62

CAPITULO 3

TABLA 3.3

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

MTODOS CUALITATIVOS DE PRONSTICO

1. Consenso de comit ejecutivo. Ejecutivos experimentados de diversos departamentos dentro de la organizacin forman un comit responsable de desarrollar un pronstico de ventas. El comit puede utilizar
informacin proveniente de todos los mbitos de la organizacin, y puede utilizar analistas de apoyo que
proporcionen estudios segn se requiera. Este tipo de pronstico tiene tendencia a ser un pronstico negociado, que por lo tanto no refleja situaciones extremas que pudieran estar presentes de haber sido preparados
por una persona. Este procedimiento es el mtodo de pronstico ms comn.
2. Mtodo de Delfos. Este mtodo se utiliza para lograr un consenso dentro de un comit. En este mtodo, los
ejecutivos responden annimamente a una serie de preguntas en sesiones sucesivas. Cada respuesta se retroalimenta en cada sesin a todos los participantes, y entonces el proceso se repite. Pudieran requerirse hasta
seis sesiones antes de alcanzar consenso sobre el pronstico. Este mtodo puede dar como resultado pronsticos en los que la mayora de los participantes estn finalmente de acuerdo, a pesar de su desacuerdo inicial.
3. Encuesta a la fuerza de ventas. Las estimaciones de ventas futuras regionales se obtienen individualmente a
partir de cada uno de los miembros de la fuerza de ventas. Estas estimaciones se combinan a fin de elaborar una
estimacin de las ventas en todas las regiones. Para asegurar estimaciones realistas, los gerentes deben entonces
transformar esta estimacin en un pronstico de ventas. Se trata un mtodo de pronstico popular en aquellas
empresas que tienen un buen sistema de comunicacin y vendedores que atienden directamente a los clientes.
4. Encuestas a clientes. Las estimaciones de las ventas futuras se obtienen directamente de los clientes, a quienes se encuesta individualmente para determinar los volmenes de productos que la empresa pretende adquirir en cada periodo en el futuro y se prepara un pronstico de ventas combinando las respuestas individuales
de los clientes. Este mtodo puede ser el preferido en empresas con relativamente pocos clientes, como los
proveedores de la industria automotriz y los contratistas para las fuerzas armadas.
5. Analoga histrica. Este mtodo liga la estimacin de las ventas futuras de un producto con el conocimiento
de las ventas de un producto similar. A la estimacin de las ventas de un producto se aplica el conocimiento de
las ventas de un producto similar durante varias etapas de su ciclo de vida. Este mtodo puede ser particularmente til en el pronstico de ventas de productos nuevos.
6. Investigacin de mercado. En las encuestas de mercado, la base para comprobar las hiptesis sobre los mercados reales son los cuestionarios por correo, las entrevistas telefnicas o las entrevistas de campo. En las pruebas
de mercado, los productos mercadeados en regiones objetivo o en puntos de venta objetivo se extrapolan de manera estadstica a fin de que abarquen la totalidad del mercado. Por lo general, estos mtodos son los preferidos
para productos nuevos o para los ya existentes que se planea introducir en nuevos segmentos del mercado.

de trabajo y la encuesta a clientes describen mtodos principalmente utilizados para productos y

servicios existentes. La analoga histrica y las investigaciones y pruebas de mercado son procedimientos tiles para productos y servicios nuevos. Por lo tanto, el mtodo de pronstico ms
apropiado depender de la etapa del ciclo de vida del producto.

MODELOS CUANTITATIVOS DE PRONSTICO

Los modelos cuantitativos de pronstico son modelos matemticos que se basan en datos histricos. Estos modelos suponen que los datos histricos son relevantes para el futuro. Casi siempre puede obtenerse informacin pertinente al respecto. Aqu, analizaremos varios modelos cuantitativos, la precisin del pronstico, pronsticos a largo plazo y pronsticos a corto plazo.
La tabla 3.4 muestra los modelos cuantitativos de pronstico que estudiaremos en este captulo. Aunque existen muchos ms modelos cuantitativos de pronstico, los modelos de la
tabla 3.4 son una til introduccin a los pronsticos en la administracin de la produccin y
de las operaciones. Todos estos modelos se pueden utilizar con series de tiempo. Una serie
de tiempo es un conjunto de valores observados medidos durante periodos sucesivos.

PRECISIN DEL PRONSTICO

La precisin del pronstico se refiere a lo aproximado que los pronsticos resultan en comparacin con los datos reales. Dado que los pronsticos se preparan antes de conocer los datos reales, la precisin de los pronsticos slo se puede determinar despus de que haya transcurrido
el tiempo. Si los valores del pronstico quedan muy cerca de los datos reales, decimos que tie-

MODELOS CUANTITATIVOS DE PRONSTICO

TAB 3.4

63

ALGUNOS MODELOS CUANTITATIVOS DE PRONSTICO

1. Regresin lineal. Modelo que utiliza el mtodo de los mnimos cuadrados para identificar la relacin entre
una variable dependiente y una o ms variables independientes, presentes en un conjunto de observaciones
histricas. En la regresin simple, slo hay una variable independiente; en la regresin mltiple, hay ms de
una variable independiente. Si los datos histricos forman una serie de tiempo, la variable independiente es
el periodo y la variable dependiente en, por ejemplo, un pronstico de ventas, son las ventas. Un modelo de
regresin no necesariamente tiene que estar basado en una serie de tiempo, pues en estos casos el conocimiento de los valores futuros de la variable independiente (llamada tambin variable causal) se utiliza para
predecir valores futuros de la variable dependiente. Por lo general, la regresin lineal se utiliza en el pronstico a largo plazo, pero si se tiene cuidado al seleccionar la cantidad de periodos incluidos en los datos histricos, y este conjunto de datos se proyecta slo unos cuantos periodos en el futuro, la regresin tambin puede utilizarse apropiadamente en pronsticos a corto plazo. La regresin supone una casi normalidad. Lo que
quiere decir que los valores observados de la variable dependiente (y) se supone estarn distribuidos normalmente a ambos lados de su media (y) y el error estndar del pronstico (SyJ es constante conforme nos movamos a lo largo de la lnea de tendencia.
2. Promedios mviles. Modelo de pronstico del tipo de series de tiempo a corto plazo que pronostica las ventas para el siguiente periodo. En este modelo, el promedio aritmtico de las ventas reales para un determinado nmero de los periodos pasados ms recientes es el pronstico para el siguiente periodo.
3. Promedio mvil ponderado. Modelo parecido al modelo de promedio mvil arriba descrito, excepto que el
pronstico para el siguiente periodo es un promedio ponderado de las ventas pasadas, en lugar del promedio
aritmtico.
4. Suavizacin exponencial. Modelo tambin de pronstico de series de tiempo a corto plazo que pronostica
las ventas para el siguiente periodo. En este mtodo, las ventas pronosticadas para el ltimo periodo se modifican utilizando la informacin correspondiente al error de pronstico del ltimo periodo. Esta modificacin del pronstico del ltimo periodo se utiliza como pronstico para el siguiente periodo.
5. Suavizacin exponencial con tendencia. El modelo de suavizacin exponencial arriba descrito, pero modificado para tomar en consideracin datos con un patrn de tendencia. Estos patrones pueden estar presentes en
datos a mediano plazo. Tambin se conoce como suavizacin exponencial doble, ya que se suavizan tanto
la estimacin del promedio como la estimacin de la tendencia utilizando dos constantes de suavizacin.

nen una elevada precisin o que el error de pronstico es bajo. Determinamos la precisin de
los modelos de pronstico haciendo una cuenta acumulada de lo que se han equivocado los pronsticos en relacin con los datos reales a travs del tiempo. Si la precisin de un modelo es baja, modificamos el mtodo o escogemos uno nuevo. Posteriormente en este captulo, analizaremos maneras de medir y monitorear el desempeo de los modelos de pronstico.

