2.1 Pronésticos 105 dos; se adapta de una manera mas rapida al cambio de la demanda en el periodo 6 que el modelo en el que se tomé el valor mas bajo de a Ventajas El suavizado exponencial simple y los otros modelos de sua zado exponencial comparten las ventajas de que requieren muy pocos da. tos histéricos. Para actualizar el pronéstico de un periodo al siguiente solo se necesitaa, la demanda del dltimo periodo y el pronéstico del ditimo periodo. Es necesario recordar que este modelo incorpora en el nuevo pronéstico fodas las demandas anteriores. Este modelo es facil de entender J se puede computarizar para miles de nameros de partes, para abasteci mientos de elementos o para elementos que se encuentran én inventarios. El coeficiente de suavizacian puede establecerse para clases o familias de objetos para reducir el costo de la seleccién de parémetros. Hemos obser Vado el uso del modelo en los sectores de manufactura y de servicios. Sus ‘ventajas principales son la sencillez y la eficacia con que funciona este modelo para obtener de una manera econémica pronosticos “rapidos y faciles”. Seleccién de pardmetros de pronésticos y comparacién de los mo delos El procedimiento para seleccionar parametros para los prondsti cos incluye los siguientes cuatro pasos; el quinto paso se emplea en la in y en la seleccién de los modelos. 1. Distribuir los datos disponibles en dos subconjuntos, uno para ajus tar los parametros (conjunto “prueba”) y el otro para realizar el pronéstico. 2. Seleccionar una medida del error que permita evaluar la preci del pronéstico de los pardmetros que se desean probar. Tanto la MAD como el sesgo son Giles para medir el error. 8. Elegir ciertos valores de a para que sean evaluados. Emplear uno de los valores de a aplicado al modelo de pronéstico en el conjunto de los datos de prueba, y registrar los errores resultantes del pronés- tico. Posteriormente, seleccionar un nuevo valor de a y repetir el proceso. Este proceso se continta hasta que hayan sido probados Valores representativos de a dentro de la gama de valores existentes. 4. Elegir el valor de « que dio como resultado el error de pronéstico ‘més pequefo al aplicarlo en el conjunto de datos de prueba. El mo delo esta listo para ajustar los valores de la demanda. 5. Realizar el pronéstico con el modelo exponencial (0 de media mévil) que se empled en los datos de prueba, con el resto de los da tos, Estos datos también se pueden usar para comparar modelos al ternativos que se hayan implementado previamente con los datos representativos de la demanda. Si el propésito no es comparar los modelos, no es necesario distribuir los datos; todos-los datos pueden ser usados como:pruieba en los pasos | a 4108 41 / PLANEACION (DISENO) DEL SISTEMA DE CONVERSION Quienes estén familiarizados con la programacién por computadora pueden visualizar cémo el uso de las computadoras puede acelerar las operaciones al llevar a cabo este procedimiento. Suavizado exponencial adaptative Si quien realiza el modelo o el ad- ministrador no estan seguros de la estabilidad o de la forma del modelo subyacente de la demanda, el suavizado exponencial adaptativo propor ciona una buena alternativa del pronéstico. En el suavizado exponencial adaptativo, el coeficiente de suavizacién, a, no siempre es el mismo; ini- cialmente se determina y luego se permiten variaciones de él en el tiempo, de acuerdo con los cambios del modelo subyacente de la demanda. Incorporacién de los componentes de tendencias y los estacionales Los modelos de suavizado exponencial asi como los modelos basados en me- dias méviles, pueden ser modificados para que se puedan incorporar componentes de tendencias y estacionales. Anteriormente se ha estado pronosticando toda la serie de tiempo como si s6lo tuviera un componente constante (figura 5.3). Si existe una tendencia es posible pronosticar ex. ponencialmente el componente de esa tendencia, si es que existe. Luego se realizarfa un pronéstico compuesto superponiendo la tendencia cons- tante y Ia estacionalidad. Por ejemplo, un pronéstico constante de 1,050 unidades podria ser ajustado para una tendencia positiva que hubiera sido pronosticada exponencialmente en 100 unidades. Este total, al ser sumado con el Pronéstico del periodo siguiente (1,150 unidades) podria ser ajustado pos- teriormente con un factor temporal de pronéstico exponencialmente multiplicativo. Supéngase que el pronéstico estacional es solamente de 90 Por ciento debido a una cafda natural (temporal). El pronéstico compuesto resultante es de 1,035 unidades (90 por ciento de 1,150). Se dispone de f6rmulas para modelos tales como este modelo de suavizado exponencial con una tendencia aditiva y factores temporales de cardcter multiplicativo. Doble suavizado exponencial El doble suavizado exponential tiende a suavizar el ruido en series de demanda estables. Se sabe que un gran labo- ratorio farmacéutico emplea este modelo para pronosticar la demanda para los miles de medicamentos que elabora. EI modelo es directo; suaviza el pronéstico obtenido con un modelo de suavizado exponencial de primer orden y el pronéstico obtenido me diante un modelo de suavizado exponencial doble. Pronésico del ee Pronfeien Bguiente por rms reciente Pronéstico del = (q) stavisndon + (1 — @) por suavirado perioda siguiente reese yeni aeiprimer doble orden FD, = oF, + (1 ~ a)FD.-.4 31 Prongsticos 107 donde Osas10 Observe que F, es el modelo de suavizado exponencial de primer orden expresado de acuerdo con la ecuacién 3.6 y que debe de ser calculado an- tes de encontrar la FD, EJEMPLO Milo Inc. tiene un modelo de suavizado exponencial de primer orden que ha proporcionado un pronéstico de 103,500 bushels para un trigo de gra- do #3 en el condado de Boone, para el mes de julio. La produccién de trigo de grado #3 del afio anterior, en el mes de junio, fue de 70,500 bushels. Esta cifra se empleara como una estimacién de pronéstico mas reciente obtenida mediante un suavizado exponencial doble. Dado que ‘= 0.20 parece ser un buen coeficiente de suavizado para Milo Inc., ob- tener un pronéstico con un modelo de suavizado exponencial doble para el mes de julio. Seat = julio Entonces FD, = aF, + (1 ~ a)FD,-1 2. (103,500) + (1 — .2)(70,500) 20,700 + 56,400 = 77,100 El pronéstico para julio sera de 77,100 bushels. Andlisis de regresin Regresién lineal El andlisis de regresién es una técnica de pronéstico {que establece una relacién entre variables. Una variable se conoce y se usa para pronosticar el valor de una variable aleatoria desconocida. De los datos anteriores se establece