Apunte Académico

Clase 6
Unidad 2. PRONÓSTICO DE DEMANDA.
Asignatura: EIN6117 ORGANIZACIÓN Y PLANIFICACIÓN DE
LA PRODUCCIÓN
Escuela: Ingeniería
Introducción

Hasta ahora has aprendido para pronosticar las ventas, en los métodos
cuantitativos, las técnicas de series de tiempo sin tendencia. En este apunte
aprenderás a distinguir situaciones en las que existe tendencia en el tiempo y cómo
se resuelven.

Conocerás técnicas en situaciones en la que las tendencias son lineales y en este

sentido, fáciles de pronosticar, así como también aquellas situaciones en la que la
tendencia no es lineal. Para este último caso aprenderás métodos de rectificaciones
para ciertos tipos de comportamiento de las ventas.

Finalmente, aprenderás cómo otras variables diferentes al tiempo pueden impactar

en el pronóstico de ventas dando lugar a los métodos causales. Éstos pueden incluir
a su vez múltiples variables independientes como N° de personas, IPC, edad, entre
otros.
PRIMERA PARTE: PRONÓSTICO DE DEMANDA, SERIES DE TIEMPO CON
TENDENCIA Y TÉCNICAS CAUSALES

Recordemos que los pronósticos mediante Series de tiempo se basan en la historia

de la demanda de un producto. Esta historia se analiza para descubrir patrones tales
como los de tendencia, estacionalidad o ciclos, y los patrones de demanda
obtenidos se proyectan hacia el futuro.

Los modelos de series de tiempo son esencialmente útiles para pronósticos a corto
y mediano plazo, dado que los patrones de demanda no suelen permanecer por
períodos largos.

Por su parte lo modelos causales de pronósticos son los que establecen una
relación entre la variable en estudio y una o más variables independientes. Por
ejemplo, una empresa podría estudiar la relación entre la demanda de sus productos
con una o un conjunto de variables intervinientes como lo son: Volumen poblacional,
actividad económica, ingreso per-cápita, impuestos, tasas y valor de divisas entre
otras.

Mediante estos modelos, es posible predecir la ocurrencia de puntos de cambio y

los cambios fundamentales en los patrones de variación de la variable dependiente
en estudio. Por tanto, son más exactos que los métodos de series de tiempo cuando
se trata de pronósticos a mediano y largo plazo.

Series de Tiempo con Tendencia: Análisis de Regresión

El análisis de regresión lineal se emplea para definir una relación funcional entre
dos o más variables correlacionadas y puede ser usada tanto para previsión de
series temporales como previsión de relaciones causales. En los métodos de
regresión, debe especificarse un modelo antes de que los datos sean recopilados y
se lleve a cabo el análisis. La situación más simple es aquella en que se presenta
la relación entre dos variables, cuya funcionalidad puede ser lineal y no lineal.

Relación Lineal

El caso más sencillo es el modelo lineal de una sola variable (Figura 2), que se
expresa mediante la siguiente relación:

yˆ = m x + n
Donde:

ŷ = variable dependiente en estudio.

x = variable independiente (que se supone ser la causa de ŷ )

n = coeficiente de posición (intercepción con el eje y)

m = pendiente

En este modelo, se supone que se observan N pares de valores de x e y. Estos

pares se denotan (x1,y1), (x2,y2),...,(xN,yN).

El símbolo “y” denota valores observados de y; por su parte el símbolo ŷ denota

puntos sobre la recta expresados por la ecuación ŷ = mx + n.
Ilustración 1 - Demanda con tendencia lineal. Fuente: Elaboración propia.

Utilizando el método de los mínimos cuadrados, se pueden obtener los parámetros

del análisis de regresión.

((å x )(å y ) - N (å xy )) ((å x y )(å x ) - (å x )(å y ))

2

m= n=
(å x ) - N (å x )
2 2
(å x ) - N (å x )
2 2

N (å xy ) - (å x )(å y )
r= R2 = r 2
N (å x ) - (å x )
2 2
* N (å y ) - (å y )
2 2

Donde:

m = pendiente de la recta.

n = coeficiente de posición

r = coeficiente de correlación (mide el grado de asociación entre las variables)

R2 = coeficiente de determinación (mide el grado de relación entre las variables)

N = número de puntos
El valor de R2 representa la proporción de variación en y que queda explicada por
la relación con x. De este modo, es conveniente que R2 se aproxime lo más posible
a 1.