PRONSTICOS A LARGO PLAZO

El pronstico a largo plazo incorpora la estimacin de condiciones futuras a lo largo de lapsos que por lo general son mayores a un ao. Los pronsticos a largo plazo son necesarios en
la administracin de la produccin y de las operaciones para dar apoyo a decisiones estratgicas sobre planeacin de productos, procesos, tecnologas e instalaciones, temas tratados en
la Parte II de este libro. Estas decisiones son de tal importancia para el xito a largo plazo de
los sistemas de produccin que para el desarrollo de estos pronsticos se aplica un intenso esfuerzo organizacional. A continuacin brindamos algunos ejemplos de estas decisiones:
1.

2.
3.

Diseo de un producto nuevo. Si el volumen de ventas es lo suficientemente importante para el uso de maquinaria automatizada de produccin, se requiere de gran esfuerzo de diseo del producto para asegurar que su proceso se facilite con esa tecnologa.
Determinacin de la capacidad de produccin para un producto nuevo. Cunta capacidad se requiere, cuntas nuevas fbricas son necesarias y dnde debern ubicarse.
Planeacin para el suministro a largo plazo de los materiales. Los pronsticos
permiten a los gerentes de operaciones comprometer a los proveedores en contratos
de suministro de materiales a largo plazo.

Para adquirir y construir nuevas mquinas y edificios, y para desarrollar nuevas fuentes
de materiales, es necesario tiempo, que es precisamente lo que brindan esos planes.

64

CAPTULO 3

FIGURA 3.2

LOS PRONSTICOS EN U ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

PATRONES DE DATOS EN PRONSTICOS A LARGO PLAZO

Ciclos, tendencias y estacionalidad Aunque los datos a largo plazo pudieran parecer errticos, si profundizamos por lo general podremos identificar patrones de datos subyacentes bastante simples. La figura 3.2 muestra cmo los datos histricos de ventas tienden a estar formados
por varios componentes, como la tendencia, los ciclos, la estacionalidad y la fluctuacin aleatoria, o ruido. La tendencia a largo plazo se ilustra como una lnea de pendiente ascendente o descendente. Un ciclo es un patrn de datos que puede abarcar varios aos antes que se repita. La
fluctuacin aleatoria es un patrn que resulta de variaciones aleatorias o de causas no explicadas. La estacionalidad es un patrn de datos que se repite despus de un periodo, generalmente
un ao. Estaciones como otoo, invierno, primavera y verano son bien conocidas, pero tambin
pueden ocurrir patrones estacionales como los que se dan a continuacin:

65

MODELOS CUANTITATIVOS DE PRONSTICO

Perodo
antes de que se
repita el patrn

Ao
Ao
Ao
Mes
Mes
Semana

Duracin de
la estacin
Trimestre

Mes
Semana
Semana

Da
Da

Cantidad
de estaciones
en el patrn

4
12
52
4
29-31

En la Grfica superior de la figura 3.2 aparecen trazados seis aos de datos histricos de ventas. Se podran desarrollar grficamente pronsticos a largo plazo ajustando una lnea a travs de estos datos del pasado y extendindola hacia adelante, hacia el futuro; entonces podran determinarse
leyendo de la grfica los pronsticos de ventas correspondientes a los periodos 7 y 8. En la prctica, este procedimiento grfico se utiliza para pronsticos a largo plazo, pero su principal inconveniente es que no es posible ajustar con precisin una lnea a travs de los datos del pasado. El anlisis de regresin nos da una forma ms precisa de desarrollar pronsticos con lnea de tendencia.
Regresin lineal y correlacin El anlisis de regresin lineal es un modelo de pronstico
que establece una relacin entre una variable dependiente y una o ms variables independientes. Utilizamos nuestro conocimiento de esta relacin y nuestro conocimiento de los valores
futuros de las variables independientes para pronosticar los valores futuros de la variable dependiente. El anlisis de regresin lineal simple slo contiene una variable independiente.
Si los datos forman una serie de tiempo, la variable independiente es el tiempo en periodos y
la variable dependiente, por lo general, son las ventas, o aquello que deseemos pronosticar.
La tabla 3.5 muestra las variables, sus definiciones y las frmulas para un anlisis de regresin lineal simple. Este modelo es de la forma Y=a + bX, que se conoce como la ecuacin de
regresin, donde Y es la variable dependiente y la variable a pronosticar, X es la variable independiente, a es la interseccin con el eje y y b es la pendiente de la lnea de tendencia. Las
frmulas de la tabla 3.5 nos permiten calcular los valores de a y de b. Una vez conocidos estos
valores constantes, en la ecuacin de regresin puede introducirse un valor futuro para X y calcularse el valor correspondiente de Y (el pronstico). Conceptualmente, este procedimiento es lo
mismo que extender grficamente la lnea de tendencia de la figura 3.2, como se explic anteriormente.
El ejemplo 3.1 desarrolla un pronstico a partir de los datos de una serie de tiempo. El
ejemplo muestra la forma en que los gerentes de operaciones pueden planear la capacidad de
las instalaciones al desarrollar pronsticos de ventas a largo plazo. En este ejemplo, la variable independiente X representa el periodo. El nico requisito que se impone a los valores de X
es que deben quedar espaciados de manera equidistante, por lo que los valores de X podran
haber sido 1990, 1991, ... ,1999 o cualquier otra representacin significativa de periodos. Si
se van a hacer clculos sin utilizar computadora, los valores de x pueden manipularse a fin de
que 5> = 0; por lo que el clculo de a y de b se facilitar mucho, ya que c desaparecer
de las ecuaciones de regresin. A continuacin ilustramos la forma en que podramos hacerlo:
1.

2.

Si en los datos existe un nmero impar de periodos del pasado, digamos 5, los valores de X seran -2, -1, O, +1, +2. 5> = O y el valor de X que se utilizar en la
ecuacin de regresin para el ao siguiente sera de +3.
Si hubiera un nmero par de periodos pasados de datos, digamos 6, los valores de X
seran -5, -3, -1, +1, +3, +5. ^jc = O y el valor de X que se utiliza en la ecuacin de regresin del ao siguiente sera de +7.

Tambin se puede utilizar la regresin lineal simple cuando la variable independiente representa una variable distinta al tiempo. En este caso, la regresin lineal es representativa de
una clase de modelo de pronstico conocida como modelo causal de pronstico. Estos modelos desarrollan pronsticos despus de establecer y medir alguna asociacin entre la variable dependiente y una o ms variables independientes. Este tipo de modelos es excelente para la prediccin de puntos de inflexin en las ventas.

66
TABLA 3.5

CAPITULO 3

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

DEFINICIONES DE VARIABLES Y FRMULAS PARA EL ANLISIS DE REGRESIN LINEAL SIMPLE

x
y
n
a
b
y

=
=
=
=
=
=

valores de la variable independiente

valores de la variable dependiente
nmero de observaciones
interseccin con el eje vertical
pendiente de la lnea de regresin
valor medio de la variable dependiente

Y = valores de y que aparecen en la lnea

de tendencia Y = a + bX
X = valores de x que ocurren sobre la
lnea de tendencia
r = coeficiente de correlacin
r2 = coeficiente de determinacin

EJEMPLO 3.1
ANLISIS DE REGRESIN LINEAL SIMPLE: UNA SERIE DE TIEMPO
Specific Motors produce motores electrnicos para vlvulas automticas para la industria de la construccin. Durante ms de un ao, la planta de produccin de Specific ha operado a casi plena capacidad. Jim White, el gerente de planta, estima que el crecimiento en las ventas continuar y desea desarrollar un pronstico a largo plazo que se usar para planear las necesidades de las instalaciones para
los siguientes tres aos. Se han totalizado las cifras de ventas correspondientes a los ltimos diez aos:
Ao

Ventas anuales
(miles de unidades)

Ao

Ventas anuales
(miles de fuentes)

1
2
3
4
5

1,000
1,300
1,800
2,000
2,000

6
7
8
9
10

2,000
2,200
2,600
2,900
3,200

Estudiamos las frmulas y la definicin de las variables de la tabla 3.5, y despus construimos la
tabla siguiente para establecer los valores a utilizar en las frmulas. (Para realizar muchos de estos
clculos es til usar una hoja de clculo.)
Ventas anuales
(miles de unidades)

Ao
1
2
3
4
5
6
7
8
9
10
Totales

(y)

Perodo

x2

(x)

xy

81
100

26,100

3,200

1
2
3
4
5
6
7
8
9
10

Ey = 21,000

Sx = 55

Zx2 = 385

Ixy = 133,300

1,000
1,300
1,800

2,000
2,000
2,000
2,200
2,600
2,900

1
4
9
16
25
36
49
64

1,000

2,600
5,400
8,000
10,000
12,000
15,400
20,800
32,000

67

MODELOS CUANTITATIVOS DE PRONSTICO

SOLUCION

1. Resolvamos ahora despejando los valores de a y de b:

2.

