UNIVERSIDAD TECNOLÓGICA DE PANAMÁ

ESTADÍSTICA CON APOYO INFORMÁTICO

ANÁLISIS DE PRONÓSTICOS

Ing. Carlos I. Barría B., M.Sc.

2019

1
PRONÓSTICO
 CONCEPTO DE PRONÓSTICO

“ES UNA ESTIMACIÓN CUANTITATIVA O CUALITATIVA DE

UNO O VARIOS FACTORES (VARIABLES) QUE
CONFORMAN UN EVENTO FUTURO, CON BASE EN
INFORMACIÓN ACTUAL O DEL PASADO”.

3
 FUNCIÓN DE LOS PRONÓSTICOS

LAS TÉCNICAS DE PRONÓSTICOS DISMINUYEN LA

INCERTIDUMBRE SOBRE EL FUTURO, PERMITIENDO
ESTRUCTURAR PLANES Y ACCIONES CONGRUENTES CON LOS
OBJETIVOS DE LA ORGANIZACIÓN Y PERMITEN TAMBIÉN
TOMAR ACCIONES CORRECTIVAS APROPIADAS Y A TIEMPO
CUANDO OCURREN SITUACIONES FUERA DE LO
PRONOSTICADO.

4
 APLICACIÓN DE LOS PRONÓSTICOS
PRODUCCIÓN:
COSTO DE MATERIA PRIMA
COSTO DE MANO DE OBRA
REQUERIMIENTOS DE MANTENIMIENTO
CAPACIDAD DE PLANTA REQUERIDA

FINANZAS:
REQUERIMIENTOS DE CAPITAL
PORTAFOLIO DE INVERSIONES

MERCADOTECNIA:
TAMAÑO DEL MERCADO
PARTICIPACIÓN EN EL MERCADO
TENDENCIA DE PRECIOS
DESARROLLO DE NUEVOS PRODUCTOS
CARACTERÍSTICAS DE LOS PRONÓSTICOS

TODAS LAS SITUACIONES EN QUE SE REQUIERE

UN PRONÓSTICO TRATAN CON EL FUTURO Y EL
TIEMPO ESTA DIRECTAMENTE INVOLUCRADO.

LA INCERTIDUMBRE ES UN ELEMENTO COMÚN.

EL ADMINISTRADOR NO TIENE CERTEZA SOBRE
LAS CIRCUNSTANCIAS FUTURAS.

LA CONFIANZA EN LOS DATOS HISTÓRICOS

COMO ELEMENTO DE PRIMORDIAL.
 POR QUÉ PRONOSTICAR?

• La empresa se mueve en un contexto

altamente incierto.
• Política, tecnología y medio ambiente
repercuten sobre variables relevantes
para la empresa: costos de producción,
inventarios, volumen de ventas
• La empresa debe tomar decisiones sobre
Factores Controlables tomando en
cuenta Factores Incontrolables.
7
 FACTORES CONTROLABLES
AQUELLOS SOBRE LOS CUALES LA EMPRESA DECIDE
SU ESTRUCTURA, NIVELES, POLÍTICA Y MODO DE
OPERAR:
O NIVELES DE PRODUCCIÓN.
O NIVELES DE INVENTARIO.
O CAPACIDAD DE PLANTA.

8
 FACTORES INCONTROLABLES
AQUELLOS SOBRE LOS CUALES LA EMPRESA
NO PUEDE DECIDIR NI MODIFICAR:
DEPENDEN DE FACTORES EXTERNOS A LA
EMPRESA.

O DEMANDA DEL PRODUCTO.

O COMPETENCIA.
O ECONOMÍA.
O COMPORTAMIENTO DEL CONSUMIDOR.

9
MÁXIMA DEL PRONÓSTICO DE LA DEMANDA

LAS EMPRESAS REQUIEREN

PREDECIR FACTORES
INCONTROLABLES:MERCADO,
ENTORNO, ECONOMÍA, QUE SON
INCIERTOS, PARA DECIDIR
(PLANEAR) SOBRE FACTORES
CONTROLABLES: NIVELES DE
INVENTARIO, DE PRODUCCIÓN,
CAPACIDAD. 10
 CLASIFICACIÓN DE LOS
PRONÓSTICOS
SEGÚN EL HORIZONTE DE PLANEACIÓN

 CORTO PLAZO: hasta 1 año. Para pronosticar: compras,

programar el trabajo, programar niveles de mano de obra,
asignar el trabajo y decidir niveles de producción.