Un valor de R2 = 0,85 significa que 85% de la variación que ocurre en “y” puede
explicarse por la recta de regresión que se ha establecido con “x” (sólo 25% se
debe a factores de azar).

Para ejemplificar este método en una serie de tiempo, supongamos que las ventas
expresadas en unidades monetarias en los últimos meses registradas en una
empresa, son las que indica el Cuadro 1.
Tabla 1 - Ventas en unidades monetarias. Fuente: Elaboración propia.

PERÍODO 1 2 3 4 5 6 7 8

VENTAS(U.M.) 130 150 200 220 240 280 320 340

El diagrama de dispersión de la ilustración 2, muestra una tendencia lineal de las

ventas versus el período de tiempo. Al aplicar regresión a los datos del cuadro 1, se
obtienen los parámetros que muestra el Cuadro 2.
Tabla 2 - Estadísticas de regresión. Fuente: Elaboración propia.

Coeficiente de correlación múltiple 0,9953

Coeficiente de determinación R^2 0,9905

R^2 ajustado 0,9889

Coeficientes

Intercepción (n) 96,7857

Variable X 1 (m) 30,7143

 400
350
300

VENTAS
250
200
150
100
50
0
0 2 4 6 8 10

PERÍODO

Ilustración 2 - Diagrama de dispersión. Fuente: Elaboración propia.

De acuerdo a esta información, la relación funcional:

ŷ = mx + n = 30,71x + 96,79.

Donde ŷ representa las ventas estimadas. Si se desea obtener el pronóstico para

el siguiente período se debe remplazar la variable “x” por 9, luego:

Ventas = 30,71 * 9 + 96,79 = 371,18 » 371 unidades monetarias.

Considerando el coeficiente de determinación R2, existe un 98,89 % de relación

entre las variables, es decir, de mantenerse las condiciones actuales, tanto internas
como externas a la empresa, se tiene una alta probabilidad del acierto en dicho
pronóstico.

Para soluciones sencillas mediante Excel, examinar videos tutoriales de Excel, de

regresión lineal para pronósticos.

Por ejemplo:

https://www.youtube.com/watch?v=7zvKWzyeB2o

https://www.youtube.com/watch?v=ccolcek_umQ

Revisado el 28 de mayo de 2021.

Relación no Lineal
Es el caso más general, donde la relación es una curva creciente o decreciente
(Figura 3.), que al igual que el caso lineal se desea obtener una relación que
explique la tendencia entre las variables, es decir una relación:

yˆ = f ( x)

Donde:

ŷ = demanda estimada

x = variable independiente (que se supone ser la causa de ŷ )

Ilustración 3 - Demanda con tendencia no lineal. Fuente: Elaboración propia.

Para obtener la relación funcional ŷ = f(x) en forma más sencilla se emplea el

método de Ajuste o Rectificación de curvas. La rectificación consiste en transformar
una relación No Lineal (curva) en una relación Lineal (Figura 4), mediante un
adecuado cambio de variables, que por lo general es en la abscisa, pero en
ocasiones es necesario realizar un cambio de variables en la ordenada o en ambos
ejes.
Ilustración 4 - Rectificación de curvas. Fuente: Elaboración propia.

Para realizar un adecuado cambio de variables se debe tener conocimiento de

curvas y sus correspondientes relaciones funcionales, de no disponer de dichos
conocimientos Winston (1994) entrega una metodología para realizar las
rectificaciones que se ajustan a las curvas específicas, mediante los siguientes
pasos:

a) Graficar los puntos y ver cuál parte de la figura 5 se ajusta a los datos.
b) Identificar en el cuadro 3, la rectificación de acuerdo a lo observado en el
punto anterior, relacionando la primera columna con la tercera.
c) Transformar cada punto de datos siguiendo la regla de la tercera columna
del Cuadro 3.
d) Estimar la recta de regresión de los puntos transformados o rectificados,
utilizando el método de los mínimos cuadrados, de acuerdo a la metodología
desarrollada para una relación lineal.

a,b,x> a,x
0 >0;b<0 b>0
y b>1 b=1 -1<b<0
b= -1
0<b<
a b<-1
1 a
y
 0 1 x 0 -1/b
0 1

(a) (b) (c)

b<0 b>0 b<0

0 0

(d) (e) (f)

b<0 b>0

(g) (h) (i)

Donde: b=m; a=n

Ilustración 5 – Gráficas de Funciones Linealizables. Fuente: Winston, 1994.

