El gerente
necesita pronsticos semanales de las solicitudes de servicios, a fin
de poder programar las actividades de su personal de servicio. El
pronstico correspondiente a la semana del 3 de julio fue de 23
llamadas para servicio. El gerente aplica la suavizacin exponencial
con = 0.25. Pronostique usted el nmero de llamadas para servicio
correspondientes a la semana del 7 de agosto, suponiendo que sta
sea la semana prxima.

2. Los siguientes datos corresponden a las calculadoras vendidas (expresadas
en unidades) en una tienda de electrnica durante las ltimas 5 semanas.

Aplique la suavizacin exponencial con = 0.2, para pronosticar las ventas
correspondientes a las semanas 3 a 6.

MEDICIONES DE RENDIMIENTO PARA EVALUAR MODELOS DE
PRONSTICO.
Error Pronstico:
Habitualmente en los casos para proyectar un buen pronstico se debe contar
con excelentes instrumentos, metodologas y experiencia; ya que el mercado
actual es muy cambiante, dinmico y en muchas ocasiones tiende a tener
muchos componentes aleatorios, lo que conlleva a que pronosticar sea una
labor compleja. Por tal motivo cantidades de empresas de hoy en da, han
creado puestos y departamentos dedicados a pronosticar la demanda.
Debido a que un pronstico es una estimacin se debe tener una tcnica de
desempeo de est, ya que esta tcnica ayudara a determi nar cual es el mejor
mtodo de pronsticos en el caso que se quiera evaluar varios, y para revisar
su desempeo en el tiempo en bsqueda de mejorarlo.
Es importante utili zar una tcnica de estimacin del desempeo (estimacin del
error) comn, y no utili zar medidas propias, ya que en general las medidas
propias hacen que se pierda objeti vidad 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,
debido a que lo importante es no tener mucho i nventario.
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.
Estos errores y muchos mas no miden correctamente el desempeo del
pronstico, y en muchos casos dan la sensacin de que el pronstico est bien,
mientras por el contrario en la realidad no lo est.
La cantidad por la cual la demanda real difiere de la demanda pronosticada.
Existen tres mediciones de funcionamiento para evaluar un modelo de
pronstico en el que Dt es la demanda real en el periodo t y Ft, es la demanda
pronosticada en el periodo t, encontramos:
RMSE: Error medio cuadrado
MAE: Error medio absoluto
MAPE: Error medio porcentual
EJEMPLO.
Se ha desarrollado un modelo de pronstico para predecir las ventas
mensuales de un modelo particular de carro basndose en los siguientes datos
de los 6 meses anteriores, donde hallaremos error de pronstico, error medio
cuadrado (RMSE), error medio absoluto (MAE), error medio porcentual(MAPE)




Como las ventas pronosticadas no son iguales que las ventas reales como
podemos calcular el error de pronstico:

Los errores de pronostico (+) i ndican que la demanda real excede el pronstico
y los errores (-) significan que la demanda est por debajo del pronstico.
Ahora hallaremos RMSE y tenemos:

RMSE = 72/6 = 3,46
MAE = 18/6 = 3
MAPE = 28/6 = 4,66
A continuacin los invito a ver este video en donde se desarrolla un ejercicio de
error de pronstico.