Ahora que conocemos los valores de a y de , podemos utilizar la ecuacin de regresin

para pronosticar las ventas de aos futuros:
Y = a + bX = 913.333 + 215.758X

3.

Si deseamos pronosticar las ventas en miles de unidades para los tres aos siguientes, podramos reemplazar 11, 12 y 13, que son los tres valores siguientes de X, en la ecuacin
de regresin de X:
Yn = 913.333 + 215.758(11) = 3,286.7, o 3,290 miles de unidades
Y12 = 913.333 + 215.758(12) = 3,502.4, o 3,500 miles de unidades
Y13 = 913.333 + 215.758(13) = 3,718.2, o 3,720 miles de unidades

Los pronsticos se redondearon con un dgito significativo ms que los datos originales. Observe que
los datos de ventas slo contienen dos dgitos significativos; los pronsticos se calculan con tres.

El ejemplo 3.2 utiliza el total de la construccin regional como variable independiente X para pronosticar las ventas y de una empresa, que es la variable dependiente. En este ejemplo se necesita un pronstico de ventas a largo plazo para ayudar al gerente a planear la cantidad de ingenieros y las instalaciones del ao siguiente. Este ejemplo tambin explica cmo se pueden utilizar
el coeficiente de correlacin y el coeficiente de determinacin para evaluar el modelo de pronstico desarrollado mediante el anlisis de regresin lineal.

EJEMPLO 3.2
ANLISIS DE REGRESIN LINEAL SIMPLE
Jack Weis, gerente general de Precisin Engineering Corporation, supone que los servicios de ingeniera que su empresa proporciona a las empresas en construccin de carreteras estn directamente
relacionados con la cantidad de contratos de construccin de stas emitidos en su rea geogrfica.
Weis se pregunta si su suposicin es real, y de ser as, podra esta informacin ayudarle a planear
mejor sus operaciones? Jack le pidi a Bill Branden, uno de sus ingenieros, que hiciera un anlisis
de regresin lineal simple sobre datos histricos. Bill planea hacer lo siguiente: a) Desarrollar una
ecuacin de regresin para predecir el nivel de la demanda de los servicios de Precisin, b) Utilizar
la ecuacin de regresin para predecir el nivel de la demanda durante los siguientes cuatro trimestres, c) Determinar con qu grado de exactitud se relaciona la demanda con la cantidad de contratos
de construccin realizados.

68

CAPTULO 3

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

SOLUCION

a. Desarrollo de una ecuacin de regresin:

1.
2.
3.

Bill recorre los registros locales, estatales y federales con objeto de recolectar el valor en dlares por trimestre de los contratos liberados durante dos aos en el rea geogrfica.
Examina la demanda de servicios de su empresa a lo largo de este mismo periodo.
Prepara la siguiente informacin:

Ao

Trimestre

Qi
Q2
Q3
Q4
Qi
Q2
Q3
Q4

4.

Ventas de servicios de
Precisin Engineering
(miles de dlares)

Monto total de
contratos liberados
(miles de dlares)

8
10
15
9

150
170
190
170

12
13
12
16

180
190
200
220

Bill ahora desarrolla los totales necesarios para efectuar el anlisis de regresin. Las frmulas y definiciones de variables se encuentran en la tabla 3.5 (es til utilizar una hoja de
clculo).
Perodo

1
2
3
4
5
6
7
8
Totales

Ventas

(y)

Contratos
(x)

x2

y2

xy

150

22,500

10
15
9
12
13
12
16

170
190
170
180
190
200
220

28,900

1,700

36,100

2,850

48,400

3,520

100
225
81
144
169
144
256

Zy = 95

Zx = 1,470

Zx2 = 273,300

Zxy = 17,830

Zy2 = 1,183

1,200

28,900

1,530

32,400

2,160

36,100

2,470

40,000

2,400

5.

Utiliza esos valores en las frmulas de la tabla 3.5 para determinar a y b:

6.

La ecuacin de regresin es, por lo tanto, Y = 9.671 4- 0.1173X.

b. Pronostico del nivel de la demanda para los siguientes cuatro trimestres:

64

69

MODELOS CUANTITATIVOS DE PRONSTICO

1.

2.

Bill llama a los representantes de las oficinas de obtencin de contratos y prepara estimaciones de los contratos trimestrales para los siguientes cuatro trimestres en miles de dlares. Las
cifras son 260, 290, 300 y 270.
A continuacin, Bill pronostica la demanda de los servicios de ingeniera para Precisin (en
miles de dlares) para los siguientes cuatro trimestres, utilizando la ecuacin de regresin
Y = -9.671 + 0.1173X:

Y! = -9.671 + .1173(260)
= -9.671 + 30.498
= 20.827

Y2 = -9.671 + .1173(290)
= -9.671 + 34.017
= 24.346

Y3 = -9.671 + .1173(300)
= -9.671 + 35.190
= 25.519

Y4 = -9.671 + .1173(270)
= -9.671.+ 31.671
= 22.000

El pronstico total (en miles de dlares) para el siguiente ao es el total de los pronsticos de
los cuatro trimestres:
20.827 + 24.346 + 25.519 + 22.000 = $92.7
Observe que el pronstico se redonde utilizando una cifra significativa ms que en los datos originales.
c. Evaluacin de cunto se apega la demanda al monto de los contratos de construccin liberados:

El monto de los contratos liberados explica aproximadamente 80% (r2 = 0.799) de la variacin observada en la demanda trimestral de servicios de Precisin.

El coeficiente de correlacin (r) explica la importancia relativa de la relacin entre y y x; el

signo de r indica la direccin de dicha relacin, y el valor absoluto de r la magnitud de la relacin, r puede asumir cualquier valor entre -1 y +1. El signo de r ser siempre igual al signo de b.
Una r negativa indica que los valores de y y de x tienden a moverse en direcciones opuestas, y una
r positiva indica que los valores de y y de x se mueven en la misma direccin. A continuacin los
significados de varios valores de r:
1
+1

Una relacin negativa perfecta; conforme y sube, x baja unidad por unidad y viceversa.
Una relacin positiva perfecta; conforme y sube, x sube unidad por unidad y
viceversa.
O
No existe relacin alguna entre y y je.
+0.3 Una relacin positiva dbil.
-0.9 Una relacin negativa fuerte.
En el ejemplo 3.2, r = +0.894, lo que significa que existe una relacin positiva fuerte entre la demanda de servicios de ingeniera y el monto de los contratos liberados.
A pesar de que el coeficiente de correlacin es til para medir la relacin entre x y y, adjetivos como fuerte, moderado y dbil no son medidas muy especficas de relacin. El coeficiente de

70

CAPITULO 3

FIGURA 3.3

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

VARIACIN DE LA VARIABLE DEPENDIENTE (y)

determinacin (r2) es el cuadrado del coeficiente de correlacin. La modificacin, aparentemente

insignificante, de r a r2, nos permite pasar de medidas subjetivas de relacin a una medida ms especfica. Existen tres tipos de variacin en y: total, explicada y no explicada:
Variacin total = Variacin explicada + Variacin no explicada
La figura 3.3 ilustra estas fuentes de variacin. La variacin total es la suma de las desviaciones al
cuadrado de cada uno de los valores de y respecto a su media y. La variacin explicada es la suma
de las desviaciones al cuadrado de los valores Y ubicados en la lnea de tendencia, respecto a y. La variacin no explicada, es decir, la variacin proveniente de fuentes aleatorias o sin identificar, es la suma de las desviaciones al cuadrado de y respecto a los valores Y ubicados sobre la lnea de tendencia.
El coeficiente de determinacin se calcula mediante la relacin entre la variacin explicada
con la total:

El coeficiente de determinacin, por lo tanto, indica qu pane de la variacin total en la variable

dependiente y queda explicada por x, o por la lnea de tendencia. Si r 2 = 80, como en el ejemplo
3.2, podemos decir que el monto de los contratos liberados (x) explica 80% de la variacin en las
ventas de los servicios de ingeniera (y); 20% de la variacin en las ventas de los servicios de ingeniera no queda explicado por el monto de los contratos liberados y, por lo tanto, se atribuyen a
otras variables o variaciones al azar.
Tanto el coeficiente de correlacin como el de determinacin son medidas tiles de la fuerza de la
relacin entre las variables dependientes e independientes y, por consiguiente, del valor de las ecuaciones de regresin como modelos de pronstico. Mientras ms fuerte sea la relacin, mayor ser la
probabilidad de que sean ms precisos aquellos pronsticos que resulten de las ecuaciones de regresin.
El anlisis de regresin lineal simple tiene sus limitaciones para el desarrollo de pronsticos de
alta precisin en casos reales del gobierno y de los negocios. Aunque hay ocasiones en que la variable
independiente explica suficientemente la variacin existente en la variable dependiente para tener precisin suficiente, pudieran requerirse modelos ms complejos. Aunque las frmulas son ms elaboradas
y quedan fuera del alcance de este anlisis, el anlisis de regresin mltiple es el utilizado cuando

MODELOS CUANTITATIVOS DE PRONSTICO

71

existen dos o ms variables independientes. Un ejemplo de una ecuacin de regresin multlineal es:
Y = 15.5 + 2.9XX + 12.8X2 - 1.2X3 + 8.5X4
donde
Y = ventas del siguiente trimestre en miles de unidades
X! = cargas de carros de ferrocarril nacionales del trimestre
anterior en millones
X2 = crecimiento porcentual del producto nacional bruto X
diez mil
X3 = tasa de desempleo en la regin X diez mil
X4 = poblacin en el condado en miles
Este tipo de ecuacin se utiliza de igual manera que la ecuacin de regresin simple (Y = a +
bX): para calcular el valor de la variable dependiente (Y) en la ecuacin de regresin se reemplazan los valores estimados de las variables independientes (X^ X2, X3, y X4).
Observe que en la ecuacin de regresin mltiple arriba citada, la variable X! equivale a las cargas de carros de ferrocarril nacionales del trimestre anterior. Este dato se utiliza para pronosticar las
ventas del siguiente trimestre; en este caso, las cargas de carros de ferrocarril adelantan a las ventas
en un trimestre. Consideramos a Xl un indicador adelantado porque su valor se conoce antes que
ocurra la venta. Siempre es deseable encontrar indicadores adelantados en el pronstico porque evitan la necesidad de estimar los valores de variables independientes, como tuvimos que hacer en el
paso b.l del ejemplo 3.2.
El anlisis de regresin mltiple no lineal, regresin por etapas y los coeficientes de correlacin mltiple y parciales tambin forman parte de la familia de tcnicas conocidas como
anlisis de regresin y correlacin, pero quedan fuera del alcance de este libro. Sin embargo, las
ideas aqu presentadas por lo general se aplican a estas tcnicas ms complejas, y Y,X, a, by r tienen todas sus contrapartidas en los modelos ms elaborados.
Rangos de los pronsticos Cuando el anlisis de regresin lineal genera pronsticos para periodos futuros, stos son slo estimaciones y por lo tanto estn sujetos a error. La presencia de errores de pronstico o de variaciones al azar es un hecho para quienes pronostican; el pronstico es
un proceso que est inmerso en la ihcertidumbre. Una manera de tratar esta incertdumbre es desarrollando intervalos de confianza para los pronsticos.
La figura 3.4 muestra de manera grfica de qu manera se podran establecer intervalos de confianza para los pronsticos. Se utilizan diez periodos de datos para desarrollar una lnea de tendencia. Al extender una lnea de tendencia hacia el periodo 12, se obtiene un pronstico de 2,400 unidades. Mediante el dibujo de lmites superiores e inferiores a los datos, paralelos a la lnea de tendencia,
de forma que las ventas anuales reales excedan a los lmites slo de manera espordica, los lmites
superior e inferior pueden extenderse hasta el periodo 12 y obtener un lmite superior de 3,300 unidades y uno inferior de 1,500. Si los lmites se acercan el uno al otro, los datos histricos estarn
agrupados muy cerca de la lnea de tendencia y tendremos ms confianza en nuestros pronsticos.
Aunque a veces se utiliza este procedimiento grfico para establecer lmites superiores e inferiores, es decir rangos de pronstico, existe un mtodo ms preciso. El ejemplo 3.3 utiliza la siguiente frmula para estimar rangos para un pronstico:

La expresin s^ se conoce como error estndar del pronstico o desviacin estndar del pronstico, y es una medida de la manera en que han quedado dispersos a uno y otro lado de la lnea
de tendencia los puntos de datos histricos. Si syx es pequeo en relacin con el pronstico, los
puntos de datos pasados han quedado agrupados muy cerca de la lnea de tendencia y los lmites
superior e inferior se acercan entre s.
Establecer rangos para los pronsticos permite a los analistas hacer frente a la incertidumbre
que rodea a su trabajo desarrollando pronsticos con buenos estimados as como los rangos dentro de los cuales los datos reales ms probablemente ocurrirn.

72

CAPTULO 3

FIGURA 3.4

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y PE LAS OPERACIONES

ERRORES DE PRONSTICO

EJEMPLO 3.3

RANGOS DE PRONSTICOS DE SERIE DE TIEMPO

Aqu utilizaremos los datos de ventas anuales de Specific Motors del ejemplo 3.1. La distribucin de
los valores pronosticados para un periodo de tiempo futuro tiene una desviacin estndar (syx), que es
una medida relativa de la manera en que la distribucin est dispersa a uno y otro lado de su valor esperado (Y). La distribucin de todos los valores de pronstico futuros de los periodos se supone es una
distribucin t de Student.
SOLUCION

1. Del ejemplo 3.1, hemos calculado todos los valores siguientes: Zy = 21,000; Zx = 55;
Zx2 = 385; Zxy = 133,300; n = 10; x = 5.5; y = 2,100. Calculemos ahora Zy2:

2.

Ao

(miles de unidades)

y2

Ao

(miles de unidades)

1
2
3
4
5

1,000
1,300
1,800
2,000
2,000

1,000,000
1,690,000
3,240,000
4,000,000
4,000,000

6
7
8
9
10

2,000
2,200
2,600
2,900
3,200
Total

Ahora calculemos el valor de syx:

y2
4,000,000
4,840,000
6,760,000
8,410,000
10,240,000
Iy2 = 48,180,000

MODELOS CUANTITATIVOS DE PRONSTICO

73

= 173.0 Miles de unidades

3.

Ahora que tenemos el valor de syx, calculemos los lmites superior e inferior del pronstico para el periodo 11*:
Lmite superior = Yn + t syx
Lmite inferior = Y n t syx
Donde t es el nmero de desviaciones estndar de separacin respecto a la media de la distribucin para proporcionar una probabilidad dada de llegar a estos lmites superior e inferior.
Digamos, por ejemplo, que deseamos establecer los lmites para que slo exista una probabilidad de 10% (5% en cada extremo) de exceder de manera casual los lmites. El Apndice B
enlista los valores de t. Dado que para un anlisis de regresin simple los grados de libertad
(g.l.) = n-2 y el nivel de significancia es igual a 0.10, el valor de t es igual a 1.860 y
Lmite superior = 3,286.7 + 1.86(173) = 3,608.5, o 3,610 miles de unidades
Lmite inferior = 3,286.7 - 1.86(173) = 2,964.9, o 2,960 miles de unidades

4.