 MEDIANO PLAZO: Mayor a 1 año y hasta 3 años. Para

pronosticar: volumen de ventas, la producción, presupuesto
de ingresos y gastos, flujo de efectivo y planes operacionales.

 LARGO PLAZO: Mayores 3 años. Para pronosticar: nuevos

productos, ubicación o ampliación de instalaciones, ciencias
sociales y en investigación y desarrollo.
11
 TÉCNICAS DE PRONÓSTICOS
SEGÚN EL TIPO DE DATOS
A-Modelos Cualitativos
A-1. Método Delphi.
A-2. Datos Históricos.
A-3. Técnica de Grupo Nominal.
B-Modelos Cuantitativos.
B-1. Promedio Simple.
B-2. Promedio Móvil Simple.
B-3. Promedio Móvil Ponderado.
B-4. Suavizado Exponencial.
B-5. Análisis de Regresión (Cuantitativo Causal).
 TÉCNICAS DE PRONÓSTICOS

A-Modelos Cualitativos.
A-1. Método Delphi: es un proceso de grupo cuyo
objetivo es un pronóstico por consenso, a menudo un
pronóstico de carácter tecnológico. El proceso
requiere de un grupo de expertos internos o externos
de la empresa para recabar opiniones por escrito sobre
el punto a discusión.

Ejemplos de problemas típicos que se pueden

pronosticar con este Método:
– Cuándo escasearán los recursos clave?
– Qué nuevas técnicas de producción estarán
disponibles?
– Qué nuevos productos se necesitaran?
 PROCESO DE ELABORACIÓN DEL MÉTODO
DELPHI
Grupo Equipo Panel
De Trabajo Técnico De Expertos

Elaboración del
•Definición de los Objetivos
cuestionario No.1 Respuestas al 1ª
•Selección del panel de 1º circulación
Envió cuestionario cuestionario
expertos
No.1

Comparación de
•Análisis estadístico de respuestas respuestas.
• Adicción del análisis estadístico al 2º 2º circulación Respuesta al 2º
cuestionario y envío el 2ª cuestionario cuestionario

•Análisis estadístico final de respuestas

Conclusiones • Presentación de resultados
 TÉCNICAS DE PRONÓSTICOS

A-Modelos Cualitativos
A-2. Predicción en base a Datos Históricos: Este tipo de
pronóstico consiste simplemente en que el analista lleva
a cabo un recuento histórico del comportamiento de las
operaciones para un periodo de tiempo prudencial, el
cual considera más que suficiente para extraer sus
propias conclusiones y preparar el pronóstico acorde a
sus necesidades. En este caso especifico, revisará todos
los departamentos de su empresa que le puedan otorgar
la información necesaria para efectuar un buen
pronóstico.
 TÉCNICAS DE PRONÓSTICOS

A-Modelos Cualitativos
A-2. Predicción en base a Datos Históricos:
Por ejemplo, si se necesita predecir las ventas para un
periodo de tiempo específico, se verificará la tendencia de
estas, de por lo menos los cinco últimos años anteriores y
dicha información será extraída del departamento que a
su cargo le corresponda el registro de dichas ventas.
 TÉCNICAS DE PRONÓSTICOS

A-Modelos Cualitativos
A-3. Técnica de Grupo Nominal: Esta técnica supone
que un grupo estructurado de gente conocedora será
capaz de llegar a un pronóstico por consenso. Muy
utilizado en la Calidad Total.
A-3. Técnica de Grupo Nominal:
PROCEDIMIENTO A SEGUIR:
a) Se nombra un coordinar el cual hace pasar a un grupo
de personas comprendidas entre 7 y 10 individuos a una
sala en la cual no se esta permitido cruzar palabras entre
los participantes.
b) El coordinador edita el tema que necesita el
pronóstico en un pizarrón o en un rotafolio.
c) Los participantes efectúan una lista de ideas
individuales relacionadas con el tema del pronóstico.
A-3. Técnica de Grupo Nominal:
PROCEDIMIENTO A SEGUIR:
d) Los participantes exponen por turno una o varias
ideas del total de cada la lista y justifican la razón de
ella, un ayudante las traspasa ordenadamente en un
rotafolio de tal forma que sea visualizadas por el resto
de los participantes. El ayudante con sugerencias del
coordinador elimina aquellas ideas que se consideren
repetidas o de carácter generalista.
e) Se promueve en esta etapa del proceso, la discusión y
el debate entre los participantes para proseguir
posteriormente con la votación. La idea ganadora
representará el pronóstico por consenso.
 TÉCNICAS DE PRONÓSTICOS

B-Modelos Cuantitativos.

