Instituto Tecnológico

de Aguascalientes

DEPTO DE INGENIERIA INDUSTRIAL

ADMINISTRACIÓN DE
OPERACIONES I

Teoría y Sistemas de Pronósticos

JORGE H. GONZALEZ JUAREZ

AGOSTO 2018
 COMO HACER PRONOSTICOS CON EXCEL

La previsión proporciona los datos básicos en términos de la concepción y la

administración de las operaciones; es cuantitativa y cualitativa. Las previsiones relativas a la
demanda constituyen elementos de información que sirven para planificar y controlar el sistema.
Para llevar a cabo este proceso del modo más eficiente debe saber no sólo qué ha de producir,
sino también cuándo, en qué cantidad y a qué precio. Resulta útil por consiguiente tener un
pronóstico de la demanda del producto por parte del medio ambiente.

El pronóstico es un proceso de estimación de un acontecimiento futuro, proyectando

hacia el futuro datos del pasado. Los datos del pasado se combinan sistemáticamente en forma
predeterminada para hacer una estimación del futuro.

Pronosticar es el arte y ciencia de predecir eventos futuros.

Métodos cuantitativos para los pronósticos

Para predecir, las buenas estimaciones subjetivas pueden obtenerse a partir de la

habilidad, experiencia y buen juicio del administrador a cargo, para pronosticar, se requieren
técnicas estadísticas y de la ciencia administrativa.

Los pronósticos cuantitativos manejan una variedad de modelos matemáticos que

utilizan datos históricos y/o variables causales para pronosticar la demanda. Los métodos
cuantitativos para pronosticar son los siguientes:

Modelos de series de tiempo Modelo causal

1. Promedio Simple 5. Regresión simple

2. Promedios móviles 6. Regresión múltiple
3. Suavización exponencial
4. Proyección de tendencia
Modelos de Series de tiempo
Modelos de series de tiempo. Pronostican a partir de la suposición de que el futuro es una
función del pasado. En otras palabras, ellos ven lo que ha pasado en un periodo de tiempo y usan
una serie de datos pasados para hacer el pronóstico. Si se hace un pronóstico para el mes
siguiente se utilizan los datos de los meses anteriores.

Una serie de tiempo se basa en la secuencia de puntos de datos separados de manera

uniforme (semanal, mensual, semestral, anual, etc.) El pronóstico en series de tiempo implica que
los valores futuros se predicen únicamente a partir de valores pasados, y que otras variables se
ignoren, no importa que tan valiosas sean.

Promedio Simple.

Muchos modelos emplean datos históricos para calcular un promedio de la demanda

pasada, promedio que es luego utilizado como pronóstico. Existen muchas maneras de calcular
un promedio de las cuales se presentan aquí algunas. Un promedio simple, es el de datos
históricos en donde la demanda de todos los períodos previos son ponderados con igual peso. Se
calcula como sigue:

Promedio Simple (PS) = Suma de las demandas de todos los períodos pasados
Número de períodos

PS = D1 + D2 + ... + Dn
n

en donde: D1 = demanda que se presentó hace n períodos

D2 = demanda que se presentó hace dos períodos
D3 = demanda del período más reciente

EJEMPLO: La demanda total para un nuevo tipo de soldadura ha sido igual a 40, 50 y 60
toneladas en los últimos meses, ¿Cuál sería la demanda estimada para este mes?

PS = D1 + D2 + D3 = 40 + 50 + 60 = 50 toneladas
n 3
Promedio simple móvil

Un promedio simple móvil también combina los datos de la demanda de los períodos
anteriores y su promedio se toma como el pronóstico para el período siguiente. Se puede usar un
promedio móvil con tres períodos o un promedio móvil con veinte períodos, pero Una vez que se
ha seleccionado el número de períodos que hacia el pasado vayan a emplearse en los cálculos,
éste se mantiene constante y se ponderan las demandas con peso igual para determinar el
promedio. El promedio se mueve sobre el tiempo, en el sentido de que después de que finaliza
cada período, se descarta la demanda del período más lejano y se agrega para el cálculo
siguiente la demanda del período más reciente. Los promedios móviles son un pronóstico útil y
sencillo y se utilizan para hacer pronósticos a corto y mediano plazo, esto es, si un pronóstico se
requiere semanal o mensualmente.

Ejemplo: Con los datos siguientes determinar el pronóstico utilizando promedios móviles con 3
unidades de tiempo y 4 unidades de tiempo para el periodo 14.