Note que se han redondeado los lmites a un dgito significativo por encima de los datos originales.
Ahora podemos describirle a Jim Weis lo que tenemos: existe una probabilidad de 90% que
nuestras ventas anuales del prximo ao queden entre 3,310 y 2,960 miles de unidades. Slo
existe una probabilidad de 10% que nuestras ventas caigan fuera de estos lmites. Nuestra mejor estimacin es 3,290 miles de unidades.

*Otra expresin para los lmites superior e inferior en el Y pronosticado a veces se utiliza cuando el punto de pronstico
queda muy alejado de los datos originales: lmites = Y (sf), donde
es el valor de X para el cual se est pronosticando un valor de Y.

Estacionalidad en los pronsticos de seres de tiempo Por lo general, los patrones estacionales son fluctuaciones que ocurren dentro de un ao y tienden a repetirse anualmente. Estas estaciones pueden ser causadas o determinadas por el clima, las vacaciones, los das de pago, los eventos
escolares o cualquier otro fenmeno. La Instantnea Industrial 3.1 describe la experiencia que tuvo
L. Bean en el pronstico de patrones estacionales.
El ejemplo 3.4 muestra la forma de desarrollar pronsticos con el anlisis de regresin lineal cuando en los datos de la serie de tiempo est presente una estacionalidad. El ejemplo sigue estos pasos.
1.
2.
3.
4.
5.
6.

Seleccione un conjunto representativo de datos histricos.

Desarrolle un ndice de estacionalidad para cada estacin, es decir, mes o trimestre.
Utilice los ndices de estacionalidad para desestacionalizar los datos. En otras palabras,
elimine los patrones estacionales.
Realice un anlisis de regresin lineal sobre los datos desestacionalizados. Ello resultar
en una ecuacin de regresin de la forma: Y = a + bX.
Utilice la ecuacin de regresin para calcular los pronsticos del futuro.
Utilice los ndices de estacionalidad para volver a aplicar los patrones estacionales a los
pronsticos.

Cuando desarrollamos pronsticos estacionalizados mediante el anlisis de regresin lineal,

como en el ejemplo 3.4, y deseamos tener rangos para estos pronsticos, el procedimiento es sim-

74

CAPTULO 3

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

INSTANTNEA INDUSTRIAL 3.1

PRONSTICO DE LLAMADAS TELEFNICAS EN L. L BEAN
L L Bean es un detallista muy conocido de artculos y ropa deportiva para cacera y campismo de alta
calidad. Aproximadamente 10% de
sus ventas se efectan a travs de
tiendas al menudeo, 20% mediante
rdenes por correo y 70% por pedidos telefnicos al centro de
atencin telefnica de la empresa.
Los clientes llaman a uno de los
dos nmeros gratuitos para colocar pedidos o para entrar en contacto con servicio a clientes; los
empleados del servicio estn especialmente capacitados para manejar
una amplia variedad de problemas,
en tanto que los vendedores estn
capacitados para recibir pedidos.
A fin de planear con efectividad sus necesidades de personal,
para L L Bean es importante pronosticar con precisin la cantidad
de llamadas telefnicas diarias para
ventas y para servicio a clientes. Los
programadores de personal utilizan
pronsticos para crear programas

semanales de personal para las siguientes tres semanas. Los pronsticos incorrectos resultan muy costosos para L L Bean. Si se
pronostica demasiado alto, resulta
un excesivo costo de mano de obra
directa; si se pronostica demasiado
bajo, resulta en falta de personal, lo
que es causa de clientes insatisfechos, ventas perdidas y cargos ms
elevados por conexin telefnica
debido a esperas ms largas. Complicando adicionalmente el reto de
pronosticar y de personal est la
naturaleza errtica y extrema estacionalidad del negocio de L L Bean.
La empresa recibe prcticamente
20% de sus llamadas anuales en las
tres semanas anteriores a Navidad,
en las que generalmente se duplica
la cantidad de personas y cuadriplica el nmero de lneas telefnicas.
En un esfuerzo para mejorar la
precisin en el pronstico, se desarrollaron nuevos modelos empleando la metodologa de prome-

dios mviles autorregresivos integrados (ARIMA o Box-Jenkins). La mejora fue tan importante que un gerente de L L Bean la describi as:
"Durante aproximadamente cinco
meses ya hemos estado utilizando el
nuevo sistema de pronstico para
preparar nuestros programas de
personal para ios centros de llamadas y nos hemos beneficiado en gran
medida por su mucha mayor precisin. En el pasado, pronosticbamos
los niveles de llamadas utilizando un
procedimiento estadsticamente menos complejo, basado principalmente
en los pronsticos de pedidos que
obtenamos de mercadotecnia.
"Los ahorros anuales recurrentes debidos al cambio a este nuevo
sistema de pronstico se estiman
en 300 mil dlares. Esto no incluye
los sustanciales ahorros continuados
que resultan todas las semanas por
la importante reduccin en la mano
de obra requerida para la preparacin de los pronsticos."

Fuente: Andrews, Bruce H. and Shawn M. Cunningham. "L. L. Bean Improves Call-Center Forecasting." Interfaces 25, no. 6
(noviembre-diciembre 1995): 1-13.

pie. Los pronsticos desestacionalizados se convierten en rangos y entonces estos pronsticos, junto con sus lmites superior e inferior, se estacionalizan multiplicndolos por sus respectivos ndices de estacionalidad.

EJEMPLO 3.4

PRONSTICOS DE SERIE DE TIEMPO ESTACIONAUZADOS

Jim White, gerente de planta de Specific Motors, est intentando planear las necesidades de efectivo,
personal y materiales y suministros para cada trimestre del prximo ao. Los datos de ventas trimestrales durante los ltimos tres aos razonablemente parecen reflejar el patrn de resultados estacional
que debe esperarse en el futuro. Si Jim pudiera estimar las ventas trimestrales del siguiente ao, podra
determinar las necesidades de efectivo, material, personal y suministros. (Resulta til utilizar una hoja
de clculo para realizar muchos de los clculos).

SOLUCION
1. Primero, calculamos los ndices de estacionalidad:

75

MODELOS CUANTITATIVOS DE PRONSTICO

Ventas trimestrales (miles de unidades)

Ao

Qi
520
590
650
1,760
586
0.809

8
9
10
Totales
Promedio trimestral
ndice de estacionalidad (ffi)**

Total
Anual

Q2

Q3

Q4

730
810
900
2,440
813|
1.122

820
900
1,000
2,720
906
1.251

530
600
650
1,780
593|
0.818

2,600
2,900
3,200
8,700
725*

*Promedio general del trimestre = 8700/12 = 725.

**IE = Promedio del trimestre/Promedio general del trimestre.

2.

A continuacin, desestacionalizamos los datos dividiendo cada valor trimestral entre su IE (ndice de
estacionalidad). Por ejemplo, 520 H- 0.809 = 642.8,730 -M.122 = 650.6, y as sucesivamente.
Datos trimestrales
ajustados desestacionalizados

Ao
8
9
10

3.

Qi

Q2

Q3

Q4

642.8
729.3
803.5

650.6
721.9
802.1

655.5
719.4
799.4

647.9
733.5
794.6

A continuacin, hacemos un anlisis de regresin sobre los datos desestacionalizados (12 trimestres) y el pronstico de los siguientes cuatro trimestres:
Periodo
Ao 8, Q!
Ao 8, Q2
Ao 8, Q3
Ao 8, Q4
Ao 9, Qj
Ao 9, Q2
Ao 9, Q3
Ao 9, Q4
Ao 10, Q!
Ao 10, Q2
Ao 10, Q3
Ao 10, Q4
Totales

x
1
2
3
4
5
6
7
8
9
10
11
12
Ix = 78

642.8
650.6
655.5
647.9
729.3
721.9
719.4
733.5
803.5
802.1
799.4
794.6
Iy = 8,700.5

y2
413,191.84
423,280.36
429,680.25
419,774.41
531,878.49
521,139.61
517,536.36
538,022.25
645,612.25
643,364.41
639,040.36
631,389.16
2
Iy = 6,353,909.75

x2
1
4
9
16
25
36
49
64
81
100
121
144
Zx2 = 650

xy
642.8
1,301.2
1,966.5
2,591.6
3,646.5
4,331.4
5,035.8
5,868.0
7,231.5
8,021.0
8,793.4
9,535.2
Ixy = 58,964.9

4.