B-0. Enfoque intuitivo.

B-1. Promedio Simple.

MODELOS DE SERIES
B-2. Promedio Móvil Simple. DE TIEMPO

B-3. Promedio Móvil Ponderado.

B-4. Suavizado Exponencial.

MODELOS ASOCIATIVO
B-5. Análisis de Regresión lineal
O CAUSAL
 TIPOS DE MODELOS
MODELOS DE SERIES DE TIEMPO

MODELOS ASOCIATIVOS O CAUSALES

 COMPONENTES DE UNA SERIE DE
TIEMPO

1- Tendencia.

2- Estacionalidad.

3- Ciclos:

4- Variaciones aleatorias:

22
 TENDENCIA
COMPONENTE DE MUY LARGO PLAZO QUE REPRESENTA EL
CRECIMIENTO O DECRECIMIENTO DE LOS DATOS EN UN PERÍODO
EXTENDIDO

FUERZAS QUE AFECTAN Y EXPLICAN LA TENDENCIA:

 Crecimiento de la población.
 Inflación.
 Ventas de un producto en su etapa de crecimiento en el
ciclo de vida.

23
 TENDENCIA
ventas de SEARS (1955-1985)
50000

40000

30000

20000

10000

0
55 60 65 70 75 80 85

SEARS
24
 ESTACIONALIDAD
PATRÓN DE CAMBIO QUE SE REPITE AÑO CON
AÑO EN EL MISMO NÚMERO DE PERÍODOS

FUERZAS QUE AFECTAN Y EXPLICAN ESTACIONALIDAD:

O PERÍODOS ESCOLARES.
O PERÍODOS VACACIONALES.
O PRODUCTOS DE ESTACIÓN.
O ESTACIONES DEL AÑO.

Periodo del Long. de la No. De Estaciones

Patrón “Estación” en el Patrón

25
180
ESTACIONALIDAD
160

140

120

100

80

60
81 82 83 84 85 86 87 88 89 90

MURPHY 26
 CICLICIDAD
FLUCTUACIÓN ALREDEDOR DE LA TENDENCIA QUE SE
REPITE PERO A INTERVALOS DISTINTOS Y CON
AMPLITUDES DISTINTAS.

FUERZAS QUE AFECTAN Y EXPLICAN CICLICIDAD:

O PERÍODOS DE EXPANSIÓN Y DE RECESIÓN

DE LA ECONOMÍA.
O CICLOS ECONÓMICOS.

27
 CICLICIDAD
400

350

300

250

200

150

100
60 65 70 75 80 85 90

VENTAS TENDENCIA 28
 FACTOR ALEATORIO
FACTORES NO CONTROLABLES DENTRO DE UNA
SERIE DE TIEMPO.

FUERZAS QUE AFECTAN Y EXPLICAN ALEATORIEDAD

 CAMBIOS CLIMÁTICOS
 DESASTRES NATURALES
 HUELGAS
 HECHOS FORTUITOS

29
 SERIE ALEATORIA:
Generada por números
1000
aleatorios
800

600

400

200

0
5 10 15 20 25 30

ALEA 30
Descomposición de una serie
de tiempo

31
 TÉCNICAS DE PRONÓSTICOS
B-Modelos Cuantitativos (SERIES DE TIEMPO).
B-1. Promedio Simple: Un promedio simple (PS) es un promedio
de los datos del pasado en el cuál las demandas de todos los
períodos anteriores tienen el mismo peso relativo
Suma de las demandas de todos los periodos anteriores
PS 
Número de periodos de demanda

D1  D 2  D3  ...  D K
PS 
k
B-1. Ejemplo Promedio Simple:

La demanda pronosticada seria de 50 electrodos en el siguiente

trimestre.
 TÉCNICAS DE PRONÓSTICOS
B-Modelos Cuantitativos (SERIES DE TIEMPO).
B-2. Promedio Móvil Simple: Una medida móvil simple (MMS)
combina los datos de demanda de la mayor parte de los periodos
recientes, siendo su promedio el pronóstico para el periodo
siguiente. Una vez calculado el número de periodos anteriores a ser
empleado en las operaciones, se debe de mantener constante. Se
puede emplear una medida móvil de tres periodos de 20, pero una
vez que se toma la decisión hay que continuar usando el mismo
número de periodos.