una relacién funcional entre las variables. Se considera en este momento la situacién de regresin mas sencilla sélo pa- ra dos variables y para una relacién funcional lineal entre ellas. ‘Nuestro pronéstico para la demanda del periodo siguiente F, se puede expresar mediante: Fema + bX, B14) Donde F, es el pronéstico para el periodo ¢, dado el valor de la variable X en el periodo ¢. Los coeficientes a y & son constantes; a es la ordenada al origen de la variable (F) y 6 es la pendiente de la recta. A menudo esta ecuacion se expresa de una manera mas conocida. Yaa+bx : 3.15)108 1 / PLANEACION (DISER(O) DEL SISTEMA DE CONVERSION Se ha sustituido F por ¥ para indicar que F es el valor pronosticado. En la ecuacién 3.14 la demanda pronosticada F, indica el futuro. Sin embargo para encontrar en realidad los coeficientes a y b se utiliza la demanda anterior (0 histérica) en vez del pronéstico anterior. Se emplea D, para i dicar la demanda histérica y para encontrar los coeficientes a y 6. Enton ces, cuando se desea pronosticar la nueva demanda. se emplea F, para representar el prondstico de la demanda. Los coeficientes @ y 6 pueden calcularse mediante las dos ecuaciones siguientes: p= MEXD) ~ (EX) GD, n (2XA) ~ (2K)? (3.16) = BEX, ” : (3.17) en donde D=a+ bx G.18) EJEMPLO Una empresa que fabrica cajas de cartén hace cajas para pizzas. El depar tamento de planeacién de operaciones sabe que un pronéstico adecuado y preciso de cajas para pizza de un cliente esta en relacién estrecha con los. gastos de promocién de éste, el cual se puede obtener por adelantado an tes de realizar el gasto. El departamento de planeacién de operaciones estd interesado en establecer la relacién entre la promocion de la empresa de pizzas y las ventas. Una vez que eso se haya establecido, las érdenes de compra de las cajas para pizzas, en délares, pueden expresarse como por: centaje fijo de las ventas. Publicidad y ventas trimestrales Publicidad ‘Ventas Trimestre ($100,000) (§ Millones) 4 10 15 2 8 16 5 7 9 10 Haciendo el calculo de 6 y a, donde la publicidad es X, para el trimestre 4 las ventas son D, para el trimestre “ y F, es el pronéstico para el futuro periodo ¢ 5x D ‘Trimestre Publicidad ‘Ventas x DB xD 1 4 1 16 1 4 2 10 4 100 16 40 3 15 5. 225 25 % 4 2 4 144 16 48 5 3 3 64 9 24 6 16 4 256 16 64 7 5 2 25 4 10 3 7 1 49 1 7 9 9 4 at 16 36 10 40 Z 100 , ane t10 Por tanto, la recta estimada de regresién, la relacin entre las ventas fu turas (F,) y la publicidad (X,) es: : F,=.22+.29% En el ejemplo anterior, quien hace la planeacién de las operaciones puede investigar los gastos planeados en publicidad y sobre esas ventas Puede hacer €l pronéstico. Por ejemplo. la publicidad del préximo 1 Pcsire se espera que tenga un monto de 1 100 000 délares. Sustiuyendo 11 para X, en la ecuacién anterior se tend: : F= 22 + .29(11) = 3.41 El pronéstico de las ventas es de $.41 millones de délares, Silos pedidos de cajas representan el 8 por ciento de las ventas, quien planea las oper Siones podrfa esperar que el monto total por concepto de peditdos seria de 170.500 dolares para el trimestre (.05 X8.41). Tal estimaci6n puede ser de gran utilidad en la planeacién global de las operaciones. ‘Aun cuando desde el punto de vista computacional los modelos de regresin lineal son mas complejos que los antes expuestos, han resultado Ge utilidad en algunas situaciones. Pueden ser utilizados. por ejemplo. Cuando la grafiea de los datos sugiere que el-patron subyacente ¢ un? Hines recea’o casi. Cuando los datos son lineales y estables algunas veces se puede emplear la regresién lineal. Sin embargo. se requieren muchos Gatos y puede ser comprometedor y costoso el almacenarlos. También re Salta Sebo el realizar las operaciones aritméticas requeridas periodo por periodo, a menudo semanal, para miles de productos procedentes de ope Taciones de produccién 0, de abastecimientos.110 II) PLANEACION (OISENO) DEL SISTEMA DE CONVERSION SELECCION DEL MODELO DE PRONOSTICO Combinacién de modelos de proné intuitivo Se han estudiado diversos modelos estadisticos de pronéstico para calcu: lar la estimacién de la demanda en la planeacién y control. Como geren- te, ahora es necesario hacer frente a la tarea de seleccionar el mejor modelo de acuerdo con sus necesidades. ¢Cual es el que se debe de selec- cionar, y qué criterios hay que emplear para tomar la decision? Como se dijo anteriormente, los criterios que tienen influencia en la n de los modelos son el costo y la precisién (error de pronéstico), tal como son medidos por MAD y el sesgo, pueden ser convertidos o trans. formados en términos de costos (délares). Los costos a ser considerados en {a seleccién de los modelos son: costos de implementacién, costos del siste ma y costos de los errores gn el prondstico. De los tres, los costos impu. tables a los errores en el prondstico son probablemente los més dificiles y ‘complejos de evaluarse. Estos son funcién del ruido en la serie de tiempo. forma de la curva de demanda, longitud del horizonte de tiempo de pro. néstico y forma de medicién del error de pronéstico. No existe ningtin sustituto para un andlisis cuidadoso de las demandas tipicas de los ele. mentos, incluyendo las gréficas, en el momento de hacer la seleccién de os modelos. Diversos estudios han evaluado y comparado el desempefio de dife. rentes modelos. En general, cualquiera de los distintos modelos puede ser el mejor, dependiendo del patrén de la demanda, del nivel de ruido y de la Jongitud del periodo de pronéstico. Casi siempre al hacer el pronéstico se puede tener la opcién de diferentes modelos, que pueden ser buenos para cualquier tipo de demanda, cuando la seleccién se basa solamente en el error de pronéstico. Si se trata de muchos estudios, el doble suaviza- do exponencial resulta ser el mejor modelo. En los extudios de cardcter comprensivo se ha encontrado que el promedio simple y el promedio ponderado daban mejores resultados que con el resto de los métodos de pronéstico, aun de los métodos individuales.* De estos estudios se puede concluir que la precisién del pronéstico mejora, y que se reduce variabilidad de la precisién entre las diferentes combinaciones, a medida que en promedio aumentan los métodos. La combinacién de los modelos de pronéstico es muy promisoria en el caso de las operaciones, ‘Spyros Makridakis, et al., ‘The Accuracy of Extrapolation (Time Series) Methods: Results of 4 Forecasting Competition,” Journal of Forecasting | (1982). 