PERIODO DEMANDA PRONOSTICO PRONOSTICO

3 PERIODOS 4 PERIODOS
1 800
2 1120
3 1000
4 1200 973.33
5 1240 1106.67 1030.00
6 1280 1146.67 1140.00
7 1200 1240.00 1180.00
8 1280 1240.00 1230.00
9 1440 1253.33 1250.00
10 1480 1306.67 1300.00
11 1520 1400.00 1350.00
12 1520 1480.00 1430.00
13 1640 1506.67 1490.00
14 1560.00 1540
PRONOSTICO CON 3 PERIODOS

800 + 1120+1000 = 2920 / 3 = 973.33

1120+1000+1200 = 3320 / 3 = 1106.67
1000+1200+1240 = 3440 / 3 = 1146.67 (y así sucesivamente...)
1520+1520+1640 = 4680 / 3 = 1560.00
Promedio Móvil Ponderado

En algunas ocasiones el analista desea utilizar un promedio móvil pero no quiere que todos
los n períodos tengan el mismo peso. Un modelo de promedio móvil ponderado (PMP) es uno que
incluye alguna ponderación para la demanda de los períodos pasados pero que no es igual para
todos los que se están considerando.

PMP = ∑(D1P1 + D2P2 + D3P3 + DnPn)

∑P

El modelo permite darle una ponderación desigual a las demandas pasadas. Si n es igual a
tres períodos, por ejemplo podría dársele al período más reciente un peso que fuera igual al
doble de los otros períodos haciéndose

Una ventaja de este modelo es que permite, con una adecuada selección de los
coeficientes P compensar por tendencia o por estacionalidad. Es claro que el analista tiene que
escoger los coeficientes y ésta es una selección crítica para el éxito o fracaso del modelo.

Problema: Un hospital emplea un método de pronóstico de promedio móvil ponderado de 6

meses para estimar sus posibles requerimientos de medicinas y ropa de cirugía. La demanda real
de un artículo es la que se muestra en la siguiente tabla y la ponderación para el último periodo es
al doble de los periodos anteriores (ponderado móvil de orden tres)

MES DEMANDA PONDERACION PRONOSTICO

1 78
2 65
3 90
4 72 1 72
5 80 1 80
6 101 1 101
7 84 1 84
8 60 1 60
9 73 3 219
10 8 616/8=77
Suavización exponencial

El modelo de suavizado exponencial es un método de pronóstico fácil de usar. Utiliza sólo

el último pronóstico, la demanda real actual y el factor alfa para los periodos para los cuales se
hace el pronóstico de la demanda.

El suavizado exponencial proporciona un solo factor, de ponderación, el alfa, que puede

tener un valor mayor que 0 y menor que 1.0. El cero se excluye porque no indicaría ningún
cambio en la predicción original con el tiempo; un alfa de 1 se excluye porque daría como
resultado el 100% de ponderación de la diferencia y rendiría una predicción equivalente a la
demanda actual, perdiendo así sus características niveladoras.

Cuando se conoce la demanda real para el periodo anterior, se actualizan las estimaciones
y se tiene la siguiente formula de la ordenada

Ft = DT -1 + (1 - ) FT -1

Para obtener un suavizado doble en el tiempo T, se necesitan los valores de FT -1 y TT -1 .

Problema: Los embarques anuales (en toneladas) de alambre de soldadura de un productor de

aluminio a fabricantes de maquinaria se muestran a continuación. Utilizando un  de 0.4 calcular
el pronóstico para el mes 12 del embarque de dichas toneladas y convierta ese pronóstico en
pesos si por mayoreo se vende a $ 7.50 el kilo (7,500 tonelada)
PERIODO EMBARQUE PRONOST.
1 2
2 3 2.50
3 6 2.70
4 10 4.02
5 8 6.41
6 7 7.05
7 12 7.03
8 14 9.02
9 14 11.01
10 18 12.21
11 19 14.52
12 16.31

16.31 x 7,500 = 122,325

Tendencia lineal

El último método de pronóstico de series de tiempo que se verá es el de análisis con

tendencia. Este método nos sirve para extrapolar la demanda histórica pasada. Se utiliza a
menudo cuando se hacen ajustes a corto plazo en niveles de producción e inventarios. Esta
técnica ajusta una línea de tendencia a una serie de datos históricos, y entonces proyecta la línea
hacia el futuro para realizar previsiones a mediano o largo plazo.