Suma de las demandas anteriores de los últimos n periodos

MMS 
Número de periodos empleados en la media móvil
n

D 1
1 1 1
MMS  t 1
 D1  D 2  ...  D n
n n n n
B-2. Ejemplo de Promedio Móvil Simple:
 TÉCNICAS DE PRONÓSTICOS
B-Modelos Cuantitativos (SERIES DE TIEMPO).
B-3. Promedio Móvil Ponderado: Una medida
móvil ponderada (MMP) es un modelo de media
móvil que incorpora algún peso de la demanda
anterior distinto a un peso igual para todos los
periodos anteriores bajo consideración, la
representación de este modelo es el siguiente:

MMP  Demanda de cada periodo por un peso determinad o,

sumada a lo largo de todos los periodos en la media móvil.
n n
MMP   C t D t , donde 0  C t  1.0 y  C t  1.0
t 1 t 1
B-3. Ejemplo de Promedio Móvil Ponderado:
 TÉCNICAS DE PRONÓSTICOS
B-Modelos Cuantitativos (SERIES DE TIEMPO).
B-4. Suavizado Exponencial: Este modelo permite efectuar
compensaciones para algunas tendencias o para cierta temporada al
calcular cuidadosamente los coeficientes Ct. Si se desea se puede dar
a los meses más recientes pesos mayores y amortiguar en parte los
efectos del ruido al dar pesos pequeños a las demandas más
antiguas. El coordinador o el administrador debe escoger los valores
de los coeficientes, de su elección dependerá el éxito o fracaso del
modelo.
Pronóstico de la demanda del periodo siguiente  (Demanda más reciente)  (1- )(Pronósti co más reciente)

Ft  D t 1  (1 )Ft 1
Donde
0  1.0 y t es el periodo
B-4. Ejemplo de Suavizado Exponencial:

Coeficiente de Suavización:
-Demanda Inestable  =0.7,0.8,0.9
-Demanda Ligeramente Inestable = 0.4, 0.5, 0.6
-Demanda Estable  = 0.1,0.2,0.3

Consideraciones:
• Coeficiente de Suavización elevado >peso a demanda reciente.
• Coeficiente de Suavización elevado <peso a demanda reciente.
 TÉCNICAS DE PRONÓSTICOS
B-Modelos Cuantitativos (ASOCIATIVO O CAUSAL).
B-5. Regresión Lineal: El análisis de regresión es una técnica de
pronóstico que establece una relación entre variables. Una variable se
conoce y se usa para pronosticar el valor de una variable aleatoria
conocida. De los datos anteriores se establece una relación funcional
entre las variables. Se considera en este momento la situación de
regresión más sencilla sólo para dos variables y para una relación
funcional lineal entre ellas.
B-5. Regresión Lineal:
B-5. Ejemplo de Regresión Lineal:
Totales
10(328)  (96)30
b  0.29
10(1060)  (96) 2
30  0.29(96)
a  0.22
10
 COEFICIENTES DE
CORRELACIÓN Y
DETERMINACIÓN LINEAL
 COEFICIENTE DE CORRELACIÓN
• El coeficiente de correlación, r, presenta valores entre –1 y +1.
• Cuando r es próximo a 0, no hay correlación lineal entre las variables. La nube de puntos está
muy dispersa o bien no forma una línea recta. No se puede trazar una recta de regresión.
• Cuando r es cercano a +1, hay una buena correlación positiva entre las variables según un
modelo lineal y la recta de regresión que se determine tendrá pendiente positiva, será creciente.
• Cuando r es cercano a -1, hay una buena correlación negativa entre las variables según un
modelo lineal y la recta de regresión que se determine tendrá pendiente negativa: es decreciente.

No hay Hay correlación Correlación lineal Correlación lineal

correlación no lineal positiva negativa
r 0 r 0 r  1 r  1
CÁLCULO DEL COEFICIENTE DE
CORRELACIÓN
 EJEMPLOS REALES DE CORRELACIÓN
Temperatura Exterior vs. Costo Aislante térmico vs. Costo.

