Pronósticos en ITD

INFORMACIÓN PARA LA TOMA DE DECISIONES
PRONÓSTICOS
En la gestión empresarial resulta

esencial la anticipación de necesidades
globales de financiamiento. Suponga que
se le ha solicitado preparar los pronósticos
de venta de un producto para el año
próximo. Los programas de producción,
compra de materias primas, las políticas de inventarios y el monto de las
ventas se verán afectados por el pronóstico que se proporcione.
Como afirma Alonso (2002; pág. 123) “El cometido fundamental de los pronósticos es
plantear un escenario sobre el que se adoptarán decisiones comprometiendo recursos y
asumiendo responsabilidades concretas respecto de su ejecución”. En este sentido es que la
elaboración de presupuestos establece necesidades futuras y requieren en consecuencia
anticipar el comportamiento futuro de variables claves para la empresa. Para ello, los
procedimientos que se utilizan para pronosticar las necesidades del financiamiento se sustentan
sobre el nivel proyectado de ventas.
Es importante aclarar que los números que se obtienen por un pronóstico no constituyen
otra cosa que proyecciones o tendencias que se miden a partir de las variables propias de la
empresa y agregándole claramente otras que pertenecen al exterior de la empresa pero que por
supuesto la impactan, como es su contexto.
CARACTERÍSTICAS DE LOS PRONÓSTICOS
En primer término, las situaciones que necesitan de la elaboración de un pronóstico

requieren pensar en dos variables: el futuro y el tiempo. Es por ello que resulta necesario
pronosticar para un punto específico en el tiempo. Todo movimiento sobre ese aspecto alterará
necesariamente el pronóstico elaborado.
Lic. Pascual, Mónica Página 1

Otro elemento siempre presente en situaciones de pronósticos es la incertidumbre. Si el

administrador tuviera certeza sobre las circunstancias que existirán en un tiempo dado, la
preparación de un pronóstico resultaría trivial.
Finalmente, la información contenida en datos que se utilizarán para realizar el

pronóstico debe ser altamente confiable.
CLASIFICACIÓN DE LOS PRONÓSTICOS
Los métodos de elaboración de pronósticos se pueden clasificar como cualitativos o

cuantitativos.
Los primeros implican la necesidad del criterio de expertos para obtener los pronósticos.
Dichos métodos son apropiados cuando los datos históricos de la variable a pronosticar no
apliquen o no estén disponibles. Estos métodos se consideran altamente subjetivos y necesitan
la opinión de expertos. Se pueden mencionar:
• Método de listado de factor: Es un procedimiento por medio del cual el analista

simplemente enumera las condiciones favorables y desfavorables que afectarán la actividad de
los negocios, o aquella que se busque pronosticar. Se llega entonces a una conclusión con muy
poca o ninguna evaluación acerca de las condiciones del mercado que se está evaluando. Es
evidente, que en una situación cambiante como la actual, si no se tiene en cuenta la evaluación
cuantitativa de cada uno de los factores y su papel en la influencia sobre la actividad de los
negocios, la corrección del pronóstico tiene una probabilidad muy baja.
• Sondeo de opiniones o juicio informado: En este caso se consulta por un
determinado pronóstico que pueden hacer un grupo de expertos en forma individual o en forma
colectiva. Este tipo de pronóstico es bastante frecuente en las publicaciones sobre estrategias
de empresas, en relación por ejemplo a pronosticar la tasa de crecimiento de la economía en los
próximos años.
• Método Delphi: Esta técnica, que originalmente fue desarrollada por un grupo de
investigación de la Rand Corporation (Helmer 1966), intenta obtener pronósticos mediante un

“consenso de grupo”. En la aplicación de esta técnica, se pide a los miembros de un panel de

expertos (todos los cuales están físicamente separados entre sí y no se conocen, para evitar
influencias de individuos o grupos dominantes), que respondan a una serie de cuestionarios. Se
tabulan las respuestas al primer cuestionario y se utilizan para preparar un segundo cuestionario
que tiene información y opiniones del grupo completo, es decir hay realimentación. A cada
participante se le pide entonces reconsiderar y posiblemente modificar su respuesta anterior a
la luz de la información grupal que se ha proporcionado. Se continúa este proceso básico hasta
que el coordinador considera que se ha logrado cierto grado de consenso. Obsérvese que el
propósito del método DELPHI no es producir como resultado una sola respuesta, sino más bien
producir una variedad de opiniones relativamente estrecha, en la cual concuerden la “mayoría”
de los expertos.
• Método de escenarios: Consiste en desarrollar un escenario conceptual del futuro
con base en un conjunto de suposiciones bien definidas. Así al iniciar con un conjunto distinto
de suposiciones se pueden presentar muchos escenarios futuros distintos. Este método es
utilizado para evaluar la función de distribución de escenarios de anticipación, en los que se
tiene en cuenta simultáneamente diversos sucesos. Este método exige evaluaciones subjetivas
de probabilidades de ocurrencia, tanto simples como condicionales, para construir estos
posibles escenarios.
Existe otro conjunto numeroso de técnicas cualitativas para elaborar pronósticos, que
exceden los alcances de este módulo.
Los métodos cuantitativos se pueden utilizar cuando:
a. La información del pasado acerca de la variable que se desea pronosticar

esté disponible
b. La información pueda cuantificarse, y
c. Sea razonable suponer que el patrón del pasado continúe en el futuro.