Tabla 3 - C+ómo ajustar una relación no lineal. Fuente: Winston, 1994.

SI LA GRÁFICA TENEMOS LA TRANSFORMAR ESTIMADO

SE PARECE A
UNA PARTE DE RELACIÓN (xi, yi) DE LA RELACIÓN
LA FIGURA FUNCIONAL
FUNCIONAL EN

(a) o (b) y=nxm (lnxi, lnyi) ŷ = exp(n)xm

(c) o (d) y = n exp(mx) (xi, lnyi) ŷ = exp(n + mx)

(e) o (f) y = n + m(lnx) (lnxi, yi) ŷ = n + m(lnx)

(g) o (h) y = x / (nx + m) (1/xi; 1/yi) ŷ = x/(nx + m)

(i) y = exp(n + m/x) (1/xi; lnyi) ŷ = exp(n + m/x)

Para ejemplificar este método, supongamos que las ventas expresadas en unidades
monetarias en los últimos meses registradas en una empresa, son las que indica el
Cuadro 4.
Tabla 4 - Ventas en unidades monetarias. Fuente: Elaboración propia.

PERÍODO 1 2 3 4 5 6 7

VENTAS(U.M.) 200 1500 5200 12000 24000 43000 68000

La gráfica de la ilustración 6, muestra una tendencia no lineal de las ventas versus

el período de tiempo.

80000
70000
60000
VENTAS

50000
40000
30000
20000
10000
0
0 2 4 6 8

PERÍODO

Ilustración 6 - Ventas v/s Periodo. Fuente: Elaboración propia.

Como la relación es no lineal se debe rectificar y observando la figura 5, la curva se
parece tanto a la gráfica (a) como a la (c), razón por la cual se rectificará mediante
las opciones que entrega el cuadro 3 y luego se elegirá la mejor relación a partir del
coeficiente de determinación mayor, debido a que este parámetro mide la relación
entre las variables.

De acuerdo al Cuadro 3, para el caso (a) se debe rectificar por ln x en la abscisa y

ln y en la ordenada. El Cuadro 5 muestra el cambio de variables y la Figura 7 la
representación gráfica.

Como se aprecia en la ilustración 7, la curva de la ilustración 6, se ha transformado

o ajustado a una relación lineal.
Tabla 5 - Cambio de variables (a). Fuente: Elaboración propia.

Ln t Ln v

0,000 5,298
Donde:
0,693 7,313
“t” es el período
1,099 8,556

1,386 9,393 “v” ventas

1,609 10,086

1,792 10,669

1,946 11,127

0.012
0.010
0.008
Ln v

0.006
0.004
0.002
0.000
0.000 0.001 0.002 0.003

Ln t

Ilustración 7 - Rectificación LnV v/s Lnt. Fuente: Elaboración propia.

Del mismo modo para el caso (b), se debe rectificar con logaritmo natural sólo en la
ordenada de acuerdo a lo indicado en el Cuadro 3. De esta forma el cuadro 6 y la
ilustración 8, muestran la modificación en este nuevo ajuste de curva.

Al observar la nueva tendencia se aprecia que la rectificación, a simple vista no logra

una tendencia lineal.
Tabla 6 - Cambio de variables (b). Fuente: Elaboración propia.

t ln v

1 5,298 Donde:

2 7,313 “t” es el período

3 8,556
“v” ventas
4 9,393

5 10,086

6 10,669

7 11,127

Ln VENTAS VERSUS PERÍODO

0.012
0.010
Ln VENTAS

0.008
0.006
0.004
0.002
0.000
0 2 4 6 8

PERÍODO

Ilustración 8 - Rectificación LnV v/s t. Fuente: Elaboración propia.

Tabla 7 - Análisis de regresión. Fuente: Elaboración propia.

