PRONOSTICO

Pronosticar: Es el arte y la ciencia de

predecir los eventos futuros. Para ello se
pueden usar datos histricos y su
proyeccin hacia el futuro mediante algn
tipo de modelo matemtico.
 Horizonte de tiempo del Pronstico

Pronstico a corto Plazo: hasta 1 ao, pero casi siempre es menor

que 3 meses. Ej: planear compras, programar el trabajo, determinar
niveles de mano de obra, asignar el trabajo y decidir los niveles de
produccin.

Pronstico a mediano plazo: de 3 meses a 3 aos. Ej: planear las

ventas, la produccin, el presupuesto.

Pronstico a largo plazo: 3 aos o ms Ej: planear nuevos

productos, gastos de capital, ubicacin o ampliacin de las
instalaciones
Los 7 Pasos de un Pronstico

1.- Determinar el uso del pronstico

2.- Seleccionar los aspectos que se deben pronosticar.

3.- Determinar el horizonte del pronstico

4.- Seleccionar los modelos de pronstico

5.- Reunir los datos necesarios para elaborar el pronstico

6.- Obtener el pronstico

7.- Validar e implantar los resultados

Enfoques de Pronsticos

Jurado de opinin de
Ejecutivos
Mtodos Cualitativos Mtodo Delphi

Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo

Enfoque intuitivo
Promedios Mviles (*) Modelos
Mtodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyeccin de tendencias (*)
Modelo
Regresin Lineal (*) asociativo
Enfoques de Pronsticos

Jurado de opinin de
Ejecutivos
Mtodos Cualitativos Mtodo Delphi

Composicin de la fuerza
de ventas
Encuesta en el mercado
de consumo

Enfoque intuitivo
Promedios Mviles (*) Modelos
Mtodos Cuantitativos de series
Suavizamiento exponencial (*) de tiempo
Proyeccin de tendencias (*)
Modelo
Regresin Lineal (*) asociativo
 1.- Promedios Mviles.

Promedio Mvil = Demanda en los n periodos anteriores

Promedio Mvil Ponderado = (ponderacin para periodo n) (demanda en periodo n)

ponderaciones
 Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la
columna central de la siguiente tabla. A la derecha se da el promedio
mvil de tres meses.
Ventas Reales de Promedio Mvil de 3
Mes Cobertizos meses

Enero 10
Febrero 12
Marzo 13
Abril 16 (10+12+13)/3 = 112/3
Mayo 19 (12+13+16)/3 = 13 2/3
Junio 23 (13+16+19)/3 = 16
Julio 26 (16+19+23)/3=19 1/3

Agosto 30 (19+23+26)/3 = 22 2/3

Septiembre 28 (23+26+30)/3= 26 1/3

Octubre 18 (26+30+28)/3= 28
Noviembre 16 (30+28+18)/3 = 25 1/3
Diciembre 14 (28+18+16)/3 = 20 2/3

Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos
en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico
para enero = (18+16+14)/3 = 16
Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de
cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada Periodo
3 ltimo mes o ms reciente
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones

Ventas Reales de Promedio Mvil

Mes Cobertizos Ponderado de 3 meses

Enero 10
Febrero 12
Marzo 13
Abril 16 (3x13)+(2x12)+(10) /6 = 12 1/6
Mayo 19 (3x16)+(2x13)+(12) /6 = 14 1/3
Junio 23 (3x19)+(2x16)+(13) /6 = 17
Julio 26 (3x23)+(2x19)+(16) /6 = 201/2

Agosto 30 (3x26)+(2x23)+(19) /6 = 235/6

Septiembre 28 (3x30)+(2x26)+(23) /6 = 271/2

Octubre 18 (3x28)+(2x30)+(26) /6 = 281/3

Noviembre 16 (3x18)+(2x28)+(30) /6 = 231/3

Diciembre 14 (3x16)+(2x18)+(28) /6 = 18 2/3
 30

Promedio mvil
ponderado
Demanda de Ventas

25
Promedio mvil

20

Ventas reales
15

10

Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic

Mes
2.- Suavizamiento Exponencial.