111-183: Spyres Maleidahie ac Robert L. Winkler, “Averages of Forecasts: Some Empirical Rowlis," ttanaronaut Seine 29, no. 9 (September 1983), 987-996; Spyros Makridakis, “The Art and Gcionce Forecasting: An Assessment and Fature Directions.” intemational Journal of Forscouing ? 1986), 15-39; Michael J. Lawrence, etal, "The Accu,acy of Combining Mdgerentat fad tatistical Forecasts," Management Science 32 (1986), 1521-32; and Thomas D. Reseell and Everett E. Adam, Je, “An Empirical Evaluation of Alternative Forecasting Combieatone + Management Science 33 (1987), 1267-76.3.1 Prongsticos 111 Tal como lo sefialan Makridakis y Winkler: “La combinacién de los pro- nésticos parece ser una buena alternativa practica cuando, como sucede a menudo, un modelo verdadero del proceso generador de la informacién 0 un mejor método sencillo de pronéstico. por cualquier causa, no puede ser encontrado, o identificado". DIMENSIONES DE COMPORTAMIENTO EN EL PRONOSTICO Pronésticos individuales contra pronésticos derivados de modelos Pronéstico intuitivo como un proceso de juicio Para entender algunas de las dimensiones de los prondsticos es necesario tomar en consideracién el comportamiento humano, por el hecho de que Jos pronésticos no siempre se elaboran de acuerdo con modelos estadisticos. Las personas pueden hacer pronésticos analizando de una manera intuitiva los datos del pasado, ¢ intervienen a menudo de otras formas en el procedimiento estadistico de pronéstico. Un gerente puede legar a pensar que los pronésticos de objetos generados mediante mode- los deben de ser verificados en lo concerniente a su razonabilidad por personas experimentadas en la toma de decisiones. Los pronésticos gen rados mediante modelos no deben de seguirse a ciegas, Las posibles consecuencias en los costos deben de ser tomadas en cuenta con sumo cuidado. Al realizar sus intervenciones, quienes toman las decisiones pueden tener en cuenta datos cualitativos que no se incluyen en el mode- Jo. Quienes toman las decisiones deben emplear el modelo de pronéstico ‘como una ayuda; no deben de confiar totalmente en el modelo de pronés tico en todas las decisiones a las que se enfrentan. ‘Muchos, probablemente la mayoria de los pronésticos empleados en la produccién/operaciones son pronésticos individuales de cardcter intuiti- vo. Hemos observado pronésticos intuitivos, por ejemplo, en grandes ins- talaciones donde se produce tabique recocido y en los hospitales. Uno de los problemas para la implantacién de modelos de pronéstico radica en llegar a convencer al pronosticador intuitivo en que lo haria mucho mejor si contara con un modelo. Normalmente se sabe poco sobre la eficacia relativa de la prediccién he- cha de manera intuitiva. Es posible, sin embargo, proporcionar un enfo- que estructurado para examinar esta area del comportamiento humano al analizar algunos de los procesos mentales que intervienen. Un pronésti- co puede ser contemplado como la culminacién de un proceso que consta de diversas etapas, las que incluyen la basqueda de la informacién y el procesamiento de la misma. Su resultado es la inferencia o inferencias so- bre el futuro basadas en cada uno de los modelos de los datos histéricos °Makridakis and Winkler, "Averages of Forecasts.” p. 987.42 1 J PLANEACION (DISENO) DEL SISTEMA DE CONVERSION ‘que se presentan al pronosticador. Se puede especular sobre la existencia de ciertos factores ambientales que pueden afectar estos procesos menta- les asi como el resultado de un pronéstico intuitivo. Significacién La tarea de hacer el pronéstico en s{ requiere de la consi- deracién de un conjunto restringido de informacién acerca de la deman- da histérica. Al tratar los temas de cémo enriquecer y disefiar puestos (capitulo 8) veremos que si se pueden hacer tareas repetitivas que sean significativas para la persona que las lleva a cabo, en general se logran re- sultados positivos. El impartir un cierto significado puede entonces dar como resultado la alteracién del pronéstico intuitivo; mientras mas signi- ficativa sea la tarea del pronéstico, mas preciso resultard el pronéstico intuitivo. Complejidad de los modelos La complejidad de los modelos, la forma general de la funcién de demanda, es una variable critica en el pronés de cardcter intuitivo, asi como también lo es en la realizacién de pronés. ticos por medio de modelos. Algunos estudios de comportamiento nos lle- van a sugerir que los pronosticadores intuitivos pueden obtener mejores resultados con modelos de demanda lineal que con los no lineales. Ade- més, existe una tendencia a utilizar los datos no lineales como si se tratara de datos lineales. Grado del ruido Si se obtienen suficientes datos histéricos los proble- mas de pronéstico resultan triviales en la mayor parte de los casos, pues no hay ruido. Sin embargo, la introduccién de variables aleatorias a menu- do hace surgir una condicién de incertidumbre. Niveles de ruido de- masiado altos son un obstaculo para contar con una buena base para un pronéstico preciso, y a medida que aumenta el ruido el resultado es un pronéstico menos preciso. Variabilidad individual Otro descubrimiento hecho en los estudios de pronéstico intuitivos es la’ amplia variabilidad de desempefio observada en los pronosticadores. Cuando se compara a los pronosticadores con los modelos, se comprueba que muy pocos son realmente buenos. Si la pla neacién y la direccién de la produccién y las operaciones se basan en pro. nésticos muy deficientes, estas variaciones en cuanto al desempefio pueden resultar muy costosas. Desemperio individual contra desempefio de los modelos {Cémo pue- den compararse los individuos con respecto a los modelos de pronéstico? En los estudios, los modelos de suavizado exponencial incuitivo cuando se ajustan a las demandas histéricas, mismas que se proporcionan a los pro- nosticadores intuitivos, sobrepasaron significativamente el desempefio promedio del grupo de pronosticadores. Solamente unos cuuantos pronos- ticadores buenos sobrepasaron a los modelos. El gerente de operaciones ‘debe considerar a los modelos como al:ernativa de los individuos. En ge~Deal \ WS RESUMEN 2.1 Pronésticos 113 neral, los modelos son més precisos, y si una gran cantidad de elementos debe de ser pronosticada, los modelos resultan mas econmicos. Pronéstico, planeacién y comportamiento Un anilisis y evaluacién de la excelente literatura existente compara muchas de las dimensiones del modelamiento y psicolégicas de pronosticar, planear y tomar decisiones.