450 450 r = -0.257

400 400
r = -0.812
350 350
300 300

Costo
250
Costo

250
200 200
150 150
100 100
50 50
0 0
0 10 20 30 40 50 60 70 0 2 4 6 8 10 12 14
Temp Aislante

Antiguedad del calefactor vs. Costo Tamaño sala vs. Costo

r = 0.991
450 r =0,512
450
400 400
350 350
300 300
Costo

250
Costo
250
200 200
150 150
100 100
50 50
0 0
0 5 10 15 20 0 5 10 15 20 25
Antiguedad Tamaño
 COEFICIENTE DE DETERMINACIÓN

• Mide el poder explicativo del modelo de regresión, es decir,

la parte de la variación de Y explicada por la variación de X

• El valor de r2 ha de estar entre 0 y 1, si r2 = 0,70 significa que el

70% de la variación de Y está explicada por las variaciones de X.
Es evidente que cuanto mayor sea r2, mayor poder explicativo
tendrá nuestro modelo.
• El Coeficiente de Determinación, R2, que es el Coeficiente de
Correlación elevado al cuadrado.

• Normalmente se aceptan coeficientes de determinación > 0.70

ANÁLISIS COMPUTALIZADO
DE PRONÓSTICOS

49
PROGRAMAS PARA ELABORAR PRONÓSTICOS

O MICROSOFT EXCEL (Excel Normal y Complemento de Excel

OM- “operations management”)
O MINITAB. 15.0
O SPSS (Statistical Package for the Social Sciences : Paquete
estadístico para ciencias sociales ), ahora PASW Statistics
17.0
O SAS (statistical analysis systems «sistemas de análisis
estadístico»)

50
 MEDICIÓN DEL ERROR DEL
PRONÓSTICO

SIRVEN PARA EVALUAR LA UTILIDAD DE UNA TÉCNICA DE

PRONÓSTICOS, CALCULANDO UNA MEDIDA GLOBAL DE
LOS RESIDUOS.
RESIDUOS: LA DIFERENCIA ENTRE EL VALOR REAL DE
LA VARIABLE Y EL VALOR ESTIMADO POR EL MODELO

Error del Pronóstico = demanda real – valor pronosticado

51
 MEDICIÓN DEL ERROR
EN EL PRONÓSTICO

LAS MEDIDAS DE ERROR SE CALCULAN SOBRE UNA

RANGO DE DATOS DE PRUEBA COMÚN (a todos los
modelos) CONSTITUIDO POR K OBSERVACIONES
HISTÓRICAS Y REALIZANDO LOS PRONÓSTICOS
CORRESPONDIENTES CON LA TÉCNICA SELECCIONADA

52
 MEDICIÓN DEL ERROR DEL
PRONÓSTICO
1. DESVIACIÓN ABSOLUTA MEDIA
(MAD = Mean absolute desviation).
2. ERROR CUADRÁTICO MEDIO
(MSE = Mean squared error).
3.ERROR PORCENTUAL ABSOLUTO
MEDIO
(MAPE = Mean absolute percent error).
53
 Mad = DESVIACIÓN MEDIA
ABSOLUTA.
Su valor se calcula sumando los valores absolutos de los
errores individuales del pronóstico y dividiendo entre el
número de periodos de datos (n). Entre menor sea el MAD,
se considera el mejor pronóstico.

|Real - Pronóstico |
MAD =
n

54
 mse = error cuadrático medio.
Es el promedio de los cuadrados de las diferencias entre los valores
pronosticados y observados. Como el MSE acentúa las desviaciones
importantes. En general se prefiere tener varias desviaciones
pequeñas en lugar de una sola desviación grande.

(Real - Pronóstico ) 2
MSE =
n

55
 MAPE = error PORCENTUAL
ABSOLUTO MEDIO.
Un problema con el MAD y el MSE es que sus valores
dependen de la magnitud del elemento que se pronostica.
Si el elemento pronosticado se mide en millares, los
valores de MAD y el MSE pueden ser muy grandes, por lo
que se recurre el MAPE, que es en porcentaje absoluto.

( | Real - Pronóstico | / Real) x 100

MAPE =
n

56
PRÁCTICA EN CLASE