Tomando la definición utilizada por Anderson, Sweeney y Williams (2011; pp 786) “Si los
datos históricos se limitan a los valores pasados de la variable que se pronostica, al
procedimiento de elaboración de pronósticos se le llama método de series de tiempo, y los datos
históricos se refieren como una serie de tiempo.” Por lo tanto, el objetivo primordial será analizar
dicha serie de tiempo para encontrar un patrón en los datos históricos o en la serie de tiempo
para luego extrapolar el modelo al futuro. No hemos de perder de vista en ningún caso que el
Pronóstico se basa únicamente en los valores pasados de la variable.
Siguiendo la definición adoptada por Anderson (2011, pp786), “una serie de tiempo es
una secuencia de observaciones en una variable que se mide en puntos sucesivos en el tiempo o
sobre un período sucesivo”. Se puede utilizar como unidad de medida horas, días, semanas,
meses, años o cualquier otra unidad regular.
Se puede realizar una gráfica de series de tiempo colocando en el eje horizontal la

variable tiempo y en el vertical la variable vinculada para identificar alguna referencia
subyacente útil para la elaboración del pronóstico.
COMPONENTES DE UNA SERIE DE TIEMPO
Para comprender como las series de tiempo se han comportado en el pasado resulta
importante reconocer el patrón de datos y si suponemos que podemos utilizar esa información,
entonces resultará de utilidad para la elaboración de un pronóstico adecuado.
Hay cuatro componentes que pueden combinarse en una serie de tiempo: tendencia, cíclico,
estacional e irregular.
• Componente Tendencia: además de fluctuaciones aleatorias, las series de tiempo

pueden presentar movimientos graduales hacia arriba o hacia abajo en un período prolongado.
Este cambio gradual en la serie de tiempo se denomina tendencia y es el resultado a largo plazo
de factores como cambios en la población, en las características demográficas, en la tecnología,
en cambios de hábitos de consumo, etc.

Los gráficos siguientes corresponden a dos ejemplos de series de tiempo que presentan
el componente de tendencia lineal. En este caso el componente de tendencia es creciente para
el gráfico A y decreciente para el B. Hay además componentes de tendencia que pueden ser del
tipo exponencial como muestra la figura C
3000
C
2500
Unidades vendidas
2000
1500
1000
500
0
2010 2012 2014 2016
• Componente cíclico: representa la oscilación o los movimientos a la baja y a la

alta que se dan a lo largo de la serie. Con frecuencia las series presentan secuencias de valores
por encima y por debajo de la línea de tendencia que dura más de un año. Este comportamiento
de la serie puede atribuirse al componente cíclico, que varían en longitud (por lo general duran
de 2 a 10 años), difieren en intensidad y amplitud y suelen estar correlacionados con algún ciclo
de negocio. Un ejemplo de este tipo de variación son los ciclos comerciales cuyos períodos
recurrentes dependen de la prosperidad, recesión, depresión y recuperación, las cuales no
dependen de factores como el clima o las costumbres sociales.
El gráfico muestra una serie de tiempo con un claro componente cíclico.

Línea de tendencia
Componente
cíclico
• Componente estacional: son fluctuaciones periódicas bastante regulares que se

presentan dentro de cada período de 12 meses, año tras año. Por ejemplo: Un fabricante de
piletas inflables espera poca actividad de ventas durante los meses de otoño e invierno y tiene
ventas máximas en los de primavera y verano, mientras que los fabricantes de equipo para la
nieve y ropa de abrigo esperan un comportamiento anual opuesto al anterior.
• Componente irregular: es el factor residual que existe en una serie de tiempo

después de tomar en cuenta los efectos de los componentes de tendencia, cíclico y estacional.
Estas variaciones aleatorias suelen ser el resultado de factores a corto plazo, imprevistos y no
recurrentes que afectan a la serie de tiempo (ejemplo: huelgas, inundaciones, etc.).
PASOS PARA LA ELABORACIÓN DE UN PRONÓSTICO
Los procedimientos utilizados para la elaboración de pronósticos requieren extender las

experiencias y conocimientos del pasado sobre un futuro que es incierto. Este es el punto desde
el cual parte la suposición de que las condiciones que generaron los datos anteriores resultan
indistinguibles respecto de las condiciones futuras. En este supuesto se excluye, por supuesto
aquellas variables reconocidas de manera explícita por el modelo de pronóstico. Por ejemplo, si
se está pronosticando el índice de desempeño de los empleados en el trabajo, usando sólo como
pronóstico la calificación del examen de admisión, se asume que el índice de desempeño en el
trabajo de cada persona se afecta sólo por dicho examen.