Se podrían desarrollar diferentes ecuaciones matemáticas tendenciales (por ejemplo,

exponencial y cuadrática), pero en este tema se desarrollarán solamente las tendencias lineales
(línea recta). Si se decide desarrollar una línea de tendencia recta mediante un método
estadístico preciso, se puede aplicar el método de mínimos cuadrados. Para aplicar este
método en pronósticos, es necesario saber que:

Una línea recta se define con la ecuación:

Y = a + bx

La cual expresada en términos de pronósticos es:

Tx = a + bx
donde:
Tx = valor calculado de la variable a predecir (llamada la variable dependiente).
a = ordenada en el origen,
b = pendiente de la línea de regresión (o rango de cambio en y para cambios dados en x),
x = la variable independiente (que en este caso es el tiempo)

Profesionales de las estadísticas han desarrollado ecuaciones que pueden ser utilizadas
para encontrar los valores de las variables a y b, en cualquier línea de regresión. La pendiente b
se encuentra por:
b = xy – n x y
x2 – n (x)2

donde:
b = pendiente de la línea de regresión
 = signo de sumatoria
x = valores de la variable independiente
y = valores de la variable dependiente
x = el promedio de los valores de las x
y = el promedio de los valores de la y
n = el número de puntos de datos, eventos u observaciones

Se puede calcular la intersección de a con y como sigue:

a=y -bx

Ejemplo. La demanda para la energía eléctrica en una capital en el periodo 2008 - 2014 se
muestra a continuación, en megawatts. Pronosticar la demanda de 2015 y ajustar una línea recta
con tendencia a estos datos. (Render-Heizer, 178)
 Año Demanda de energía elec
2008 74
2009 79
2010 80
2011 90
2012 105
2013 142
2014 122
Con una serie de datos en el tiempo, se puede minimizar los cálculos mediante la
transformación de los valores de x (tiempo) a números más simples. Por lo tanto, en este caso, se
puede designar a 2008 como año 1, 2009 como año 2, y así sucesivamente.
Año Periodo x Dem energ eléct y x2 xy
2008 1 74 1 74
2009 2 79 4 158
2010 3 80 9 240
2011 4 90 16 360
2012 5 105 25 525
2013 6 142 36 852
2014 7 122 49 854
n=7 x = 28 y = 692 x2 = 140 xy = 3063
 x = x = 28 = 4 y = y = 692 = 98.86
n 7 n 7

b = xy – n x y = 3063 - (7)(4)(98.86) = 295 = 10.54

x2 - n( x )2 140 - (7)(4)2 28

a = y - b x = 98.86 - 10.54(4) = 56.70

Sustituyendo a y b en 1 Tx = a + bx Tx = 56.70 + 10.54x.

(Demanda en 2015, x = 8) Tx = 56.70 + 10.54x = 56.70 + 10.54(8)

= 141.02, o 141 megawatts

Se puede estimar la demanda para 2016 al insertar x = 9 en la misma ecuación

(Demanda en 2016) = 56.70 + 10.54(9) = 151.56, o 152 megawatts

Modelos Causales

Modelos causales. La regresión lineal, un modelo causal, considera diferentes variables que
están relacionadas con la cantidad de la que se está haciendo la predicción.

Deben considerarse muchos factores en el análisis causal. Por ejemplo, la demanda de

periódicos puede relacionarse con la población, la actividad económica y el ingreso per capita; la
temperatura promedio con el verano y la hora; las ventas de computadores PC de IBM podrían
relacionarse con el presupuesto de publicidad de IBM. En este caso, las ventas de computadores
PC se llamarían variable dependiente y las otras se llamarían variables independientes.

Puesto que los métodos causales relacionan la demanda con una o más variables
independientes distintas a los periodos de tiempo, es posible predecir la ocurrencia de puntos de
cambio y los cambios fundamentales en los patrones de demanda.

Para llevar a cabo un análisis de regresión lineal puede utilizarse el mismo modelo
matemático de mínimos cuadrados empleado en el método de proyección de tendencia.

Ejemplo: el gerente de un hotel relaciona las cifras de ventas de alimentos y bebidas del
restaurant de un hotel con el número de huéspedes registrados en cada semana. Si se tienen
registrados 20 huéspedes para la semana siguiente, de cuanto se espera que sean las ventas

Semana Huéspedes Ventas del

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

Semana Huéspedes Ventas del

n X restaurant XY X2
Y
1 12 270 3240 144
2 16 330 5280 256
3 14 300 4200 196
4 18 380 6840 324
n=4 X = 60 Y = 1280 XY=19560 X2 =920
x = x = 60 = 15 y = y = 1280 = 320
n 4 n 4
Haciendo el cálculo de b y a, donde los huéspedes son X y las ventas son Y para la semana t.

b = xy – nx y = 19560 - (4)(15)(320) = 360 = 18

x2 - n(x)2 920 - (4)(15)2 20

a = y - bx = 320 – 18(15) = 50

para x = 20 la ecuación de regresión es Tx = a + bx

X = 20

Clientes
registrados
= 50 + 18 x = 50 + 18 (20) = 50 + 360 = 410 ventas de $410