Este documento presenta diferentes métodos cuantitativos y cualitativos para realizar pronósticos de demanda. Describe varios métodos cuantitativos como promedios simples, promedios móviles, suavización exponencial y descomposición clásica. Luego explica en detalle tres técnicas de series de tiempo: tasa de crecimiento lineal, promedio móvil y suavización exponencial. Finalmente, introduce la suavización exponencial doble o ajustada para pronosticar modelos con tendencia.

1. República Bolivariana de Venezuela
Ministerio del Poder Popular Para la Educación Superior
Instituto Universitario Politécnico
“Santiago Mariño”
Extensión Maturín
Profesora: Bachiller
Xiomara Gutiérrez Requena Yuvice
CI: 17114948
Maturín, 19 de julio de 2014

2. Índice
Introducción…………………………………………………………………………..3
Métodos Cuantitativos…………………………………………………………….4
Métodos Cualitativos……………………………………………………………....9
Bibliografía…………………………………………………………………………...11
Anexo…………………………………………………………………………………..12

3. Introducción
Para las empresas poder ser competitivas deben de asumir decisiones bajo ciertas
incertidumbres, una de estas decisiones es de cuánto debe de producir la empresa
para poder satisfacer una demanda futura, dependiente de esta es que se
establecerá la capacidad de producción de la empresa para un determinado
periodo de tiempo, para realizar esta estimación de cuánto debe la empresa de
producir surge por el motivo de que la empresa debe de determinar la cantidad de
empleados requeridos, la cantidad de materia prima utilizada en el proceso, la
cantidad de recursos económicos necesarios para la producción y el margen de
beneficio que obtendrá con la producción.
La empresa se ve en obligación de tomar decisiones que pueden decir el curso de
la empresa, ya que si la empresa produce menos que la demanda deja de percibir
una ganancia, pero de igual forma si la empresa produce más que la cantidad
demandada produce un stock que se convierte en dinero parado para la empresa.
El principal objetivo para realizar un pronóstico es elaborar un esquema que sirva
como base para poder tomar una buena decisión basada en informaciones
obtenidas previamente. De estas informaciones se decidirá cuál método de
pronóstico utilizar, entre estos métodos están: Métodos Cuantitativos y Métodos
Cualitativos

4. Métodos cuantitativos: son aquellos que utilizan datos recolectados en el
pasado y mediante análisis y técnicas matemáticas pueden originar estimaciones al
futuro.
Métodos
Cuantitativos
Tipo Nombre Horizonte
Serie de
Tiempos
Casuales
No Formales
Promedio Simple
Promedio Móvil
Suavización Exponencial
Suavización exponencial lineal
Suavización exponencial cuadrática
Suavización exponencial estacional
Filtración Adaptativa
Descomposición Clásica
Modelos De Tendencia Exponencial
Ajustes De Curvas S
Modelo de Gompertz
Curvas De Crecimiento
Census II
Box Jenkins
Corto
Corto
Corto
Corto
Corto
Corto
Corto
Corto
Corto
Mediano y Largo
Mediano y Largo
Mediano y Largo
Mediano y Largo
Corto
Corto
Regresión Simple
Regresión Múltiple
Indicadores Principales
Modelos Econometrícos
Regresión Múltiple de series de
tiempo
Mediano
Mediano
Corto
Corto
Mediano y Largo

5. TÉCNICAS DE SERIES DE TIEMPO
A. TASA DE CRECIMIENTO / TENDENCIA LINEAL
Parte de un supuesto básico, los datos históricos de la demanda crecen de manera
lineal; ante ello podemos utilizar una tasa de crecimiento lineal pero única para
cada periodo en el que se encuentran organizados los datos utilizados.
B. EL PROMEDIO MOVIBLE
Un pronóstico de promedio movible se obtiene sumando los datos acerca de un
número deseado de periodos pasados. Este número por regla general abarca un
año, a fin de atenuar las variaciones de las temporadas. La atenuación resulta
porque los valores altos y bajos durante un año tienden a anularse. Extendiendo el
promedio movible para que incluya más periodos, se aumenta el efecto de
atenuación, pero se disminuye la sensibilidad de los pronósticos a datos más
recientes. Un promedio movible se distingue de un promedio simple por la
condición de los cálculos consecutivos; cada promedio se mueve hacia adelante en
el tiempo a fin de incluir una observación más reciente, eliminando al mismo
tiempo el dato más antiguo.
Procedimientos
Si un promedio movible dado, de 12 meses, es la demanda promedio para enero
del 2006 hasta diciembre del mismo año, el siguiente promedio movible incluye las
demandas para febrero de 2005 hasta enero de 2006. En el primer caso, el
promedio movible representa la demanda a medio año; en el último caso,
representa la demanda para el 30 de julio o 1ª de agosto.
Un promedio de los dos valores centraría la demanda en julio.
Un promedio movible calculado para cierto número de datos según las
observaciones más recientes, rara vez es un buen pronóstico para el siguiente
periodo, salvo que el patrón de datos sea relativamente constante. Un índice de
temporada referido al promedio movible mejora el pronóstico. Un valor del índice
se calcula dividiendo la demanda real entre el promedio movible centrado para ese
periodo. Un índice más con fiable se obtiene promediando varios valores del índice
para periodos comunes. El pronóstico es, por tanto, el producto del promedio
movible centrado más reciente para un periodo y el valor del índice para ese
periodo.