Considerando que la suposición de pasado y futuro indistinguibles no se cumple,

resultarán pronósticos imprecisos, a menos que se modifiquen a juicio de quien se pronostica.
Identificaremos, entonces, cuatro pasos fundamentales para la elaboración de un

pronóstico:
1. La recopilación de datos.
Este primer paso sugiere la importancia de obtener datos adecuados y asegurarse que
son correctos. Este es un punto de partida que definirá en gran medida la confiabilidad del
pronóstico. Con frecuencia este paso es el mayor reto de todo el proceso y en consecuencia, el
más difícil de controlar, ya que los pasos siguientes se efectúan sobre esta información,
independientemente de que los mismos sean o no relevantes para el problema en cuestión.
2. El procesamiento, análisis y selección de los datos
Es posible tener a disposición datos que pueden no ser pertinentes al problema, por lo
que reducirían la precisión del pronóstico. Otros datos pueden ser los adecuados, pero sólo en
ciertos periodos históricos. Es por ello que debe analizar y ajustar las variables necesarias para
la elaboración de un pronóstico que esté en relación intrínseca con el problema requerido.
3. La elaboración / construcción de un modelo
Este tercer escalón implica ajustar los datos reunidos en un modelo de pronóstico que
sea el adecuado para minimizar el error del pronóstico. Entre más sencillo sea el modelo, será
mejor para lograr la aceptación del proceso por parte de los administradores que toman las
decisiones en la empresa. Resulta interesante pensar en equilibrio necesario que debiese darse
entre un enfoque de pronóstico complejo que ofrezca ligeramente más precisión y un enfoque
sencillo que sea fácil de entender y ganar el apoyo de quienes toman las decisiones. Es
importante no olvidar que el objetivo final es que el pronóstico pueda utilizarse efectivamente.
4. La extrapolación del modelo
Este último paso consiste en la extrapolación en sí del modelo de pronóstico, lo cual

ocurre una vez que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccionó
un modelo de pronóstico apropiado. Es común que quien realizó el pronóstico revise la precisión

del proceso mediante el pronóstico de periodos recientes de los que se conocen los valores
históricos reales. Es entonces cuando se observan los errores de pronóstico y se resumen de
algún modo. Más adelante retomaremos esta cuestión del análisis de los errores del pronóstico,
pero si es importante destacar, que un análisis de este tipo permite decidir sobre la fiabilidad
del modelo y tomar decisiones sobre su implementación.
PROCEDIMIENTOS PARA LA ELABORACIÓN DE PRONÓSTICOS CUANTITATIVOS
Existe una amplia gama de procedimientos para realizar pronósticos, pero a los fines de
este módulo indagaremos en dos de ellos:
a. Proyección de tendencia
b. Métodos de suavización
PROYECCIÓN DE TENDENCIA CON REGRESIÓN LINEAL
EJEMPLO 1: Para poder ilustrar ajustadamente este procedimiento partiremos del

siguiente ejemplo:
Supongamos que tenemos los datos de venta de los últimos siete años de una empresa,
Beta S.A.
Año Ventas (en miles de $)

2007 (1) 50
2008 (2) 51,6
2009 (3) 52,9
2010 (4) 55,4
2011 (5) 51,9
2012 (6) 58,5
2013 (7) 61,2
Cuadro de Ventas e Inventarios de la empresa Beta S.A. durante los últimos 7 años

La ecuación de tendencia lineal estimada que describe una relación lineal entre una
variable independiente X y una dependiente Y, se puede expresar como:
̂ = 𝒃𝒐 + 𝒃𝟏 𝒙
𝒚
̂ es el valor estimado o predicho por Y. Para enfatizar el hecho de que en un

Donde 𝒚
̂ por Tt para
pronóstico la variable independiente es el tiempo, se sustituirá x por t, así como 𝒚
hacer patente que se está estimando la tendencia de una serie de tiempo. Por tanto, para
calcular la tendencia lineal en una serie de tiempo se utilizará la siguiente ecuación de tendencia
lineal estimada:
𝑻𝒕 = 𝒃𝟎 + 𝒃𝟏 𝒕 [1]
Donde
𝑻𝒕= pronóstico de tendencia lineal en el período t

𝒃𝟎 = intersección de la recta de tendencia lineal
𝒃𝟏 = pendiente de la recta de tendencia lineal
𝒕=período
En la ecuación [1] la variable tiempo comienza en t=1 correspondiente a la primera
observación de la serie de tiempo (año 1 para la serie de tiempo de ventas de la empresa).
Explicitaremos también como se calculan los coeficientes de regresión estimados b 0 y b1

de la ecuación [1]
∑𝑛𝑡=1(𝑡 − 𝑡̅). (𝑌𝑡 − 𝑌̅)

𝑏1 =
∑𝑛𝑡=1(𝑡 − 𝑡̅)2
𝑏0 = 𝑌̅ − 𝑏1 𝑡̅
Donde
Yt=valor de la serie de tiempo en el período t
n=número de periodos (número de observaciones)
Ȳ= valor promedio de la serie de tiempo
𝒕̅ =valor promedio de t