Nuevo pronstico = pronstico del periodo anterior + (demanda real en

mes anterior pronstico del periodo anterior)

matemticamente, se puede escribir as:

Ft = Ft-1 + (At-1 - Ft-1 )

Ft = nuevo pronstico
F t-1 = pronstico anterior
: es la ponderacin, o constante de suavizado, elegida por quien
pronostica, que tiene un valor entre 0 y 1.(0 < < 1 )
A t-1 = demanda real en el periodo anterior
 Ejemplo: En Enero, un distribuidor de automviles predijo que la
demanda para Febrero sera de 142 camionetas Ford. La demanda
real de febrero fue de 153 autos. Si empleamos la constante de
suavizado que eligi la administracin , = 0,20, podemos pronosticar
la demanda de marzo mediante el modelo de suavizamiento
exponencial. Sustituyendo los datos del ejemplo en la frmula,
obtenemos. (suavizamiento exponencial)

Nuevo pronstico (para la demanda de marzo) = 142 + 0,20 (153 142) =

142 + 2,2 = 144,2

siempre ser dada. Se encuentra en un intervalo entre 0,05

y 0,50.

Si es alta, o sea 0,5 el pronstico se basa en los datos ms recientes.

Si es baja, o sea 0,1el pronstico da poca importancia a la demanda reciente y
toma en cuenta los valores histricos de muchos perodos.
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 Ft denota el pronstico en el periodo t, y At 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 - Ft
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

Veamos un ejemplo
Durante los ltimos 8 trimestres, el Puerto de Valparaso ha descargado de los
barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver que tan bien funciona la
tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue 175 toneladas. Se examinan dos
valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para = 0,10
Pronstico Pronstico
Toneladas
Redondeado con Redondeado con
reales
Trimestre descargadas = 0,10 = 0,50

1 180 175 Pronstico del periodo Pronstico del 175

anterior periodo anterior

2 168 176 = 175 + 0,10 ( 180 175) Demanda 178

real en

3 159 175 = 175,50+0,10 (168 175,50)

periodo
anterior
173

4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170

6 205 175 = 173,36+0,10(190-173,36) 180

7 180 178= 175,02+0,10(205-175,02) 193

8 182 178 = 178,02 + 0,10 (180-178,02) 186

9 ? 179 = 178,22 + 0,10 (182-178,22) 184

Para evaluar la precisin de ambas constantes de suavizado, calculamos
los errores de pronstico en trminos de desviaciones absolutas y MAD

Toneladas Pronstico Desviacin Pronstico Desviacin

reales Redondeado Redondeado
Absoluta Absoluta
Trimestre
Descargadas con =0,10 Para =0,10 con =0,50 Para =0,50

1 180 175 5 175 5

2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
Suma de desviaciones absolutas 84 100

MAD = desviaciones 12,50

10,50
n

Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que su
MAD es ms pequea.
Se debe encontrar la constante de suavizado con el menor error de pronstico.
 Error cuadrtico Medio (MSE): Es una segunda forma de medir el
error global del pronstico. El MSE es el promedio de los
cuadrados de las diferencias entre los valores pronosticados y
observados. Su frmula es:

MSE = (errores de pronstico)

n

Sigamos con el ejemplo del Puerto

de Valparaso para determinar el
MSE
 Toneladas Pronstico
reales Redondeado 2
Trimestre (Error)
Descargadas con =0,10

2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) = 256
4 175 173 (2)2 = 4
2
5 190 173 17 = 289
2
6 205 175 30 = 900
2
7 180 178 2 =4
2
8 182 178 4 = 16
Suma de los cuadrados de los errores 1.558

2
MSE = (errores de pronstico)
= 1.558 / 8 = 194,75
n

Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor
eleccin por que se minimiza el MSE.
 Error porcentual absoluto medio (MAPE): Este se calcula como el
promedio de las diferencias absolutas entre los valores pronosticados
y los reales y se expresa como porcentaje de los valores reales. Es
decir, si hemos pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:

n
100
MAPE = real i - pronstico i / real i
i=1

Sigamos con el ejemplo del Puerto

de Valparaso para determinar el
MAPE
 Toneladas Pronstico Error porcentual
reales Redondeado Absoluto
Trimestre
Descargadas con =0,10 100 ( error / real)

1 180 175 100(5/180) = 2,77%

2 168 176 100(8/168) = 4,76%
3 159 175 100(16/159) = 10,06%
4 175 173 100(2/175) = 1,14%
5 190 173 100(17/190) = 8,95%
6 205 175 100(30/205) = 14,63%
7 180 178 100(2/180) = 1,11%
8 182 178 100(4/182) = 2,20%

Suma de errores porcentuales = 45,62%

MAPE = errores porcentuales absolutos = 45,62% = 5,70%

n 8
 3.- Proyeccin de Tendencias
Mtodo de pronstico de series de tiempo que ajusta una recta de
tendencia a una serie de datos histricos y despus proyecta la
recta al futuro para pronosticar.
A travs del mtodo de Mnimos Cuadrados, encontramos la recta
que mejor se ajuste a las observaciones reales.