A continuacin utilizamos estos valores para reemplazarlos en las frmulas encontradas en la

tabla 3.5:

5.

Ahora reemplazamos los valores 13, 14, 15 y 16 los siguientes cuatro valores de x en la
ecuacin. Estos sern los pronsticos desnacionalizados, en miles de unidades, para los siguientes cuatro trimestres:

76

CAPTULO 3

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

Y13 = 615.421 + 16.865(13) = 834.666 Y15 = 615.421 + 16.865(15) = 868.396

Y14 = 615.421 + 16.865(14) = 851.531 Y16 = 615.421 + 16.865(16) = 885.261
6.

Utilizamos los ndices de estacionalidad (IE) para estacionalizar los pronsticos:

Trimestre

Qi
Q2
Q3
Q4

IE

Pronsticos
desestacionalizados

0.809
1.122
1.251
0.818

834.666
851.531
868.396
885.261

Pronsticos estacionalizados [IE x

pronsticos desestacionalizados
(miles de unidades)

675
955
1,086

724

Observe que se han redondeado los pronsticos a un dgito significativo adicional a los de los datos
originales.

PRONSTICOS A CORTO PLAZO

Por lo general, los pronsticos a corto plazo son estimaciones de situaciones futuras sobre lapsos
que van desde unos cuantos das hasta varias semanas. Estos pronsticos pueden abarcar perodos
tan conos de tiempo que los ciclos, la estacionalidad y los patrones de tendencia surten muy poco efecto. El patrn principal de datos que afecta a estos pronsticos es la fluctuacin aleatoria.
Los pronsticos a corto plazo proporcionan a los gerentes de operaciones informacin para tomar decisiones como:
Cunto inventario de un producto en particular deber mantenerse el mes siguiente?
* Cunto de cada producto deber programarse para produccin la semana siguiente?
* Cunto de cada materia prima deber pedirse para su entrega la siguiente semana?
Cuntos trabajadores debern programarse para trabajar en tiempo normal y extra la
semana entrante?
Evaluacin del desempeo del modelo de pronstico Los modelos de pronstico a corto plazo
se evalan en funcin de tres caractersticas: respuesta de impulso, capacidad de amortiguacin de
ruido y precisin.
Respuesta de impulso en comparacin con la capacidad de amortiguacin de ruido El pronstico
a corto plazo involucra tomar datos histricos del pasado y proyectar los valores estimados correspondientes a estos datos uno o ms perodos en el futuro. Los pronsticos que reflejan todas las
pequeas fluctuaciones ocurridas en los datos del pasado se dice que incluyen variaciones aleatorias,
o ruido. Estos pronsticos son errticos de un periodo al siguiente. Si, por otra parte, los pronsticos
tienen pequeas fluctuaciones de un periodo a otro, se dice que tienen amortiguacin de ruido.
Los pronsticos que responden muy rpidamente a los cambios en los datos histricos se describen como de una respuesta de impulso elevada. Por otra parte, cuando los pronsticos reflejan poco de los cambios de los datos histricos, se dice que estos pronsticos tienen una respuesta de impulso baja. Por lo general, es deseable tener pronsticos a corto plazo que a la vez contengan
una respuesta de impulso elevada y una alta capacidad de amortiguacin de ruido, pero esto no es
posible. Un sistema de pronstico que responda rpidamente a los cambios en los datos obligatoriamente adquiere gran cantidad de ruido. Los pronosticadores, por lo tanto, al seleccionar modelos de pronstico para cada aplicacin en particular normalmente deben escoger cul ser la caracterstica ms valiosa: una elevada respuesta de impulso o una elevada capacidad de amortiguacin
de ruido.
Medidas de la precisin del pronstico La precisin de un modelo de pronstico se refiere a qu
tan cerca siguen los datos reales a los pronsticos. Comnmente se utilizan tres medidas de preci-

77

MODELOS CUANTITATIVOS DE PRONSTICO

sin del pronstico: 1) error estndar del pronstico (syx), analizado anteriormente; 2) error medio
cuadrtico (MSE, por sus siglas en ingls), que es simplemente (syx)2; y 3) desviacin media absoluta (MAD, por sus siglas en ingls), que se calcula de las frmulas que siguen:
MAD =

Suma de la desviacin absoluta durante n cperiodos

n

Igual que syx y el error medio cuadrtico (MSE, por sus siglas en ingls), si MAD es pequeo, los datos reales siguen de cerca a los pronsticos de la variable dependiente y el modelo de
pronstico est dando pronsticos precisos. Cuando los errores pronosticados siguen una distribucin normal, los valores de MAD y de syx quedan relacionados mediante la expresin:
Syx = 1.25MAD
MAD, syx y el error medio cuadrtico se utilizan para medir la precisin a posteriori tanto de los
modelos de pronstico a largo como a corto plazo. Sin embargo, en el caso de los modelos de pronstico a corto plazo tambin se puede utilizar MAD para determinar valores vlidos de los parmetros de los modelos de pronstico, antes de aplicar dichos modelos.
Pronsticos ingenuos Los modelos de pronstico ingenuos son aquellos que son rpidos y fciles de utilizar, no tienen virtualmente ningn costo, y son fciles de comprender. Los ejemplos de
pronsticos ingenuos son: 1) el uso de las ventas de ayer como pronstico de las ventas de hoy
2) uso de las ventas de la misma fecha del ao pasado como pronstico de ventas de maana. La
objecin principal al uso de estos procedimientos para el pronstico a corto plazo es que son tan
simplistas que los ms probable es que den como resultado un error sustancial de pronstico. Hay
algunas aplicaciones, sin embargo, en las que los pronsticos ingenuos son tan precisos como
los modelos ms complejos o el error de pronstico no es lo suficientemente oneroso para justificar
modelos de pronstico ms costosos.
Mtodo de los promedios mviles El mtodo de los promedios mviles promedia los datos de
unos cuantos periodos recientes y este promedio se convierte en el pronstico del periodo siguiente.
El ejemplo 3.5 demuestra la manera de utilizar el mtodo de los promedios mviles. De particular
importancia es la cantidad de periodos de datos que se han de incluir en el promedio.

EJEMPLO 3.5

PRONSTICO DE PROMEDIO MVIL A CORTO PLAZO

Shirley Johnson, gerente de inventarios, desea desarrollar un sistema de pronstico a corto plazo para
estimar el volumen de inventario que fluye de su almacn todas las semanas. Ella cree que la demanda de inventario por lo general ha sido estable, con algunas ligeras fluctuaciones aleatorias de una semana a la siguiente. Un analista de las oficinas centrales de la empresa sugiri que utilizara un promedio mvil de 3, 5 o 7 semanas. Antes de tomar una decisin, Shirley decidi comparar la precisin de
cada una de ellas en relacin con el periodo de diez semanas ms reciente.

SOLUCION
1.

Calcule los pronsticos de promedios mviles de 3, 5 y 7 semanas:

78.