* Muchas limitaciones y sesgos en el procesamiento de la informacién que incluyen juicios y razonamientos humanos se aplican por igual en el pronosti- co yen la planeacién. Los errores que se han encontrado en los procedimien. tos de pronéstico incluyen la acurnulacién de informacién redundante, la falla en la bésqueda de posibles pruebas que permitan no confirmar las, hipotesis realizadas, y un exceso de confianza en la emision de juicios. ‘Ademis, se ha dado una atencién insuficiente a las implicaciones de nu- merosos estudios que muestran que el razonamiento predictivo de los se- res humanos a menudo es menos confiable que el de los simples modelos cuantitativos. Los que estén interesados en los aspectos de comporta miento en la prediccién o en las interacciones entre el pronéstico y la pla neacién deben examinar el anélisis comparativo més detalladamente. Este capitulo trata sobre el tema de la prediccién en la administracion de las operaciones, y se define el pronéstico como el uso de los datos del pasa- do para determinar los eventos futuros. Por otra parte, la prediccién se tefiere a las estimaciones subjetivas del futuro. Un gerente requiere habili dad, experiencia y un buen razonamiento para realizar buenas predicciones; a menudo las técnicas estadisticas y de la ciencia de la administracién deben de ser empleadas para lograr buenos pronésticos. Se estudié la disyuntiva costo/ precisién al seleccionar un enfoque de pronéstico. En general, mientras mas econémico es el procedimiento de pronéstico, menos precisos son los resultados. Se estudiaron tres grupos bisicos de técnicas de pronésticos: los modelos cuantitativos, los andlisis intuitivos (series de tiempo) y los modelos causales. La situacién de pro- néstico de elementos individuales, que es més frecuente encontrar en la produccién/operaciones, se puede enfocar mejor con los modelos intuiti vos (series de tiempo). Los resultados de la investigacién ilustraron cémo el mejor modelo de pronéstico a ser utilizado depende del horizonte de tiempo de prediccién; del ruido; de la medida del error de pronéstico, y sobre todo del modelo de demanda. Se afirmé que parece no haber ningén modelo de pronéstico que sea el mejor para todos los modelos de demanda, aun cuando el doble suavizado exponencial dé tan buenos resultados como cualquier otro. ‘Robin. M, Hogarth and Spyros Makridaki Management Seience 27, no. 2 (February ‘Forecasting and Planning: An Evaluation.” 1), 1538,114 IL PLANEACION (DISENO) DEL SISTEMA DE CONVERSION ‘A menudo los pronésticos no se realizan mediante modelos estadisti- cos; las personas pucden y lo hacen al emplear intuitivamente datos del pasado para pronosticar eventos futuros. Nuestra exposicién mostré, sin ‘embargo, que en general el desempeiio individual en la prediccion decre ce con la falta de significatividad, con el incremento de complejidad en el modelo y con un incremento en la incertidumbre. Sin embargo, aun cuando en general los modelos de pronésticos tienden a sobrepasar a los inds intuitivos pronésticos, existen, sin embargo, algunas personas que parecen superar de una manera firme a los modelos. CASO. Northwestern Hospital Supply, Inc. Suzi Trotter fue contratada por una compaiiia que prove a hospitales, la Northwestern Hospital Supply, Inc., hace dos afios, como represen. tante de ventas. Debido a que logré incrementar las ventas en el occi- dente de Oregon, Suzi fue transferida a operaciones, en donde es analista de operaciones. Sabe que, si logra buenos resultados en este puesto, probablemente sea gerente regional de operaciones o gerente en el area de ventas en un lapso de 12 a 36 meses. La primera asignacién de trabajo a Suzi es el de recomendar un procedimiento de pronéstico por elemento para una familia de partes que incluye articulos ortopédicos. La demanda para un articulo repre- sentativo, rollos para recubrimiento, se muestra en la tabla siguiente. El procedimiento normal de pronéstico para este articulo es un estimado intuitivo realizado por un empleado experimentado en abastecimien: tos. Después de revisar sus notas de clase de un curso de operaciones que somé hace tres afios en la Universidad Estatal de Oregon, Suzi de- cidié probar un modelo de pronéstico, suavizado exponencial de pri- mer orden. Su supervisora piensa que los datos son estacionales y le gustarfa contar con un modelo representativo de la estacionalidad. A Suzi le gustarfa emplear la computadora de la compafifa para proba valores diferentes de los coeficientes de suavizado, pero no esta segura de sus habilidades como programadora. Después de pensar sobre un modelo de pronéstico y sobre la selec- ién de pardmetros (tales como valores iniciales y coeficientes de suaviza- do) Suzi ha decidido usar MAD como primer mecanismo de evaluacién. Ha oido hablar del sesgo, pero no recuerda nada significativo que la convenza para empleario. | Demanda de Cundas para tubos clinicos Tiempo ‘empo (semanas) Ventas (semanas) Ventas 1 1084 964 2 1056 26 936 3: 1090 a7 970‘ 31 Pronieticos 118 € | c Tiempo Tiempo (semanas) Ventas (semanas) Ventas i c 4 953 28 833 5 868 29 748 « 6 868 30 847 7 1034 31 905 c 3 1088 32 968 C 9 1069 33 361 10 856 34 736 "1 876 35 737 2 796 36 752 B 1023 37 903 4 1003 38 > 883 15 1036 39 916 c 16 835 40 m8 7 787 a 691 c 18 856 a2 736 - 19 1008 a 888 c 20 1036 44 908 ye 21 920 45 908 2 805 46 685 c 2B 816 a7 696 Ey 716 48 692 c i c y c c Preguntas del caso Pe , 1. Hacer una grifica con los datos e identificar cualquier patrén que ¢ se observe a partir de la grifica. c 2. Disefiar un procedimiento de anélisis para Suzi Trotter. Incluir los c modelos de pronéstico, medidas de evaluaci6n y el procedimiento para determinar los valores iniciales y los parametros del modelo para cualquier tipo que se desee probar. .n modificar los modelos de la media mévil sen. de primer orden para que pudieran incluir ajus- tes para tendencias y para datos estacionales? 4. Llevar a cabo el anélisis recomendado en la pregunta 2. Emplear una computadora con software, como el paquete QSOM o una calcu- ladora programable, que puede ser de utilidad, pero no es indis- pensable. 