Rectificación ln v / ln t ln v / t

Coeficiente de correlación múltiple 0,9999 0,9658

Coeficiente de determinación R^2 0,9998 0,9328

R^2 ajustado 0,9998 0,9193

Coeficientes

Intercepción 5,2657 5,2450

Variable X 1 3,0009 0,9188

El cuadro 7 muestra comparativamente los resultados obtenidos en las

rectificaciones, confirmando que el mejor ajuste es logaritmo natural de las ventas
versus logaritmo natural del período, puesto que el coeficiente de determinación R2
es mayor (99,98).

Por lo tanto, la relación funcional es:

ln v = 3,00 x + 5,27

Despejando las ventas de esta relación se obtiene ŷ = f(x):

yˆ = v = e (3,00 x + 5, 27)

Donde ŷ = ventas y “x” = tiempo “t”.

Esta última es la mejor relación funcional de las observaciones registradas de las

ventas, en los siete períodos de venta más recientes y por tanto es la expresión que
permite calcular los pronósticos. De esta forma el pronóstico de ventas para los
siguientes tres períodos, se obtiene reemplazando la variable “x” por 8, 9 y 10
respectivamente.

Pronóstico período 8: v (8) = e (3,00 • ln 8 + 5, 27) = 99.541

Pronóstico período 9: v (9) = e (3,00 • ln 9 + 5, 27) = 141.729

Pronóstico período 10: v (10) = e (3,00 • ln10 + 5, 27) = 194.416

SEGUNDA PARTE: MODELOS CAUSALES

Para el caso de una relación causal, el siguiente ejemplo ilustra un pronóstico bajo
condiciones de causalidad entre variables.

Una empresa del sector de servicios inmobiliarios ha registrado sus ventas de

servicios de máquina pesada cada año, junto con el número de permisos de
edificación en una determinada área geográfica, según cuadro 8.
Tabla 8 - Ventas en unidades monetarias (servicio de arriendo de máquina pesada). Fuente: Elaboración propia.

N° DE VENTAS DE
PERMISOS SERVICIOS
AÑO
DE (Unidades
EDIFICACIÓN monetarias)

1996 27 33680

1997 24 28100

1998 21 26700

1999 19 25400

2000 29 34000

2001 37 42770

2002 44 48700

2003 39 43995

2004 29 34028

2005 40 44600

2006 36 39870

La ilustración 9, muestra una tendencia lineal de las ventas versus el período de

tiempo. Al aplicar regresión a los datos del cuadro 8, se obtienen los parámetros
que muestra el Cuadro 9.
 60000

50000

Venta de Servicios
40000

30000

20000

10000

0
0 10 20 30 40 50

Nº Permisos Edificación

Ilustración 9 - Servicios de arriendo versus permisos de edificación. Fuente: Elaboración propia.

Tabla 9 - Estadísticas de regresión. Fuente: Elaboración propia.

Estadísticas de la regresión

Coeficiente de correlación múltiple 0,99502451

Coeficiente de determinación R^2 0,99007378

Coeficientes

Intercepción (n) 6689,8

Variable X 1 (m) 951,5

De acuerdo a esta información, la relación funcional entre las variables es:

ŷ = mx + n = 951,5x + 6689,8; donde ŷ representas las ventas estimadas del

servicio de arriendo de máquina pesada. Si se dispone de una cantidad de 38
permisos de edificación para el siguiente período (año 2007), la venta de servicio
de arriendo de máquina pesada esperada se obtiene reemplazando la variable “x”
por 38, luego:

Ventas servicio de arriendo = 951,5(38) + 6689,8 = 42.847 unidades monetarias.

El caso más general de un modelo lineal considera la intervención de “k” variables
intervinientes, que se expresa mediante la siguiente relación:

yˆ = b 0 + b 1 x1 + b 2 x2 + b 3 x3 + ! + b k xk

Donde:

ŷ = variable dependiente en estudio.

xj = variable independiente (que se supone ser la causa de ŷ )

b 0 = Base o punto de partida para otros factores de influencia.

b j = Influencia de la variable independiente j sobre la variable en estudio.

La previsión por regresión múltiple es muy apropiada cuando un cierto número de

factores puede influir en una variable que se desea estudiar. En este análisis el
cálculo matemático manual se torna complejo, pero existe en las planillas de cálculo
programas estándar que facilitan su desarrollo.