Tomando en cuenta los datos del ejemplo calcularemos los valores promedios de t e Y:
∑7𝑡=1 𝑡 28
𝑡̅ = = =4
7 7
381,5
𝑌̅ = = 54,5
7
Importante: En el cálculo del pronóstico con tendencia lineal, los años se reemplazan
por valores comenzando desde 1. Así, si la serie comienza en al año 2007 y termina en 2013, el
período t comienza en el año 1 y termina en el año 7
Los cálculos necesarios para el ejercicio propuesto pueden observarse en la tabla

siguiente:
Año Período Venta

2007 1 50 -3 -4,5 13,5 9
2008 2 51,6 -2 -2,9 5,8 4
2009 3 52,9 -1 -1,6 1,6 1
2010 4 55,4 0 0,9 0 0
2011 5 51,9 1 -2,6 -2,6 1
2012 6 58,5 2 4 8 4
2013 7 61,2 3 6,7 20,1 9
𝑛
∑(𝑡 − 𝑡̅). (𝑌𝑡 − 𝑌̅) = 46,4

𝑡=1
∑(𝑡 − 𝑡̅)2 = 28
𝑡=1
Aplicando la fórmula
∑𝑛𝑡=1(𝑡 − 𝑡̅). (𝑌𝑡 − 𝑌̅) 46,4

𝑏1 = = = 1,66
∑𝑛𝑡=1(𝑡 − 𝑡̅)2 28
𝑏0 = 𝑌̅ − 𝑏1 𝑡̅ = 54,5 − 1,66 𝑥 4 = 47,87
y por lo tanto:
𝑇𝑡 = 47,87 + 1,66𝑡 (2)

Una vez encontrado el modelo, corresponde hacer su interpretación y analizar la

confiabilidad del mismo.
Interpretación: La pendiente de 1,66 indica que en los últimos siete años, la empresa
experimentó un promedio de crecimiento en las ventas de cerca de 166000 unidades por año.
Si se supone que la tendencia de las ventas durante estos últimos siete años es un buen indicador
del futuro, esta ecuación de tendencia puede utilizarse para obtener pronósticos sobre los
próximos períodos. Por ejemplo, para el año 2014, para lo cual el valor correspondiente de t es
8, la proyección de ventas es 61.15 millones:
𝑇2014 = 47,87 + 1,66 𝑥 (8) = 61.15
MEDIDAS DE EXACTITUD DE PRONÓSTICOS
Las medidas de exactitud de los pronósticos se utilizan para determinar qué tan bien un
método en particular es capaz de reproducir los datos de las series de tiempo que están
disponibles. Al seleccionar el enfoque que posee mayor exactitud de los datos ya conocidos, se
espera que aumente la probabilidad de obtener un mejor pronóstico para períodos futuros.
El error del pronóstico se define como la diferencia entre el valor real y el valor definido
por el pronóstico.
error = Yt - Tt
Retomando el ejemplo de la empresa Beta SA vemos que en el primer año, las ventas, en
miles, fueron de 50 y con la fórmula de regresión de tendencia lineal el pronóstico para ese año
es:
𝑇2007 = 47,87 + 1,66 × (1) = 49.53
Significa que existe un error de pronóstico de 0,47, es decir que el pronóstico subestimó
el valor real. Es interesante ver que los errores de pronóstico son análogos a los residuales en el
análisis de regresión.

Existen múltiples métodos para medir la exactitud de los pronósticos, como el error
medio absoluto, la media de los errores del pronóstico, el error porcentual absoluto medio, el
cuadrado medio del error entre otros.
Para el análisis pretendido, abordaremos solamente este último, dejándole al lector la

posibilidad de que profundice en otras técnicas si es de su interés.
Para calcular la exactitud del método utilizando el Cuadrado Medio debido al Error –CME-
se utiliza la siguiente expresión:
∑𝒏𝒕=𝟏(𝒀𝒕 − 𝑻𝒕 )𝟐
𝑪𝑴𝑬 =
𝒏
Para el ejemplo que estamos considerando lo podemos calcular como se muestra en la

tabla:
Venta Pronóstico
Año Período error error2
(Yt) (Tt)
2007 1 50 49,53 0,47 0,22
2008 2 51,6 51,19 0,41 0,17
2009 3 52,9 52,84 0,06 0,00
2010 4 55,4 54,50 0,90 0,81
2011 5 51,9 56,16 -4,26 18,12
2012 6 58,5 57,81 0,69 0,47
2013 7 61,2 59,47 1,73 2,99
∑𝑛𝑡=1(𝑌𝑡 − 𝑇𝑡 )2 22,79
𝐶𝑀𝐸 = = = 3,26
𝑛 7
Está claro que en la medida en que el CME tiende a cero, el modelo se acerca más al valor
real de la serie de tiempo. No hay manera de abordar el problema de la exactitud para datos
futuros, pero podríamos pensar que si el patrón histórico continúa en el futuro, el modelo
elaborado podría brindar las respuestas necesarias. Seleccionar el método que tenga la mejor
exactitud de los datos ya conocidos, permite aumentar las posibilidades de obtener mejores
pronósticos para períodos futuros.