5. Discutir Jos problemas de implementacién que Suzi podria en- contfar una vez que haya completado su andlisis a316 / PLANEAGION (OISENO) DEL SISTEMA DE CONVERSION CASO La Spradling Enterprises produce articulos de limpieza para el hogar. Uno de los productos, el Stain ReMover, producto namero SRM-10, Spradling ha tenido dificultades en cuanto a su produccién suficiente como para Enterprises sostener niveles de inventario entre los distintos lotes de produccién. La tabla ilustra la demanda mensual en lotes de 24 cajas para los diltimos 15 meses, que de hecho ¢s el tiempo que dura el SMR-10. Demanda mensual para el SRM-10 en lotes de 24 cajas Mes Demanda Mes Demanda Diciembre de 1987 22 ‘Agos 37 Enero de 1988 40 Septiembre 55 Febrero 32 Octubre 6 Marzo 55 Noviembre B Abril 7 Diciembre 90 Mayo 53 Enero de 1989 al Junio 50 Febrero 93 Julio 62 El gerente de produccién ha pedido a control de produccién que ‘examine de nuevo el procedimiento de pronéstico para los articulos pa- ra este producto. En control de produccién el pronéstico inicial de 12 meses del departamento de mercadotecnia siempre se usa para un nue- vo producto. Ante la ausencia de otras instrucciones, su pronéstico de 150 lotes por mes ha sido usado hasta la fecha para el SRM-10. ‘Spradling Enterprises emplea el suavizado exponencial de primer or- den para el pronéstico de los articulos en los cuales se cuenta ya con un afio de experiencia con el producto. Para cada producto se emplea un modelo de suavizado lento (coeficiente de suavizacién de 0.2) 0 uno de suavizado rapido (coeficiente de suavizacién de 0.7). La seleccién de un suavizado lento o rapido se basa principalmente en la desviacién media absoluta (MAD) en los datos de los seis Gltimos periodos, tomando en con- sideracién al sesgo de manera secundaria. El pronéstico inicial necesario para evaluar un suavizado lento o répido para un nuevo producto es siem- pre el pronéstico del mercado. El gerente de control de produccién siempre se preocupa del pro- blema especifico de cambiar el pronéstico del SRM-10 para que coinci- da con los procedimientos normales y para atender el problema mas general de hacer una lista de verificaci6n para renovar los proce mientos de pronéstico que ya existen, con el fin de obtener mejores resultados. CELL GK ELEEEEE LE EEE EL EEE CHL EE CEC EEO EELe Z r ee Ee c 3 / Prontsticos 117 - PREGUNTAS PARA REPASO Y DISCUSION c 1. Contrastar los conceptos de: pronéstico y prediccién y dar un ejemplo de c cada uno de ellos. 2. El pronéstico es una informacién imporcante para tomar decisiones en el c ssubsistema de operaciones. Explicar cual seria el pronéstico para que fun. cione un supermercado y relacionar esa informacién con la figura 3.2. - 8. Explicar lo que son los conceptos de ruido en la demanda, modelo y esta- G bilidad en el andlisis de series de tiempo. nr 4. Cuil procedimiento emplearia para evaluar un pronéstico MAD o sesgo? ePor qué? 5. Presentar cualquier prueba que permita sugerir que el pronéstico es un c problema de importancia en el sector de servicios. Examinar la tabla 8.1, que resume las técnicas modernas de pronéstico. aExise una técnica mejor? Qué conclusién se puede obtener de dicha a tabla? c 7. Contrastar las disyuntivas costo/precision en la seleccién de modelos de pronéstico al optar entre modelos estadisticos sofisticados y estimaciones intuieivas Explicar cémo Ilegaria Ia técnica de grupos nominales a un pronéstico por 9. Indicar cémo legarfa la técnica delphi a un pronéstico por consenso 7 10. Las personas hacen su pronéstico de manera intuitiva ¢Cusles son algunas tivos? ¢ 11. Comparar el pronéstico intuitivo, con los modelos de pronést c co. Como gerente de operaciones, geémo haria su pronéstico —de manera intuitiva o con un modelo? ¢Por qué? c PROBLEMAS ° Problemas resueltos A 1, La demanda de la parte niimero 2710 se muestra a continu: pronéstico para el mes de abril fue de 100 unidades. Con una constante de r suavizado de 0.20 y usando el suavizado exponencial de primer orden, geual es el pronéstico para el mes de julio? ¢Qué piensa usted de una cons tante de suavizacién de 0.207 Demanda Mes __actual (real)PLANEACION (OISENO) DEL SISTEMA DE CONVERSION Faden + (I~ aR Fay = .20(200) + (1 ~ .2)100 Ro Fn = 2(50) + (1 = .2)120 06 Faa, = 2(150) + (1 ~ .2)106 = 1148 = 115 El pronéstico para julio es de 115 unidades (para ser realistas las unidades fraccionarias deben de ser redondeadas). La constante de suavizacién de 0.20 implica que la demanda reciente no deberia de tener un gran peso relativo. Esto parece ser lo adecuado para estos datos. Si la demanda es inestable, es necesario utilizar una constante mayor. El pronéstico debera de reaccionar répidamente a los cambios en la demanda. Sin embargo, si en un periodo largo ld demanda se suaviza, la constante de valor 0.20 puede ser satisfactoria, pues ayuda a eliminar el ruido. Es casi imposible Seleccionar un coeficiente de suavizacién Gnicamente con tres periodos de datos. . Un negocio que vende helados experiments la siguiente demanda el mes pasado. El procedimiento normal de prondstico es utilizar las ventas sema- nales correspondientes al afio anterior en el pronéstico del presente ao. Pronéstico de Demanda Iademanda real Semana __(galones) _(galones) Junio 1 210 200 Junio 8 235 225 Junio 15225 200 Junio 22270 260 Calcular 1a MAD y el sesgo ¢ interpretarlos, MAD i210 ~ 2001 + 1235 —~ 2251 + 1225 ~ 2001 + 1270 ~ 2601 Como todos los errores mensuales so:1 ositivos, cada medida del error da os mismos resultados. Los pronésticos siempre son elevados. en un prome: dio de 13.75 galones por semana. :c E N44 4N7O aa SAAD yyy 3.1 Pronésticos 119 ' Reforzando las bases ~, Un fabricante de veneno para topos y tuzas ha experimentado la siguiente demanda mensual para un veneno de plagas mejorado segiin el ambiente. Demanda Articulo No. 20 Maiz 201 Mes (casos) Febrero 620 Marzo 340 Abril 770 Mayo 950 Junio 1000 a) Usando un promedio simple, geual deberfa haber sido el pronéstico pa a los meses de mayo y junio? ) {Cual hubiera sido el resultado para mayo y junio si se hubiera tomado lun promedio mévil simple de tres meses? ec) ¢Qué método de pronéstico recomendaria usted? ¢Por qué? 4.) El costo mensual de sobrealmacenamiento de racimos de platanos en una © cadena de tiendas de alimentos se estima que es de 8.50 délares por el va- lor absoluto del sesgo promedio diario para cualquier mes, a) Expresar esta relacién como una funcién de costo b) Si el sesgo diario fue un valor positivo de 137 racimos el mes pasado, gcudl fue el costo total de ese error? c) @Cuanto deberfa estar dispuesta a gastar la administracién para obte- ner un pronéstico perfecto? 