Este libro recopila algunas técnicas para pronosticar, como resultado de una investigación realizada sobre diferentes alternativas prácticas frente a la elaboración de pronósticos en situaciones de alta incertidumbre. Una de las dificultades a las que se enfrentan organizaciones es la existencia de pocos datos históricos de venta o incluso, la falta de ellos para la planeación de sus inventarios y por tanto, su logística. Otra, es la falta de conocimientos frente a técnicas apropiadas para el pronóstico, de forma prácticas y con utilidad cuando se presentan casos de muchos o de pocos datos históricos de ventas. Algunos de las técnicas más simples para la generación de pronósticos simples, es una generación de variable aleatoria luego de realizar la prueba de bondad de ajuste Ji-cuadrado y con la ayuda de una simulación iterativa. Sin embargo, la independencia y errores posibles generados llevan a efectuar una planeación de otro tipo de técnicas, como las de los modelos de regresión en series temporales. En la búsqueda de otras técnicas con especial aplicación a casos de existencia de pocos datos históricos, se encuentra la metodología de regresión bayesiana con aplicaciones distribucionales específicas, como la del caso Normal es decir, el dicha distribución para parámetros y datos, que se traduce en la estimación de un modelo de regresión bayesiana gaussiana y el caso normal para parámetros y Poisson para los datos, llevando a una regresión bayesiana Poisson, con las funciones del paquete MCMCPack del software estadístico R. Otra metodología bayesiana es el valor esperado, útil para pronosticar a corto plazo con actualización de valores de ventas. En las investigaciones presentadas aquí, se establecen pronósticos de ventas en situaciones de pocos datos o ausencia total, aplicable a todo tipo de organización aunque enfocado principalmente a productos y empresas con poco tiempo en el mercado. En la primera sección, se hace una revisión de conceptos estadísticos generales, así como teoría sobre de modelos de regresión, y su aplicación en series temporales, utilizados para pronosticar. En el tercer capítulo se presenta el marco teórico bayesiano, teoría estadística que no tuvo tanta popularidad hace muchos años, sólo hasta hace pocos años, con el auge de potentes sistemas de cómputo y de software estadístico especializado, que permitieron resolver muchos problemas analíticos que sin esta ayuda resultaban casi imposibles; teniendo también como obstáculo su marca de subjetividad, contraria a la estadística frecuentista, cuya objetividad reinante en las ciencias implicó el olvido por años de esta importante teoría estadística-matemática bayesiana, que hoy ha logrado alcanzar protagonismo por sus muy buenos resultados en los últimos tiempos. Se presenta una revisión de Monte Carlo con Cadenas de Markov, metodología que permitió resolver muchos de los problemas analíticos que presentaba la estadística bayesiana y la clásica, lo que ha permitido ajustar prácticamente cualquier modelo de probabilidad, así como optimizar modelos para pronóstico. Se abordan luego los modelos ya mencionados de regresión gaussiana bayesiana y de regresión bayesiana Poisson por MCMC. Hacia la cuarta sección se muestra un proceso de optimización, aplicado a un valor esperado bayesiano. Queda decir entonces, que aún falta ahondar en la exploración de mejores métodos estadísticos para pronosticar en situaciones de alta volatilidad, o incluso, pocos datos. Se anima a otros estudiantes e investigadores a extender este estudio, como lo es explorando otras combinaciones de distribuciones a posteriori partiendo de otras funciones de verosimilitud y distribuciones a posteriori, entre otro tipo de variación y profundización de este tipo de estudio