Una recta de mnimos cuadrados se describe en trminos de su

ordenada o interseccin con el eje y y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta
con la siguiente ecuacin:

y = a + b x
y y gorro = valor calculado de la variable que debe predecirse (variable dependiente)

a = ordenada

b = pendiente de la recta de regresin (o la tasa de cambio en y para los cambios dados en x)

X = variable independiente (Ej: tiempo)
Los profesionales de estadsticas han desarrollado ecuaciones que se
utilizan para encontrar los valores de a y b para cualquier recta de
regresin. La pendiente b se encuentra mediante:

xy - n x y
b =
x - nx
2 2

donde:
b = pendiente de la recta de regresin

= signo de suma

x = valores conocidos de la variable independiente

y = valores conocidos de la variable dependiente
x = promedio del valor de las x
y = promedio del valor de las y
n = nmero de datos puntuales u observaciones.
Calculamos la ordenada a cmo sigue:

a= y - bx

Veamos un ejemplo para aplicar estos

conceptos:
A continuacin se muestra la demanda de energa elctrica en la
ciudad de Puerto Montt, durante el ao 1997 al 2003, en kilowatt.
El Jefe de Operaciones de la empresa SAESA, debe pronosticar la
demanda para el 2004 ajustando una recta de tendencia a estos datos.

Demanda de
Ao Energa Elctrica

1997 74
1998 79
1999 80
2000 90
2001 105
2002 142
2003 122
Para simplificar, transformamos los valores de x (tiempo) en nmeros
ms sencillos, como 1,2,3,4

Demanda de
energa
2
Ao Periodo (x) Elctrica (y) x xy

1997 1 74 1 74
1998 2 79 4 158
1999 3 80 9 240
2000 4 90 16 360
2001 5 105 25 525
2002 6 142 36 852
2003 7 122 49 854
X = 28 y = 692 2
x = 140 xy = 3.063

X = 28 y = 692 = 98,86
X= =4 y=
n 7 n 7
 xy - n x y
b = = 3.063 (7) (4) (98,86) = 295 = 10,54
x - nx
2 2 2
140- (7) ( 4 ) 28

a = y - b x = 98,86 10,54 (4) = 56,70

As, la ecuacin de mnimos cuadrados para la

tendencia es y = 56,70 + 10,54 x. Para proyectar la
demanda en el 2004, primero denotamos el ao 2004
en el nuevo sistema de cdigos como x = 8.

Demanda en el 2004 = 56,70 + 10,54 (8)

= 141,02, o 141 Kilowatt.
 Estimamos la demanda para el 2005 insertando x = 9 en la misma
ecuacin:

Demanda en el 2005 = 56,70 + 10,54 (9)

= 151,56, o 152 Kilowatt.
Para comprobar la validez del modelo, graficamos la demanda histrica y la recta
de tendencia. En este caso debemos tener cuidado y tratar de comprender el
cambio en la demanda de 2002 a 2003.

Recta de tendencia y =56,70 + 10,54 x

160
Demanda de energa

150
140
130
120
110 Demanda histrica
100
90
80

70
60
50

1997 1998 1999 2000 2001 2002 2003 2004 2005

Ao
 4.- Regresin Lineal
Regresin lineal simple:
Podemos usar el mismo modelo matemtico que usamos con el mtodo
de mnimos cuadrados para la proyeccin de tendencias, con el fin de
realizar un anlisis de regresin lineal. Las variables dependientes que
deseamos pronosticar se simbolizan con y. Pero la variable independiente,
x, ya no necesita ser el tiempo. Usamos la ecuacin.

y = a + b x

y = valor calculado de la variable que debe predecirse (variable dependiente)

a = ordenada, interseccin con el eje y.

b = pendiente de la recta de regresin

X = variable independiente.