CAPTULO 3

Semana

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

Pronsticos
Demanda real de inventarios
(mus de dlares)
cantidad de periodos pro- cantidad de periodos pro-

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

cantidad de periodos promediados = 7 semanas

mediados = 3 semanas

mediados = 5 semanas

[106771

HMol

no6i

105.7
99.0
100.7
101.7
96.7
105.0
110.0
105.0
98.3

106.4

106.7

100
125
90
110
105
130
85
102
110
90
105
95
115
120
80
95
100

106.4

104.6

103.4

104.6

98.4

103.9

100.4

102.4

103.0

100.3

105.0

105.3

103.0

102.1

101.0

100.0

Note que se han redondeado los pronsticos a un dgito significativo por encima de lo correspondiente a los datos originales.
Clculos de muestra: pronsticos para la semana 10:

Nota: Para el pronstico para la semana 10, recuerde que los nicos datos histricos de demanda de inventario reales semanales que usted tiene para trabajar son las semanas 1 a 9. Por lo tanto, no es posible que se incluyan los datos reales de la semana 10 para el clculo de los pronsticos de esa semana.
2. A continuacin, calcule la desviacin media absoluta (MAD, por sus siglas en ingls) de estos tres
pronsticos:
Pronsticos
cantidad de periodos
promediados = 3 semanas

Semana

Demanda real
de inventario
(miles de dlares)

8
9
10
11

102
110
90
105

106.7

12
13
14
15
16
17

95
115
120
80
95
100

101.7

4.7
4.3
9.0
4.3
6.7

96.7

18.3

105.0

Pronsticos

Desviacin absoluta total

Desviacin absoluta media
(MAD, por sus siglas en ingls)

Desviacin
absoluta

cantidad de periodos
promediados = 5 semanas
Desviacin
absoluta
Pronsticos
2.0
104.0

cantidad de periodos
promediados = 7 semanas
Desviacin
Pronsticos
absoluta
106.4
4.4

106.4

3.6

106.7

3.3

106.4

16.4

104.6

14.6

103.4

104.6

0.4

98.4

1.6
3.4

103.9

8.9

100.4

14.6

102.4

12.6

15.0

103.0

17.0

100.3

19.7

110.0

30.0

105.0

25.0

105.3

25.3

105.0

10.0

103.0

102.1

98.3

1.7

101.0

8.0
1.0

7.1
0.0

105.7
99.0
100.7

104.0
10.40

92.6
9.26

100.0

96.3
9.63

79

MODELOS CUANTITATIVOS DE PRONSTICO

3.

4.

La precisin del pronstico con una cantidad de periodos promediados = 5 es la mejor, ya que
su MAD tiende a ser inferior al correspondiente para tres o siete semanas. La precisin del
pronstico por un periodo de promedio de siete semanas se acerca mucho al de cinco semanas; por lo que se recomienda comprobarlo posteriormente.
Ahora utilice una cantidad de periodos promediados de cinco semanas para pronosticar la demanda de efectivo de la siguiente semana, la decimoctava:
Pronstico = H5 + 120 + 80 + 95 + 100 = 102, o 102 mil dlares
5

La figura 3.5 traza los tres pronsticos de promedio mvil en funcin de los datos reales del
ejemplo 3.5. Observe que entre mayor sea la cantidad de periodos promediados, mayor es la capacidad de amortiguacin de ruido y menor es la respuesta de impulso del pronstico y viceversa. El
pronstico con cantidad de periodos promediados = 7 tiene una capacidad de amortiguacin de ruido ligeramente superior y una respuesta de impulso ligeramente inferior al de los otros dos pronsticos, porque su curva exhibe una menor variacin de periodo a periodo. La cantidad de periodos promediados ms precisa tiende a variar con las caractersticas nicas de cada conjunto de
datos. La cantidad de periodos promediados deber determinarse, por lo tanto, mediante la experimentacin, como en el ejemplo 3.5. La seleccin del nmero de periodos promediados depender
de los criterios de precisin, respuesta de impulso y capacidad de amortiguacin de ruido. Qu
sera ms deseable, una elevada respuesta de impulso o una elevada capacidad de amortiguacin
de ruido, y cunta precisin se puede sacrificar para conseguir cualquiera de estas dos caractersticas? En un anlisis final, la cantidad de periodos promediados seleccionada depender del conocimiento del uso que se le dar a los pronsticos y de la naturaleza de la situacin de pronstico.

FIGURA 3.5

PRONSTICOS DE PROMEDIO MVIL EN COMPARACIN CON LA DEMANDA REAL DE EFECTIVO DEL EJEMPLO

3.5

80

CAPTULO 3

TAB 3.6

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN V DE LAS OPERACIONES

FRMULAS Y DEFINICIONES DE VARIABLES PARA LOS PRONSTICOS DE SUAVIZACIN EXPONENCIAL

Ft
Ft_!
A t _j
a

=
=
=
=

pronstico para el periodo t, el periodo siguiente

pronstico para el periodo t - 1, el periodo anterior
datos reales del periodo t 1, el periodo anterior
constante de suavizacin, de O a 1
que tambin se puede expresar de la manera:

Mtodo de los promedios mviles ponderados El mtodo de promedios mviles antes analizado toma en consideracin, al desarrollar un pronstico, dar el mismo peso a todos los datos histricos. En algunas situaciones pudiera resultar deseable aplicar pesos o coeficientes de ponderacin
a los datos histricos. Por ejemplo, si se cree que los datos ms recientes son ms importantes para un pronstico, se pueden aplicar pesos o coeficientes ms elevados de ponderacin a estos datos, como se indica a continuacin:

Semana

Datos
reales

Peso o coeficiente
de ponderacin

7
8
9

85
102
110

.20
.30
.50

Pronstico10 = 0.2(85) + 0.3(102) + 0.5(110) = 102.6, o 102 mil 600 dlares

Esta simple modificacin al mtodo de los promedios mviles permite a los pronosticadores especificar la importancia relativa de cada uno de los periodos pasados de datos.
Mtodo de suavizacin exponencial En la tabla 3.6 se encuentran las variables, sus definiciones y las frmulas para los pronsticos de suavizacin exponencial. La suavizacin exponencial toma el pronstico del periodo anterior y le incorpora un ajuste para obtener el pronstico del siguiente periodo. Este ajuste es proporcional al error anterior y se calcula
multiplicando el error de pronstico del periodo anterior por una constante entre cero y uno.
Esta constante alfa (a) se conoce como constante de suavizacin. El ejemplo 3.6 demuestra
el uso de la suavizacin exponencial para el desarrollo de pronsticos.

EJEMPLO 3.6
PRONSTICO A CORTO PLAZO DE SUAVIZACIN EXPONENCIAL
Shirley Johnson, del ejemplo 3.5, habla con un analista de las oficinas centrales de la empresa respecto
al pronstico de la demanda semanal del inventario de su almacn. El analista sugiere que Shirley piense en utilizar la suavizacin exponencial con constantes de suavizacin de 0.1, 0.2 y 0.3. Shirley decide
comparar la precisin de las constantes de suavizacin para el periodo de 10 semanas ms reciente.

SOLUCION
^SiNQHEHNH
1.

Primero, estudiamos las frmulas y definiciones de variables de la tabla 3.6. Calculamos los
pronsticos semanarios de las semanas 8 hasta la 17:

81

MODELOS CUANTITATIVOS DE PRONSTICO

Semana
7

Demanda real de inventaro

(miles de dlares)
85

a = 0.1
85.0*

Pronsticos
a = 0.2
85.0

a = 0.3
85.0

85.0

85.0

85.0

86.7

88.4

90.1

89.0

92.7

96.1

89.1

92.2

94.3

90.7

94.8

97.5

91.1

94.8

96.8

93.5

98.8

102.3

96.2

103.0

107.6

94.6

98.4

99.3

94.6

97.7

98.0

102
110
90
105
95
115
120
80
95
100

8
9
10
11
12
13
14.
15
16
17

"Todos los pronsticos para la sptima semana fueron seleccionados arbitrariamente. Se necesitan pronsticos de inicio para utilizar la suavizacin exponencial. Usualmente se igualan, estos pronsticos a los datos reales del periodo.

Observe que los pronsticos han sido redondeados mostrando un dgito significativo ms que
los datos originales. Los clculos correspondientes a los pronsticos de la semana 10 son:
FIO = F9 + (A9 ~ F9)

a = 0.1: F10 = 86.7 + 0.1(110 - 86.7) = 89.0

a = 0.2: F10 = 88.4 + 0.2(110 - 88.4) = 92.7
a = 0.3: F10 = 90.1 + 0.3(110 - 90.1) = 96.1
Nota: Al elaborar los pronsticos de la semana 10, los nicos datos histricos disponibles llegan hasta la semana 9. Slo se utilizan los datos reales de esa semana y los pronsticos de la
semana 9 para calcular los pronsticos de la semana 10.
2. A continuacin, calculamos la desviacin media absoluta de estos tres pronsticos:

Semanas
8

9
10
11
12
13
14
15
16
17

Demanda real
de invntanos
(miles de
dlares)
102

110
90
105
95
115
120
80
95
100

Desviacin absoluta total

Desviacin media absoluta

3.
4.