5. Una cadena de ferreterias, Max’s, experimenté la demanda siguiente para pintura durante el mes pasado. El procedimiento normal de pronéstico es Utilizar las ventas semanales correspondientes al afio anterior como el pro néstico para este afio. Calcular la MAD y el sesgo ¢ interpretar cada uno de ellos. Pronéstico dela demanda ——-Demanda real Semana (galones) (galones) Junio 1 1,320 1310 Junio 8 17335 13325 Junio 15 1350 1/325 Junio 2 1370 1;360 6. Un analista de una tienda de departamentos esta interesado en usar el cambio en el precio del azdcar para cualquier mes para predecir el cam: bio en el precio del dulce para el mes siguiente. Seleccionar un inter120 11 / PLANEACION (DISENO) DEL SISTEMA DE CONVERSION ampliamente observado y vigilese la siguiente secuencia mensual de los precios (no de los cambios en los precios) 80, 82, 85, 81, 80, 80, 80, 84, 88, 89, 90, 88, 84 Los precios del dulce en los mismos meses son: 2) ») °) 105, 100, 105, 114, 107, 105, 104, 105, 110, 117, 120, 121, 118 Elaborar el diagrama de dispersién adecuado y hacer una grifica de los datos. Encontrar la recta de regresin calculada {Qué se pucde concluir sobre la relacién en que el analisia est intere sado? ¢Podria ésta conducir a pronésticos mis acertados? ¢Cémo pue- de ste ayudar a los gerentes de las tiendas? 7. En los productos terminados. Blakeman’s Supply almacena motores de tres caballos de fuerza. La demanda mensual para doce semanas casi siempre es Demanda de motores Demanda de motores Semana de 3-hp Semana de 3-hp 42 20 48 8 43 7 49 4 44 n 50 6 45 4 51 5 46 8 52 4 47 10 53 3 a) Calcular un pronéstico basado en una media mévil ponderada para las semanas 54 y 55 usando el modelo de tres periods con la demanda del periodo més reciente con un peso tres veces mayor que cada ua de Jas demandas de los dos periodos anteriores. Después de haber obteni- do el pronéstico para el periodo 54 1a demanda real fue de 6 motores para el periodo. b) Al examinar visualmente los datos, zqué sugeriria usted como mejor fa para un modelo de media mévil ponderada? :Por qué? 8. Una empresa maderera pronostica la demanda basindose en la média mévil simple de los Gltimos dos meses. {Cull seria el pronéstico para los si guientes artfculos en mayo? Especificar cualquier suposi Mes Enero Febrero Mano Abril yn que se haga Hojas exteriores Rollos de de vriplay jerras B& D papel kraft Demanda Pronéstico Demanda Pronéstico Demanda Pronéstico 20 25 10 Is 2 ° Datos extraviados 20 10 10 ° i 50 - 10 10 60 ~ 2 10 Ce Se COUAy 10. nL. 3 | Prondsticos 121 Necesita la compafifa llevar por cuatro meses los datos anteriores para es: te modelo de pronéstico? Una pequefia empresa de electrénica produce calculadoras de bolsillo y mensualmente controla la demanda de los articulos. Los siguientes datos de demanda son en el caso de una calculadora representativa: noviembre, 45; diciembre, 57; enero, 60. Usando a 50 como el pronéstico. de noviem: bre segiin un suavizado exponencial de primer orden, obtener el proadsti- co de ventas para febrero. New Cap, una empresa manufacturera local, est introduciendo en el mercado una nueva linea de gorras de cacerfa para hombres. New Cap desea hacer un pronéstico de los componentes de estas gorras con su mo: delo actual de pronéstico de un suavizado exponencial simple. La cién no cuenta con informacién his para estas gorras de caceria. a) ¢Qué recomendaria usted a New Cap en primer lugar con respecto a parémetros y a un coeficiente de suavizacion para los pronésticos ‘mensuales para los siguientes seis meses? zPor qué? b) Después de cuatro meses se cuenta con los siguientes datos sobre la demanda actual. :Estaria usted de acuerdo con New Cap en seleccio: nar un coeficiente de suavizacién de 0.5, o escogerfa usted 0.9, que es, cl otro tinica valor que desea considerar por el momento. Supéngase que el pronéstico de junio es de 100. Gorras embarcadas Mes (docenas) Junio Py \aie B ‘heen 2 me io Elestadigrafo de una empresa estd interesado en la relacién entre la longi- tud (en pulgadas) y el peso (en libras) de la extrusién. Las extrusiones vie- nen de todos tamafios, formas y espesores. Una muestra aleatoria de extrusiones es obtenida, con los siguientes resultados (X = longitud en pulgadas, F= peso en libras). X: 70 75 64 67 71 70 68 76 68 69 70 F: 175 198 156 180 178 182 160 204 167 169 162 a) Construir un diagrama de dispersi6n. b) Encontrar a y 6, y trazar la linea estimada de regresin de F en X. ) gBl use del modelo de regresi6n lineal aumenta la habilidad para pre- decir F en funcién de X? 4) Site toma una pieza extruida al azar, y tiene 70 pulgadas de largo, smplear la linea de regresi6n calculada para predecir el peso. Tal ‘prediccion” es diferente del “pronéstico de la demanda”, pero repre- senta una aplicacién importanté de la regresi6n en las operaciones.122 1 PLANEACION (OISENO) DEL SISTEMA DE CONVERSION 12, La tienda principal de una universidad experimenta una demanda de en. grapadoras, la que parece seguir la distribucién siguiente: Denranda Demanda Periodo de engrapadoras Periodo de engrapadoras 10 92 1s 138 un 7 16 182" 2 105 iT 87" 3 135 18 “185” 14 143 18 "210" Se tiene un pronéstico de 150 unidades para el periodo 16. Las comillas (“") significan que la demanda real se conoce al final del periodo. Usando tun suavizado exponencial de primer orden con un coeficiente de suaviza- jon moderadamente sensible de 0.3, hacer un pronéstico de la demanda de los periodos 17 a 20. Después hacer una gréfica de los valores reales y pronosticados para todos los periodos para los cuales se cuenta con datos. Sugerir a la direcci6n un método de pronéstico mejorado y sostener Ia re- comendacién. 13. La Smithton Corporation emplea un modelo de suavizado exponencial de primer orden. Para un articulo, el modelo dio un pronéstico de la deman. da de 75,500 unidades. Este se utiliz6 como el requerimiento de produc- cién de noviembre. Aun cuando la demanda real fue de 72,700 unidades durante el mes de noviembre, se produjeron 75,500 unidades. Calcular un pronéstico de doble suavizado exponencial para diciembre empleando 70,000 unidades como el pronéstico de doble suavizado exponencial para noviembre. Todos los coeficientes de suavizado son de 0.3. Ejercicios que representan un reto 14. Durante ls tres ltimos aos, la profesora Gregopolus ha pronosticado in tuitivamente el nimero de estudiantes que entrardn en sus clases. Piensa que realmente nadie sabe tanto del valor de sus clases como ella. Por tanto, gcémo podrfan otras personas pronosticar mejor que ella las inscripciones? Sus pronésticos y las inscripeiones reales aparecen a continuaci6n (redon- deados en miiltiplos de diez). a) 2Cual ha sido la precision de la profesora Gregopolus de acuerdo con la MAD y el sesgo? Explicar lo que esto significa para la profesora Gre gopolus. 'b) Emplear a 60 estudiantes como pronéstico para la primavera de 1982, tun Coeficiente de suavizacién de 0.2 y la MAD para evaluar el pronés- tico del modelo mediante un suavizado expanesicial de pri ©) eQué puede decir usted a Ia profesora Crogopolus sobre | personal contra el modelamiento como enfoques para hacer el pro néstico? 