La regresión de tendencia lineal se sustenta en encontrar la ecuación de regresión

estimada que minimiza la suma de los errores de pronóstico cuadrado y, por consiguiente, del
CME.
PROYECCIÓN DE TENDENCIA CON REGRESIÓN LINEAL EN EXCEL
La primera vez que se va a utilizar la función que tiene el Excel para el cálculo del modelo
lineal, hay que habilitar el módulo “Análisis de datos” de la siguiente manera:
1) ARCHIVO→Opciones
2) En “Opciones de Excel”, seleccionar “Complementos”. Al pie de esta opción se

encuentra: Administrar Complementos de Excel Ir…… Hacer clik en Ir
Ir
…..

3) Después de hacer clik en Ir… aparece un cuadro en el que se debe seleccionar/tildar la

opción “Herramientas para análisis” y luego Aceptar:
4) El cuadro de diálogo se cierra.
5) En el menú que está en la barra superior, ir a DATOS y en el extremo superior derecho

encontrarán la opción ANÁLISIS DE DATOS
Datos
Análisis de
datos
6) Haciendo clik en Análisis de datos, se abre un menú con muchas funciones estadísticas,
entre ellas REGRESION.
7) IMPORTANTE: Esta operación sólo se realiza la primera vez. Una vez habilitada la
opción Análisis de datos, queda en el Excel en el lugar que hemos señalado en el paso 6.

Veamos cómo encontrar el pronóstico para la empresa Beta S.A. utilizando esta
herramienta.
1) Con los datos cargados en una planilla de Excel, vamos a DATOS → Análisis de datos y
buscamos “Regresión”
2) Se cargan los datos como se muestra en la imagen:
Rango Y de entrada: se selecciona el rango de datos de la variable Y, incluido el título o

nombre de la variable. En nuestro ejemplo son las Ventas de la empresa Beta SA
Rango X de entrada: se selecciona el rango de datos de la variable X, incluido el título o

nombre de la variable. En nuestro ejemplo es el período t en el que los años se han
reemplazado por los valores 1, 2 … etc
Tildamos las opciones Rótulos y Nivel de confianza que por defecto aparece con el 95%.
Tildamos la opción Rango de salida y verán que se habilita la celda adjunta. Deberán
hacer clik y elegir una celda en blanco.
Tildar la opción Residuos

1) Al Aceptar, después de cargar los datos de las variables, obtendremos rápidamente la

salida del Excel con toda la información necesaria tanto para confeccionar el modelo de
pronóstico con tendencia lineal como para realizar la evaluación del mismo.
Para el ejemplo que estamos trabajando, la salida que ofrece el Excel se muestra en la
imagen:

Análisis de la salida en el modelo de tendencia lineal
La salida ofrecida por el excel contiene suficiente información sobre características que
hablan tanto del modelo específicamente como de su evaluación. A los efectos de este módulo
nos centraremos en la determinación del modelo y los indicadores de confiabilidad del mismo.
La imagen siguiente nos permite identificar las componentes b0 y b1 del modelo:
En la intersección de la fila “intercepción” y “Coeficientes” se encuentra el valor de b 0 y

en la intersección de “Período t” y “Coeficientes” se observa la pendiente b 1 del modelo:
𝑇𝑡 = 47.87 + 1.66 𝑡
En la intersección de la columna Probabilidad y Período t, se halla uno de los indicadores

del modelo, conocido como el p-valor. Cuando este valor es menor a 0.05 se considera que
existe una relación lineal significativa, es decir, que el modelo es bueno.
Otro indicador de suma relevancia en estos modelos es el Coeficiente de determinación

R2 que varía entre 0 y 1. Se emplea para evaluar la bondad de ajuste de la ecuación de regresión
estimada. Mientas más alto sea ese valor, mejor será el ajuste de la misma. Dado que R 2 = 0.77
se puede concluir que la proyección de tendencia encontrada con el modelo es confiable

En el gráfico siguiente podemos observar la gráfica del análisis de tendencia para el

ejemplo que estamos tratando
Gráfica del análisis de tendencia para las ventas (en miles)

de Beta S.A.
70
Tt = 1.6571 t+ 47.871
60 R² = 0.7714
50
Ventas (en miles)
40
30 Ventas (en miles)
20 Lineal (Ventas (en miles))
10
0
0 2 4 6 8
Indice
METODOS DE SUAVIZACIÓN
En muchos casos, cuando las series de tiempo presentan fluctuaciones aleatorias

causadas por el componente irregular, los movimientos de tendencia (hacia arriba o hacia abajo)
pueden verse opacados visualmente. En estos casos, los métodos de suavización como los
promedios móviles o el suavizado exponencial permiten “suavizar la serie” y en consecuencia
darnos una impresión global del patrón de movimiento en los datos respecto al tiempo.
Por lo general proporcionan un alto nivel de precisión para pronósticos de corto alcance
como un pronóstico para el siguiente período.