6. C. SUAVIZACIÓN EXPONENCIAL.
La suavización exponencial es una técnica de pronóstico de series de tiempo
(promedios móviles) que pondera los datos históricos exponencialmente para que
los datos más recientes tengan más peso en el promedio móvil. Con la suavización
exponencial simple, el pronóstico Ft se construye con la predicción del último
periodo Ft-1 más una porción α de la diferencia entre el valor de la demanda real
del periodo anterior At-1 y el pronóstico del periodo anterior Ft-1.
Ft = Ft-1 + α (At-1 - Ft-1 )
La constante de suavización α es un número entre 0 y 1 que entra multiplicando
en cada pronóstico, pero cuya influencia declina exponencialmente al volverse
antiguos los datos.
Una α baja de más ponderación a los datos históricos. Una α de 1 refleja una
ajuste total a la demanda reciente, y los pronósticos serán las demandas reales de
los periodos anteriores.
La selección de α depende de las características de la demanda. Los valores altos
de α son más sensibles a las fluctuaciones en la demanda.
Los valores bajos de α son más apropiados para demandas relativamente estables
(sin tendencia o ciclicidad), pero con una gran cantidad de variación aleatoria.
La suavización exponencial simple es un promedio suavizado centrado en el
periodo presente. No se puede extrapolar para efectos de tendencia, por la que
ningún valor de α compensará completamente la tendencia en los datos.
Los valores ordinarios de α varían entre 0.01 y 0.40. Los valores bajos de α
disminuyen efectivamente la variación aleatoria (ruido – dispersión).
Los valores altos son más sensibles a cambios en la demanda ( introducciones de
nuevos productos y error buscando cuál valor reduce el error del pronóstico.
Esto puede hacerse fácilmente modelando el pronóstico en un programa de
computo, tratando con diferentes valores de α.
Un valor de α que proporcione aproximadamente un grado equivalente de
suavización tanto como un promedio móvil de un periodo es
α = 2 / (n + 1)
Ejemplo:
Una empresa usa suavización exponencial simple con α = 0.1 para pronosticar la
demanda. El pronóstico para la semana de octubre 1 fue de 500 unidades,
mientras que la demanda real fue de 450 unidades.
a) pronosticar la demanda de la semana de Octubre 8
b) Supóngase que demanda real durante la semana de octubre 8 fue de 505
unidades. Pronostique la demanda de la semana de octubre 15. Continúese

7. pronosticando hasta noviembre 12 suponiendo que las demandas subsecuentes
fueron realmente 516, 488, 467, 554 y 510.
a)
Ft = Ft-1 + α (At-1 - Ft-1)
Ft = 500 + 0.1 (450 – 500)
Ft = 495 unidades
D. SUAVIZACIÓN EXPONENCIAL DOBLE O AJUSTADA - HOLT
Si se tuviera que pronosticar un modelo con tendencia usando suavización
exponencial simple, el pronóstico tendría una reacción retrasada al crecimiento.
Entonces, el pronóstico tendría a subestimar la demanda real. Para corregir esto se
puede estimar la pendiente y multiplicar la estimación por el número de periodos
futuros que se quieren pronosticar.
Una simple estimación de la pendiente daría la diferencia entre las demandas en
dos periodos sucesivos; sin embargo, la variación aleatoria inherente hace que
esta estimación sea mala. Para reducir el efecto de aleatoriedad se puede usar la
diferencia entre los promedios calculados en dos periodos sucesivos. Usando
suavización exponencial, la estimación del promedio en T, es ST , de manera que
la estimación de la pendiente en el tiempo T
BT = (ST - ST-1)
Con esta idea una vez más, se puede usar suavizamiento exponencial para
actualizar la estimación de la tendencia, lo que lleva al suavizamiento exponencial
doble, representado por el siguiente conjunto de ecuaciones.
ST = α dT + (1- α) (ST-1 + BT-1)
BT = β (ST - ST-1) + (1- β) BT-1
FT+K = ST + k BT
El pronóstico para k periodos futuros consiste en la estimación de la pendiente
más una corrección por tendencia.
Debe elegirse uno de los dos parámetros α y β, para el suavizamiento exponencial
doble. Los comentarios sobre la elección de α en el suavizamiento exponencial
simple son válidos para ambos parámetros en este caso.
Para obtener un suavizamiento doble en el tiempo T, se necesitan los valores de
ST-1 y BT-1. Existen muchas formas de obtenerlos.
Procedimiento