4) Baséndose en todo lo anterior, ¢qué enfoque le recomendasta a la pro- fesora Gregopolus para hacer el pronéstico?31 Pronbaticos 123 Semestre Pronéstico Real Semestre Pronéstico Real Owho 1981 = 70 Orono 1983 80 120 Primavera 1982 90 60 Primavera 1984 120 80 Otoho 1982 90 70 Otofio 1984 150 60 Primavera 1983 100 60 15. Un gerente de operaciones esti interesado en el pronéstico para saber de lantemano en qué forma el entrenamiento influiré en la eficiencia de los obreros de produccién asignados a un nuevo puesto. Se proporcionaron cinco diferentes tipos de capacitacién, que variaron desde medio dia hasta cuatro. Diez de un total de 50 obreros tomaron cada uno de los diferentes niveles de capacitacidn. La tabla siguiente muestra la eficiencia en el tra bajo de cada obrero para la primera semana de trabajo, siendo 100 la norma o el resultado esperado. X, capacitacion en dias (SOs aif meas 17 ] 106 | 76 | 125] 85 3s | ai | as | 113 | 129 nz | 74 | 11s | 93 | 90 at | 79 | 113 | 89 | 124 Y.eficiencia | 205 | 118 | 108} 117 | 117 p 109 | 110 | ga | ais | 12 go] 82 | 83 | 81 | 97 3 | 86 | si | s6 | 93 ao | ant | 312 | ga | 122 78 | 113 | 120 | 120 | 92 a) Encontrar la ecuacién de la regresién lineal para predecir ¥ en fun cién de X. b) Hacer una grafica de la ecuacién de regresién lineal, junto con los datos, en un diagrama de dispersi6n. ¢Qué es lo que esto significa para el gerente? ) Calcular la media y la variaci6n para cada uno de los grupos en capa- citacién. ¢Qué coniclusién se obtiene al comparar a los grupos? 16. Se proporcionan los siguientes datos de la demanda para las calzaletas de Zeaker: Fecha _Demanda Marzo 1 20 8 120 15150, 2 5 Abril 1 50 ao124 il / PLANEACION (DISENO) DEL SISTEMA DE CONVERSION ‘Como comprador de la mayor tienda de Bowling Green se le pide que pro- rnostique la demanda semanal de calzaletas en el mes de abril, utilizando tun suavizado exponencial de primer orden. - a) 2Qué coeficiente de suavizacién utilizaria? zPor qué? 2 b) Si el pronéstico del gerente para el primero de abril es de 75, usando Este como valor inicial,.gcual es el pronéstico para el 8 de abril? 17. En fecha reciente, la demanda para un nuevo filtro de carburador que es- : td almacenado con un proveedor regional se ha incrementado de una ma nera drastica (los mecinicos y el piblico en general estén adquiriendo ‘conciencia de la economia de combustible que se obtiene con el filtro). A continuacién se proporciona la demanda semanal. Demanda Demanda Demanda Semana real Semana real Semana __real 2B 100 3” 450 39 927 24 75 32 510, 40 950 25 210 33 600 41 945; 26 250 34 350 a2 1,080 2 350 35 ns a 4.150 28 365 36 7 44 1200 29 400 37 750 45 1210 30 425 38 825, 46 1,295 a) Ajustar un modelo de suavizado exponencial de primer orden que con ‘estos datos disminuye la MAD. b) Trate de disminuir la MAD total (para los 24 periodos) usando otro : modelo, Siéntate en libertad de disefiar un modelo o seleccionar algu- rho que no sea de este texto. Explicar el procedimiento. 18. Barfy Burgers, Inc., es una gran cadena de tiendas del noreste de EUA, que vende hamburguesas; acaba de cumplir su quinto afio de operacio- nes. Cada mes Barly debe de hacer sus compras de carne para el mes si guiente. Debido a fluctuaciones histéricas de la demanda en Buster Barfy. €l vicepresidente de operaciones ha tenido dificultad en determinar las ventas futuras, A continuacién se mencionan, en libras, las cantidades de ae carne pedidas cada mes durante los cinco afios que ha funcionado la empresa. Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic a 1981 695 693 714 733 740 684 723 750 790 734 718 730 1982 768 772 765 722 719 777 753 762 732 780 730 705 e 1082 998 776 823 859 778 776 763 810 759 R34 837 786 1984 814 790 841 817 849 769 904 808 809 828 885 B49 - 1985 866 850 869 818 802 754 844 8I1 811 817 801 810 Basindose en la demanda hist6rica de Barfy det-rmminar la demanda del mes de enero de 1986.3.1 Pronéstices 126 19. Comparar el suavizado exponencial de primer orden con el doble suaviza. do exponencial en los meses de marzo y abril. Disminuir la sefial de segui- miento (SS) Sesgo = MAD para su recomendacién de un modelo. Suavizado exponencial Suavizado de primer orden exponencial doble Demanda de _(coeficiente de (todos los coeficientes Periodo partes suavizacién = 0.4) de suavizacin = 0.4) Enero 100 120 no Febrero "200" ; Marzo "150" Abri 20 ‘9° > Ggplion Fa desnanaa et al va dean, eraputa del prominin de ear ors 20. El servicio de fotografia E-Z (SFEZ) ha experimentado una demanda se ‘manal de fotocopiado en el centro de fotocopiado de la universidad, cal ‘como se muestra en la tabla siguiente. Normalmente, el procedimiento de pronéstico consiste en utilizar la demanda promedio de la semana anterior como pronéstico diario para la siguiente semana. Las decisiones de asignacién de personal para la semana siguiente se basan en este pro. néstico. Demanda diaria Demanda diaria Semana Promedio (miles) Semana promedio (miles) Feb. 7 27 Mar. 6 32 Feb. 14 20 Mar. 13 30 Feb. 21 22 Mar. 21 38 Feb. 28 30 Mar. 28 a) Encontrar la demanda pronosticada para la semana del 28 de marzo usando un doble suavizado exponencial como modelo de pronéstico. Utilizar constantes de suavizacién de 0.2 y la demanda real del 28 de febrero como estimacin de la demanda pronosticada para el 28 de marzo, de acuerdo con Ia experiencia de marzo (no hacer el pronéstico de febrero). b) Usando MAD como criterio de evaluacién, grecomendarfa usted el doble suavizado exponencial o-el actual modelo de pronéstico? ¢) ¢Qué podria hacer la direccién del SFEZ para mejorar posteriormente la precisién en el prondstico?126 11) PLANEACION (DISENO) DEL SISTEMA DE CONVERSION Utilizacién del paquete de software QSOM? 21. Reconsidere los datos del problema 17 que se inicia con la semana 23 y una demanda resultante de 100. a) Usando los datos y la opcién de pronéstico QSOM para la serie de tiempo, ajustar un modelo experimental de suavizado de primer o- den que disminuya MAD en estos datos. b) Hacer una grifica y anotar los resultados para el modelo de mejor ajuste. 