PROMEDIOS MOVILES
Tomando la definición utilizada por Anderson (2012; pp797) “El método de promedios
móviles utiliza el promedio de los valores de los k datos más recientes de la serie de tiempo como
pronóstico para el próximo período”. La expresión usual que podemos utilizar para calcular el
pronóstico de la serie de tiempo para el período inmediatamente posterior a los datos
disponibles es:
∑𝑘𝑖=1 𝑌𝑡−𝑖+1 𝑌𝑡 + 𝑌𝑡−1 + ⋯ + 𝑌𝑡−𝑘+1

𝐹𝑡+1 = =
𝑘 𝑘
Donde
Ft+1= pronóstico de la serie de tiempo para el período t+1
Yt= valor real de la serie de tiempo en el período t
Aunque es natural pensarlo de este modo, no está de más decir que se le atribuye el
término móvil, porque cada vez que se agrega a la serie de tiempo una nueva observación, ésta
desplaza a la observación más antigua. En consecuencia, el promedio se ve modificado por esta
nueva incorporación y la correspondiente salida del dato primigenio.
EJEMPLO 2: Supongamos que tenemos los registros semanas de venta de un negocio de

electrodomésticos. Los datos correspondientes se ven reflejados en la tabla:
Yt(ventas
Semana t Ft
en miles)
1 26
2 22
3 18
4 24 22
5 19 21,3
6 17 20,3
7 22 20

8 15 19,3
9 17 18
10 18 18
11 17 16,7
12 21 17,3
Nótese que en la tercera columna se han colocado los promedios móviles con un valor
de k=3. Para utilizar el método de los promedios móviles se deben seguir los siguientes pasos:
Paso 1: Seleccionar el número de valores de la serie de tiempo que se incluirán en el

promedio móvil. Esto es determinar el valor de k que pueda resultar significativo para obtener
un promedio que sea relevante. En este sentido, puede ser conveniente utilizar un valor de k
relativamente pequeño e ir ajustándolo a través de un método de exactitud de pronóstico1. Las
series de tiempo con patrón horizontal pueden cambiar con el tiempo a un nuevo nivel por tanto
es necesario que este aspecto se tenga en cuenta al elegir el valor de k.
Paso 2: Elegido el valor de k se procede a calcular el promedio de los k primeros valores

de la serie. En nuestro ejemplo, k=3 por lo que F4 se ha obtenido haciendo (26+22+18): 3 = 22.
En la tercera columna de la tabla se han ilustrado los valores Ft con k=3.
En la gráfica siguiente puede observarse la serie de tiempo real de ventas de la empresa

y los pronósticos del promedio móvil a tres semanas. Es interesante observar como la gráfica de
los pronósticos tiende a suavizar las fluctuaciones aleatorias de la serie de tiempo real.
1
Algunos métodos de exactitud de pronósticos se analizarán en el siguiente apartado.

30 Serie de tiempo semanal
25 Pronóstico de promedio móvil a

tres semanas
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12
Gráfica de series de tiempo de las ventas semanales de una empresa de electrodomésticos y

pronósticos del promedio móvil a tres semanas
SUAVIZADO EXPONENCIAL
Esta técnica de pronóstico utiliza un promedio ponderado de una serie de valores

pasados para pronosticar el valor siguiente en la serie de tiempo.
La fórmula básica es la siguiente:
Ft+1 =  . yt + (1 - ) . Ft
Donde:
Ft+1: es el valor pronóstico de la serie de tiempo para el período t+1.
yt: es el valor real de la serie de tiempo en el período t.
Ft: es el valor pronóstico de la serie de tiempo para el período t.
: es la constante de alisamiento o suavizado (0  1).
Para demostrar que esta es una técnica que usa promedio ponderado, considérese una
serie de tiempo que consta de tres períodos de datos: y1, y2, y3.
El valor del pronóstico de la serie de tiempo para el período 1 es igual al valor real de la
serie de tiempo para el mismo período. Es decir que se parte de: F1 = y1
Aplicando la fórmula del suavizado exponencial para el período 2 se obtiene:

F2 =  . y1 + (1 - ) . F1 =  . y1 + (1 - ) . y1= y1
En general, el pronóstico de suavizado exponencial para el período 2 es igual al valor real

de la serie de tiempo en el período 1. Para obtener el pronóstico para el período 3:
F3 =  . y2 + (1 - ) . F2
Pero de acuerdo al cálculo anterior F2 = y1. Reemplazando:
F3 =  . y2 + (1 - ) . y1
Si calculamos el pronóstico para el período siguiente se obtiene:
F4 =  . y3 + (1 - ) . [ . y2 + (1 - ) . y1] =
F4 = . y3 +  . (1 - ) . y2 + (1 - )2 . y1
De aquí se observa que F4 es un promedio ponderado de los tres primeros valores de
la serie de tiempo.
Con este método, los pesos asignados a los valores de la serie disminuyen con el tiempo,
de manera que al hacer los cálculos, el valor observado más reciente recibe el mayor peso,
mientras que el valor observado inicialmente recibe el peso más bajo.
La ventaja de este método consiste en que se necesitan muy pocos datos históricos para
ser usados además de su simplicidad. Una vez que se selecciona la constante de alisamiento 
sólo se requieren dos elementos de información para calcular el pronóstico para el período
siguiente.
Si bien la elección del coeficiente de suavización es muy importante porque afectará a
los resultados del pronóstico, esta selección es subjetiva. Una forma de elegir este coeficiente
es hacer el pronóstico con diferentes valores de α y luego comparar el error del pronóstico para
cada modelo. Finalmente se elige el valor de α que produce menor error.
Continuando con el ejemplo 2, calcularemos los pronósticos con el modelo de suavizado

exponencial con α = 0.30

Semana t Yt(ventas Ft
en miles)
1 26 26
2 22 26
3 18 24,8
4 24 22,76
5 19 23,13
6 17 21,89
7 22 20,42
8 15 20,90
9 17 19,13
10 18 18,49
11 17 18,34
12 21 17,94
Para encontrar el pronóstico para el período 13:

Ft+1 =  . yt + (1 - ) . Ft=F13 = 0.30 × 21 + 0.70 × 17.94 = 18.86
La gráfica que representa la serie de tiempo y los pronósticos con el suavizado

exponencial es la siguiente:
30
27
Ventas en miles de pesos
24
21
18
15
12
9 Yt (ventas en miles)
6 Ft
3
0
1 2 3 4 5 6 7 8 9 10 11 12
Semana t

MEDIDAS DE EXACTITUD DE PRONÓSTICOS CON LOS MÉTODOS DE SUAVIZACIÓN
Como se ha explicado ya, existen múltiples métodos para medir la exactitud de los
pronósticos, como el error medio absoluto, la media de los errores del pronóstico, el error
porcentual absoluto medio, el cuadrado medio del error entre otros.
Para el análisis pretendido, cuando el pronóstico se realiza a partir de los métodos de

suavización, utilizaremos una vez más el Cuadrado Medio debido al Error: CME, dejándole al
lector la posibilidad de que profundice en otras técnicas si es de su interés.
∑𝒏𝒕=𝟏(𝒀𝒕 − 𝑻𝒕 )𝟐
𝑪𝑴𝑬 =
𝒏
Para el ejemplo 2, los registros semanas de venta de un negocio de electrodomésticos,

en el caso del método de promedios calculamos el error de pronóstico para cada período:
Error del
Semana t Yt(ventas en miles) Ft pronóstico
cuadrado
1 26
2 22
3 18
4 24 22 4
5 19 21,3 5,29
6 17 20,3 10,09
7 22 20 4
8 15 19,3 18,49
9 17 18 1
10 18 18 0
11 17 16,7 0,9
12 21 17,3 13,69
Totales 57,46
Por lo tanto, el CME = 57,46 / 9 = 6,38. Nótese que el valor por el que se divide la suma
de los cuadrados del error del pronóstico no es por el total de datos sino por el total de los
pronósticos calculados. Se puede ajustar el valor de k de modo tal de minimizar el CME y de esta
manera obtener un pronóstico más adecuado.

Si calculamos el CME con el modelo del suavizado exponencial se obtiene:
Yt(ventas
Semana t Ft (error)2
en miles)
1 26 26 0
2 22 26 16
3 18 24,8 46,24
4 24 22,76 1,5376
5 19 23,13 17,0569
6 17 21,89 23,9121
7 22 20,42 2,4964
8 15 20,9 34,81
9 17 19,13 4,5369
10 18 18,49 0,2401
11 17 18,34 1,7956
12 21 17,94 9,3636
∑𝑛𝑡=1(𝑌𝑡 − 𝑇𝑡 )2 157,99
𝐶𝑀𝐸 = = = 13,16
𝑛 12
Analizando el CME de los modelos, se observa que el de pronósticos móviles con k=3
producen valores de error de pronóstico menores, mientras que el suavizado exponencial tiene
un CME mucho mayor. Por lo tanto, en el ejemplo que estamos trabajando, a la hora de
seleccionar el mejor modelo para pronosticar deberíamos elegir el método de los promedios
móviles, mientras que en el caso del suavizado exponencial, se podría evaluar el modelo para
otros valores del coeficiente de alisamiento.
Los métodos aquí comentados requieren una interpretación superadora de la simple

lectura de los resultados que brindan. Es imprescindible el análisis de la información utilizando
un cuidadoso juicio que permita dar cuenta de la pertinencia del comportamiento lineal que se
supone.