8. Primero se dividen los datos en dos grupos iguales y se calcula el promedio de
cada uno. Este promedio se centra en el punto medio del intervalo; si hubiera 12
datos en el grupo, el promedio estaría en 6.5
La diferencia entre los dos promedios es el cambio en la demanda respecto a la
media de cada conjunto de datos. Para convertir esta diferencia en una estimación
de la pendiente, se divide entre el número de periodos que separan los dos
promedios.
Después, para obtener una estimación de la ordenada, se usa el promedio global y
la estimación de la pendiente por periodo multiplicados por el número de periodos
a partir del punto medio del periodo actual. Es más fácil entender este proceso
usando un ejemplo.
Los modelos de suavización exponencial ajustada tienen todas las ventajas de los
modelos de suavización exponencial simple; además, proyectan en el futuro (por
ejemplo para el periodo t + 1) agregando un incremento de corrección de
tendencia Tt, para el promedio suavizado del promedio suavizado del periodo
presente F.
TÉCNICAS CAUSALES
E. Métodos de regresión y correlación
Las técnicas de regresión y correlación cuantifican la asociación estadística entre
dos o más variables. La regresión lineal simple expresa la relación entre una
variable dependiente Y y una variable independiente X, en términos de la
pendiente y la intersección de la línea que mejor se ajuste a las variables.
La correlación simple expresa el grado o la cercanía de la relación entre las dos
variables en términos de un coeficiente de correlación que proporciona una medida
indirecta de la variabilidad de los puntos alrededor de la mejor línea de ajuste- Ni
la regresión ni la correlación dan pruebas de relaciones causa – efecto.
Regresión: El modelo de regresión lineal simple toma la forma
Y = a + bx,

9. F. REGRESIÓN LINEAL CON FACTORES DE ESTACIONALIDAD
Este modelo de análisis causal utiliza el modelo de regresión lineal simple pero
considera factores de estacionalidad o índices de temporada para poder romper
con la tendencia de los datos.
Métodos cualitativos: este se basa más en técnicas subjetivas basadas en
juicios de la persona que realiza la estimación
METODO DELPHI
 La técnica o método Delphi es un proceso de grupo que tiene como fin un
pronóstico por consenso. El proceso necesita de un grupo de expertos
internos o externos de la empresa quienes recaban opiniones por escrito
sobre el punto que se discute.
 Los procedimientos que se siguen son los siguientes:
 Cada uno de los expertos realiza una breve predicción sobre una pregunta
que trata de una situación en la que se requiere un pronóstico. La pregunta
es expresada de forma muy general.
 El moderador o coordinador es quién proporciona la pregunta original,
después reúne las opiniones poniéndolas en términos claros y finalmente las
edita.
 Los resúmenes hechos por los expertos dan la pauta a un conjunto de
preguntas que el moderador da los expertos para ser contestadas.
 Las respuestas son de nuevo recopiladas por el moderador, este proceso se
repite hasta que el moderador este de acuerdo con la predicción general.
ESTRUCTURA DE LA FUERZA DE VENTAS
 Se pide a cada vendedor (por ejemplo por cubrimiento territorial) proyectar
sus ventas. Como el vendedor es el más cercano al mercado tiene la
capacidad de conocer la demanda de los clientes. Las proyecciones se
combinan después a nivel municipal, provincial y regional.

10. ENCUESTA A LOS CLIENTES
 Se pregunta a los clientes sobre sus planes de compras y su
comportamiento de compras proyectado. Se necesita a una gran cantidad
de encuestados para poder generalizar ciertos resultados.
JURADO DE OPINION EJECUTIVA
Se unen opiniones de grupos de pocos gerentes de alto nivel para estimarla
demanda. Utilizan la experiencia y la suma de resultados de modelos estadísticos.
COMPUESTO DEL DEPARTAMENTO
Se pide cada vendedor proyectar sus ventas. Este tiene la capacidad de conocer la
demanda de los clientes.
ESTUDIO DE MERCDO
 Preguntar a los consumidores sobre sus futuros planes de compra.
 Lo que dicen los consumidores.
 Es de utilidad para mejorar el diseño y hacer una nueva planificación.

11. Bibliografías
www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r89494.PDF
webdelprofesor.ula.ve/.../Analisis%20de%20la%20oferta%20-
%20metodos%20de%20proyeccion2.pptx