Ejemplo, la tabla del cuadro 10, muestra a un grupo de trabajadores de una

determinada empresa, en donde aparecen “el tiempo” (y) que demoran en realizar
cierto proceso, “los años de experiencia” (x1) y, “la edad” que poseen (x2).
Tabla 10 - Tiempos de proceso por trabajador. Fuente: Elaboración propia.

Tiempo Experiencia Edad

Trabajador (hrs) (años) (años)
Nº
y x1 x2

1 54 4 30

2 55 6 28

3 40 4 21

4 43 4 24

5 54 8 25

6 52 7 26

7 56 8 26
 8 56 2 34

9 65 2 41

10 73 3 44

11 63 2 39

12 42 5 21

13 52 7 23

14 45 8 19

El cuadro 11 muestra el resultado de computadora, con los cuales se puede formar

la relación funcional entre las variables y predecir el tiempo que demora un
determinado trabajador en realizar el proceso.
Tabla 11 - Estadísticas de regresión. Fuente: Elaboración propia.

Estadísticas de la regresión

Coeficiente de correlación múltiple 0,9933

Coeficiente de determinación R^2 0,9867

Coeficientes

Intercepción (βo) -0,5266

Variable X 1 (β1) 2,1326

Variable X 2 (β2) 1,5164

Entonces, la relación funcional entre las variables es:

ˆ = - 0.5266 + 2.133 x1 + 1.516 x2

y

Con esta relación se puede predecir, por ejemplo, el tiempo que demora en realizar
el proceso, un trabajador de 5 años de experiencia y de 25 años de edad,
reemplazando x1= 5 y x2= 25, obteniéndose un tiempo de 48 horas.
Para la solución de la regresión lineal múltiple mediante Excel, examinar videos
tutoriales de uso del complemento ANÁLISIS DE DATOS de Excel. Por ejemplo:
https://www.youtube.com/watch?v=Bye0ZBdd6iI. Revisado el 28 de mayo de 2021.

Ilustración 10 - Funcionalidad Excel Análisis de datos. Fuente: Obtenido desde MS Excel.

Conclusiones

En este apunte has aprendido técnicas de pronóstico para utilizar en situaciones,

en que las series de tiempo, presentan algún tipo de tendencia y también en
instancias en las que el tiempo no es la única variable o incluso, puede no ser una
condición de predicción de ventas.

Las tendencias no son solo del tipo lineal sino que también existen tendencias con
comportamientos exponenciales, logarítmicos, entre otros. En ambas situaciones el
proceso es similar pues, una vez se ha obtenido una ecuación de la recta de la
forma Y = mx + n, es posible obtener no solo un periodo de pronóstico, sino que
esta ecuación permite también obtener varios periodos en los que se espera que la
tendencia se mantenga. La confiabilidad de cada uno de los pronósticos obtenidos
mediante las técnicas con tendencia, está basado en el Coeficiente de
Determinación con valores que van desde 0 a 1, en donde aquellos valores que más
se acerquen 1, serán las técnicas que mejor explican el comportamiento de las
ventas.

En las situaciones de series de tiempo, la pendiente m solo explica el

comportamiento de las ventas en función del tiempo pero, en los métodos causales,
esta pendiente puede involucrar un factor diferente al tiempo e inclusive vincular
varios en los que, cada uno de ellos, tendrá su propia pendiente o coeficiente en la
ecuación encontrada.

Al igual que para los casos de series de tiempo sin tendencia, la estacionalidad no
ha sido aprendida en este documento, sin embargo, haciendo algunos ajustes a las
técnicas aprendidas, podrás pronosticar en esas situaciones; encontrando incluso
situaciones en las que ciertos periodos se comporten con tendencia y otros sin
tendencia.
Bibliografía.

1 Chase, Richard y Aquilano, Nicolás: “Dirección y Administración de la

Producción y de las Operaciones”. McGraw-Hill, Sexta Edición, México, 1997.
2 Noori, Hamid y Radford, Russell:”Administración de operaciones y producción”.
McGraw- Hill, Colombia, 1997.
3 Schroeder, Roger :”Administración de Operaciones”. McGraw-Hill, Tercera
Edición, México, 1992.
4 Sipper, Daniel y Bulfin, Robert: “Planeación y Control de la Producción”.
McGraw-Hill, México, 1998.
5 Winston, Wayne: “Investigación de Operaciones”. Grupo Editorial Iberoamérica
S.A., México, 1994.