BIBLIOGRAFÍA
Alonso, Aldo; Pelizza, Agustín (2002) El plan del negocioen Dirección Financiera. Universidad
Nacional de Quilmes: Argentina
Anderson, David; Sweeney, Denis; Williams, Thomas. Regresión lineal simpleen Estadistica para
negocios y economía. 11ava edición. CEANGAGE Learning: México 2011.
Anderson, David; Sweeney, Denis; Williams, Thomas. Analisis de series de tiempo y elaboración
de pronósticos en Estadistica para negocios y economía. 11ava edición. CEANGAGE Learning: México
2011.
Berenson, Mark; Levine, David. Estadística básica en administración. Conceptos y aplicaciones.

Prentice Hall. México.1996
https://www.gestiondeoperaciones.net/proyeccion-de-demanda/tecnicas-cualitativas-
para-pronosticos-de-ventas/

Pronósticos en ITD

Cargado por

Copyright:

Formatos disponibles

Pronósticos en ITD

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pronósticos en ITD

Cargado por

Copyright:

Formatos disponibles

INFORMACIÓN PARA LA TOMA DE DECISIONES

En la gestión empresarial resulta

CARACTERÍSTICAS DE LOS PRONÓSTICOS

En primer término, las situaciones que necesitan de la elaboración de un pronóstico

Lic. Pascual, Mónica Página 1

Otro elemento siempre presente en situaciones de pronósticos es la incertidumbre. Si el

Finalmente, la información contenida en datos que se utilizarán para realizar el

CLASIFICACIÓN DE LOS PRONÓSTICOS

Los métodos de elaboración de pronósticos se pueden clasificar como cualitativos o

• Método de listado de factor: Es un procedimiento por medio del cual el analista

Lic. Pascual, Mónica Página 2

“consenso de grupo”. En la aplicación de esta técnica, se pide a los miembros de un panel de

Los métodos cuantitativos se pueden utilizar cuando:

a. La información del pasado acerca de la variable que se desea pronosticar

Lic. Pascual, Mónica Página 3

Se puede realizar una gráfica de series de tiempo colocando en el eje horizontal la

COMPONENTES DE UNA SERIE DE TIEMPO

• Componente Tendencia: además de fluctuaciones aleatorias, las series de tiempo

Lic. Pascual, Mónica Página 4

• Componente cíclico: representa la oscilación o los movimientos a la baja y a la

El gráfico muestra una serie de tiempo con un claro componente cíclico.

Lic. Pascual, Mónica Página 5

• Componente estacional: son fluctuaciones periódicas bastante regulares que se

• Componente irregular: es el factor residual que existe en una serie de tiempo

PASOS PARA LA ELABORACIÓN DE UN PRONÓSTICO

Los procedimientos utilizados para la elaboración de pronósticos requieren extender las

Lic. Pascual, Mónica Página 6

Considerando que la suposición de pasado y futuro indistinguibles no se cumple,

Identificaremos, entonces, cuatro pasos fundamentales para la elaboración de un

2. El procesamiento, análisis y selección de los datos

3. La elaboración / construcción de un modelo

4. La extrapolación del modelo

Este último paso consiste en la extrapolación en sí del modelo de pronóstico, lo cual

Lic. Pascual, Mónica Página 7

PROCEDIMIENTOS PARA LA ELABORACIÓN DE PRONÓSTICOS CUANTITATIVOS

PROYECCIÓN DE TENDENCIA CON REGRESIÓN LINEAL

EJEMPLO 1: Para poder ilustrar ajustadamente este procedimiento partiremos del

Año Ventas (en miles de $)

Lic. Pascual, Mónica Página 8

̂ es el valor estimado o predicho por Y. Para enfatizar el hecho de que en un

𝑻𝒕= pronóstico de tendencia lineal en el período t

Explicitaremos también como se calculan los coeficientes de regresión estimados b 0 y b1

∑𝑛𝑡=1(𝑡 − 𝑡̅). (𝑌𝑡 − 𝑌̅)

Yt=valor de la serie de tiempo en el período t

n=número de periodos (número de observaciones)

Ȳ= valor promedio de la serie de tiempo

Lic. Pascual, Mónica Página 9

Los cálculos necesarios para el ejercicio propuesto pueden observarse en la tabla

Año Período Venta

∑(𝑡 − 𝑡̅). (𝑌𝑡 − 𝑌̅) = 46,4

∑𝑛𝑡=1(𝑡 − 𝑡̅). (𝑌𝑡 − 𝑌̅) 46,4

𝑏0 = 𝑌̅ − 𝑏1 𝑡̅ = 54,5 − 1,66 𝑥 4 = 47,87

𝑇𝑡 = 47,87 + 1,66𝑡 (2)

Lic. Pascual, Mónica Página 10

Una vez encontrado el modelo, corresponde hacer su interpretación y analizar la

𝑇2014 = 47,87 + 1,66 𝑥 (8) = 61.15

MEDIDAS DE EXACTITUD DE PRONÓSTICOS

𝑇2007 = 47,87 + 1,66 × (1) = 49.53

Lic. Pascual, Mónica Página 11

Para el análisis pretendido, abordaremos solamente este último, dejándole al lector la