22. Considérese la demanda trimestral de botes domésticos de URboat. que es tun productor local, y que se presenta a continuacién. ‘Demanda Afto y trimestre Afio y trimestre _(unidades) 1983 QI 50 1986 QI 62 au 48 on 56 om 52 om 65 aiv 56 atv nm 1984 QI 53 1987 at 65 Qu 48 ont 60 ‘ont 57 ont 70 av e lv 1 1985 QI 56 1988 QL 2B on 50 om 66 ont 60 out 75 av 67 aiv 85 a) Hacer una grafica de los datos ¢ investigar sobre tendencias y estacio- nalidad. Capturar los datos para el QSOM. b) Empleando coeficientes de suavizacién de 0.2, 0:4, 0.6 y 0.8, junto con ial de primer orden, seleccionar el mejor de los, ites (menores MAD y sesgo, ambos equipesados). Hacer una grafica y anotar los resultados para el modelo de mejor ajuste. ¢) Si al examinar los datos no se observa ninguna tendencia y/o patron de estacionalidad emplear el modelo de doble suavizado exponencial. Si Jos datos indican cierta tendencia, probar el suavizado exponencial con tendencia lineal utilizando un coeficiente de suavizacion de 0.2. Registrar el valor de la MAD. 4) Si hay datos sobre tendencia y estacionalidad, probar el modelo de Winter que se presenta en el QSOM. Para este modelo, es necesario introducir tres coeficientes para cada corrida de cémputo (coeficiente 1) componente constante, coeficiente 2 = componente ‘ra tenden: TOSOM isa software package developed by Prentice Hall as an operations management text ‘supplement. QSOM ilizes rulcrocomputers. See the Prelace, and contact Prentice Hall regarding aval Instructors should see the Insinuctor’s Manua,°) 3) Pronéstces 127 cia, cocficiente $ = componente de estacionalidad). Todos los corti ientes pueden ser iguales. Utilizar un coeficiente de suavizacion de 10.2 para todos los componentes y calcular la DMA. Seleccionar uno de los tres modelos en las partes cy d y analizar de manera semejante el del anélisis con el suavizado exponencial de pri mer orden de la parte b para el modelo del mejor ajuste. Anotar los resultados que den el valor mas bajo de MAD del modelo de mejor fajuste. Nota: si el modclo de Winter es el de mejor ajuste utilice tocas as combinaciones de 0.3 y 0.7 para cada uno de los tres coeficientes para determinar wna MAD mas baja y que se debe anotaf. GLOSARIO : Anilisis de series de tiempo En los problemas de pronéstico se hace una gralica de los datos de la de- manda, en tna escala de tiempo, para indicar los modelos que tienen demanda. ‘Desviacién media absoluta (MAD) Medicién det error de pronéstico que equivale a la suma de las desviaciones absolutas de la demanda real y la pro: nosticada para todos los periodos, dividida entre et ‘nimero total de periodos evaluados; proporciona l promedio de los errares de pronéstico, sin tomar en cuenta la direccién de los mismos. Error en el pronéstico | La diferencia entre la demanda pronosticada y la real. Estabilidad de la demanda Tendencia de una se rie de tiempo que conserva la misma forma general a través del tiempo. Media promedio mévil ponderada Un modelo de media mévil que incorpora algin peso de las de- mandas anteriores, distinto a un peso igual para todos los periodos anteriores bajo consideracién. Media promedio mévil simple Promedio de las demandas de los periodos mas recientes; los perio: dos mas recientes se agregan y los mas antiguos se descartan para garantizar las operaciones al Métodos causales de pronéstico De una manera formal, éstos relacionan la demanda con variables que se cree que influyen sobre la misma (variables ex- plicativas). Modelo patrén de la demanda Forma general de la serie de tiempo; en general constante, sefiala una tendencia, la temporada o alguna combinacién de estas formas Modelos de suavizado exponencial Un método de promedios donde el peso de una demanda ante- Hior decrece exponencialmente en el pronéstico actual Modelos estadisticos de pronéstico _Ordenamien- to de datos histéricos dentro de un método sistema. tico; se utiliza en el andlisis yen la proyecci6n de las -mpo. yn Estimaciones subjetivas sobre el futuro. Promedio simple _Promedio de los datos del pasa do en el cual las demandas de todos los periodos an- teriores tienen el mismo peso. Pronéstico Empleo de datos anteriores para de- terminar los eventos futuros; un calculo objetivo, Pronésticos intuitives Enfoque general hacia el pronéstico, que consiste en los juicios y conjeturas del administrador en relacién con eventos futuros: métodos de pronéstico cualitativos. Ruido _Dispersién de las demandas individuales a lo largo de un modelo de demanda. Sesgo Medida del error de pronéstico que equiva le a la suma de los errores reales para todos los pe: riodos, dividida entre el nimero total de periodos evaluados; proporciona el promedio de los errores de pronéstico con respecto a la direccién; muestra de una manera constante la tendencia a sobre 0 subpronosticar. Suavizado exponencial adaptative Modelos en donde el coeficiente de suavizacién no siempre es el 1e determina inicialmente y luego se permi- ten variaciones de él en el tiempo, de acuerdo con los cambios del modelo subyacente de la demanda,128 11) PLANEACION (O'SENO) DEL SISTEMA DE CONVERSION LECTURAS SELECCIONADAS Ahlers, David, and Josef Lakonishok, “A Study of Economists’ Consensus Forecasts,” Management Science 29, no. 10 (October 1983), 1113-25. Biggs, Joseph R., and William M. Campion, “The Effect and Cost of Forecast Error Bias for Multi Stage Production-Inventory Systems,” Decision ‘Sciences 12, no. 4 (October 1982), 570-84. Box, G. E.P., and G. M. Jenkins, Time Series Analysis, Forecasting, and Control. San Francisco: Holden- Day, 1970. Brown, R. G., Smoothing, Forecasting and Prediction 'o! Discrete Time Series. Englewood Cliffs, NJ. Prentice Hall, 1963. Delbeeq, Andre, Andrew Van deVen, and David Gus- tafson, Group Technigues for Program Planning. Glenview Ill: Scott, Foresman, 1975. Hogarth, Robin M., and Spyros Makridakis, “Fore- ‘casting and Planning: An Evaluation,” Management Science 27, no. 2 (February 1981) 115-38. Lawrence, Michael J., et al., “The Accuracy of Com- ‘ining Judgmental and Statistical Forecasts,” Mar: ‘agement Science 32 (1986), 1521-32. Lee, TS,, and Everett E. Adam, Jr., "Forecasting ‘Error Evaluation in Material Requirements Plan: ning (MRP) Production-Inventory Systems,” Marr agement Science 32, no. 9 (September 1986), 1186~ 1205. Makridakis, Spyros, et al., “The Accuracy of Extrapo- lation (Time Series) Methods: Results of a Fore casting Competition,” Journal of Forecasting 1 (1982), 111-153. ‘Makridakis, Spyros and S. C. Wheelwright, Forecast ing Methods and Applications. New York: John Wiley, 1978, ‘Makridakis, Spyros, and Robert L. Winkler, "Aver- ‘ages of Forecasts! Some Empirical Results,” Mar ‘agement Science 29, no. 9 (September 1983), 987-96 Muth, J. F., “Optimal Properties of Exponentially ‘Weighted Forecasts,” Journal of the American Sia tistical Association 55, no. 290 (June 1960), 297- 306, ‘Thomopoulos, Nick T., Applied Forecasting Methods ‘Englewood Cliffs, N'.: Prentice Hall, 1980.