Veamos un ejemplo para mostrar cmo

usar la regresin lineal.
Los siguientes datos relacionan las cifras de ventas de un bar de un
pequeo Hotel, con el nmero de huspedes registrados esa semana:

semana Huspedes Ventas del bar

1 16 $330
2 12 270
3 18 380
4 14 300

400
Ventas del bar

350
300
250
200
150
100
50

4 8 12 16 20 Huspedes (en miles)

 2
Ventas, y Huspedes,x x xy

330 16 256 5.280

270 12 144 3.240
380 18 324 6.840
300 14 196 4.200

y = 1.280 X = 60 2
x = 920 xy =19.560

X = 60 y = 1.280 = 320
X= = 15 y=
n 4 n 4

xy - n x y
b = = 19.560 (4) (15) (320) = 360 = 18
x - nx
2 2 2
920- (4) ( 15 ) 20

a = y - b x = 320 18(15) = 50

La ecuacin de regresin estimada es, por lo tanto,

y = 50 + 18 x 0 Ventas = 50 + 18 (huspedes)
Si el pronstico es de 20 huspedes la semana siguiente de
cunto se esperan que sean las ventas?

y = 50 + 18 x 0 Ventas = 50 + 18 (huspedes)

Ventas = 50 + 18 (20)
= 410

Recta de regresin lineal Simple

400
Ventas del bar

350
300 Demanda histrica
250
200
150
100
50

4 8 12 16 20 Huspedes (en miles)

 Error estndar de la estimacin S y,x
Medida de la variabilidad alrededor de la recta de regresin,
su desviacin estndar.
El clculo se llama desviacin estndar de la regresin y mide
el error desde la variable dependiente, y, hasta la recta de
regresin, en lugar de hasta la media.

S y,x =
( y yc ) 2

n-2

donde:
y = valor de y de cada dato puntual
yc = valor calculado de la variable
dependiente, a partir de la ecuacin de
regresin.
n = nmero de datos puntuales
Esta ecuacin puede resultar ms fcil de usar. Ambas frmulas
entregarn el mismo resultado

S y,x = y 2 - a y - b xy

n-2

Recta de regresin lineal Simple

400
Ventas del bar

350
300 Demanda histrica
250
200
150
100
50

4 8 12 16 20 Huspedes (en miles)

Para calcular el error estndar de la estimacin , la nica cifra que
necesitamos es
y2
2
y

108.900
72.900
144.400
90.000

2
y = 416.200

S y,x = y 2 - a y - b xy

n-2

S y,x = 416.200 50(1.280) 18 ( 19.560)

4-2

= 60 Error estndar de la
estimacin
= 7,74 $ en ventas
 Coeficiente de correlacin para rectas de regresin

Sirve para medir o evaluar la relacin entre las dos variables

de una regresin lineal. Se expresa con la letra r.

Para calcular el valor, se utiliza la siguiente frmula:

n xy - x y
r=
2 2
2 2
n x - x n y - y

El coeficiente de correlacin r puede ser cualquier

nmero entre +1 y -1.
Cuatro valores del coeficiente de correlacin.

y y

Correlacin positiva perfecta Correlacin positiva r= 0< r <1

r= +1

X X
y y

X X
Correlacin negativa perfecta
No hay Correlacin r= 0
r= -1
Siguiendo con el ejemplo, calcular el coeficiente de correlacin:

2 2
Ventas, y Huspedes,x x xy y

330 16 256 5.280 108.900

270 12 144 3.240 72.900

380 18 324 6.840 144.400

300 14 196 4.200 90.000

y = 1.280 X = 60 2 2
x = 920 xy =19.560 y = 416.200

(4) (19.560) - (60) (1.280)

r=
2 2
(4) (920)- (60) (4) (416.200)- (1.280)

= 1.440 1.440
= = 0,993619798

2.112.000 1453,27217
Correlacin positiva r= 0< r <1
 Regresin Lineal Mltiple

La regresin mltiple es una extensin prctica del modelo simple de

regresin que acabamos de ver. Nos permite construir un modelo con
varias variables independientes en lugar de slo una variable. Por
ejemplo, si en el ejemplo anterior se desea incluir el alza en los pasajes
de los huspedes, la ecuacin apropiada sera:

y = a + b 1 x 1 + b2 x 2

y = variable dependiente, ventas

a = una constante

x1 y x2 = valores de las dos variables independientes (Ej: n de huspedes y alza en los

pasajes)

b1 y b2 = coeficientes de las dos variables independientes

Las matemticas de la regresin mltiple son bastante complejas y lo usual

es que los clculos se realicen en el computador, por lo cual dejaremos las
frmulas para encontrar a, b1 y b2 a los libros de estadstica.