Pronstico
a = 0.1
a = 0.2
a = 0.3
Desviacin
Desviacin
Desviacin
Pronsticos absoluta Pronsticos absoluta Pronsticos absoluta
17.0
17.0
85.0
85.0
85.0
17.0
86.7

23.3

88.4

21.6

1.0

92.7

2.7

90.1
96.1

19.9

89.0
89.1

15.9

92.2

12.8

94.3

10.7

90.7

4.3

94.8

0.2

97.5

2.5

91.1

23.9

94.8

20.2

96.8

18.2

93.5

26.5

98.8

21.2

102.3

17.7

96.2

16.2

103.0

23.0

107.6

27.6

94.6

0.4
5.4

98.4

3.4
2.3

99.3

4.3
2.0

94.6

133.9
13.39

97.7

124.4
12.44

98.0

6.1

126.0
12.60

La constante de suavizacin a = 0.2 nos da una precisin ligeramente mayor si la comparamos con las de a = 0.1 y a = 0.3.
A continuacin, utilizando a = 0.2, calcule el pronstico (en miles de dlares) para la semana 18:
F18 = F17 + 0.2(A17 - F17)
- 97.7 + 0.2(100 - 97.7) = 97.7 + 0.2(2.3) = 97.7 + 0.46 = 98.2, o 98 mil 200 dlares

82

CAPTULO 3

FIGURA 3.6

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN Y DE LAS OPERACIONES

PRONSTICOS DE SUAVIZACIN EXPONENCIAL EN COMPARACIN CON IA DEMANDA REAL DE EFECTIVO DEL EJEMPLO 3.6

Los pronosticadores seleccionan valores para a basados en criterios como la precisin, la respuesta de impulso y la capacidad de amortiguacin de ruido. Como se puede ver en el ejemplo 3.6,
no siempre niveles ms elevados de a resultan en pronsticos ms precisos. Cada conjunto de datos tiende a tener cualidades nicas, de forma que se aconseja experimentar con diferentes niveles
de a para alcanzar la mejor precisin en el pronstico. La figura 3.6 traza los pronsticos de suavizacin exponencial (a = 0.1, 0.2 y 0.3) contra la demanda real semanal del inventario del ejemplo 3.6. Note que entre ms elevado es a, ms alta es su respuesta de impulso y menor es su capacidad de amortiguacin de ruido y viceversa: Cuando a = 0.3, el pronstico exhibe una respuesta
de impulso ligeramente superior y una capacidad de amortiguacin de ruido ligeramente inferior,
ya que su curva exhibe una mayor variacin de periodo a periodo.
La suavizacin exponencial se conoca antes como promedio mvil ponderado exponencialmente, trmino que nos recuerda que la suavizacin exponencial, igual que el promedio mvil y
los modelos de promedios mviles ponderados, desarrollan pronsticos que en realidad son promedios. La suavizacin exponencial brinda mayor peso a los datos de periodos ms recientes que
a los de periodos ms alejados. La figura 3.7 ilustra los pesos o coeficientes de ponderacin para
algunas constantes de suavizacin.
Suavizacin exponencial con tendencia Generalmente consideramos que la planeacin a corto plazo cubre o abarca lapsos tan breves que la estacionalidad y la tendencia no son factores de
importancia. Sin embargo, conforme pasamos de pronsticos a corto plazo a pronsticos a plazo medio, la estacionalidad y la tendencia se hacen ms importantes. La incorporacin de un
componente de tendencia en pronsticos suavizados exponencialmente se conoce como suavizacin exponencial doble, ya que tanto la estimacin del promedio como la de la tendencia se
suavizan.

MODELOS CUANTITATIVOS DE PRONSTICO

FIGURA 3.7

83

PONDERACIN DE DATOS DEL PASADO EN u SUAVIZACIN EXPONENCIAL

En este modelo se utiliza tanto a, la constante de suavizacin para el promedio, como /3, la constante de suavizacin para la tendencia. La tabla 3.7 exhibe frmulas para incorporar un componente de tendencia en pronsticos de suavizacin exponencial y el ejemplo 3.7 ilustra la utilizacin de
las frmulas.
El pronstico con tendencia del mes 7 se calcula as:

FTt = S t _, + T , _ ,
FT7 = S6
+ T6
= 149.28 + 3.81 = 153.09, o 153.1 miles de dlares

EJEMPLO 3.7
SUAVIZACIN EXPONENCIAL EN PRONSTICOS CON TENDENCIA
Ann Hickman debe pronosticar las ventas de su empresa en expansin de autotransportes, de forma que
pueda planear la necesidades de efectivo, personal y combustible. Ella cree que las ventas durante el
periodo de los seis meses anteriores son representativas de las ventas del futuro. Desarrolle un pronstico de suavizacin exponencial con tendencia para las ventas del mes 7, si a = 0.2, ft = 0.3, y las ventas histricas, en miles de dlares, fueron:

84

CAPTULO 3

TABLA 3.7

LOS PRONSTICOS EN LA ADMINISTRACIN DE LA PRODUCCIN V DE LAS OPERACIONES

FRMULAS, DEFINICIONES DE VARIABLES Y PROCEDIMIENTO PARA LOS PRQNSIKOS DE SUAVEAON EXPONENCIAL CON TENDENCIA
Definiciones variables
St
Tt
At
t
t 1
FTt
a
j3

=
=
=
=
=
=
=
=

pronstico suavizado del periodo t

estimacin de tendencia del periodo t
dato real del periodo t
el siguiente periodo
el periodo anterior
pronstico con tendencia del periodo t
constante de suavizacin para los promedios, de O a 1
constante de suavizacin para la tendencia, de O a 1

Frmulas
FTt
St

Tt

= S t _, + T t _,

= FTt + a(At - FTt)

= Tt_! + /3(FTt - FTt_! - T^)

Procedimiento
Si deseramos completar el pronstico de suavizacin exponencial con tendencia para la semana 7, seguiramos
este procedimiento:
1. Para empezar, es necesario que sepamos los valores de a y de j8. Los valores de las constantes de suavizacin a y j8 deben estar entre O y 1 y deben estimare o deducirse experimentalmente.
2. S6 y T6 se habran calculado antes.
3. Calcule: FT7 = S6 4- T6. Este es el pronstico de suavizacin exponencial con tendencia para la semana 7.
4. En la preparacin para el clculo de pronstico de la siguiente semana, calculamos S7 y T7. Conociendo los
valores de FT7, FT6, a, j3 y T6, y una vez conocido el valor de A7 calcule:
S7 = FT7 + a(A7 - FT7)
T7 = T6 + /3(FT7 - FT6 - T6)

Mes
(t)

Ventas
(miles de dlares)
(AJ

1
2
3
4
5
6

130
136
134
140
146
150

SOLUCION
1.

Estimamos el pronstico de inicializacin para el mes 1: Un pronstico ingenuo para el mes

1 seran las ventas reales del mes 1, o 130.

FTl = Al = 130
2.

Estimamos un componente inicial de tendencia. Una forma de estimar el componente de tendencia es restar las ventas reales del mes 1 de las ventas reales del mes 6, y a continuacin
dividirlos entre 5, que es la cantidad de periodos entre 1 y 6.

3.

A continuacin, utilizando el pronstico y el componente de tendencia iniciales de los meses

1 y 2, calculamos un pronstico para las ventas en cada uno de los meses que nos llevan a un
pronstico para el mes 7:

85

MODELOS CUANTITATIVOS DE PRONSTICO

Mes
W

Ventas
(miles de
dlares)
(A,)

2
3
4
5
6

130
136
134
140
146
150

Mes

Ventas
(miles de
dlares)

(O
1
2
3
4
5
6

(A,

FT,)

s,

130
134
138.40
141.64
145.17

+
+
+
+
+

0.2 (130
0.2 (136
0.2 (134
0.2 (140
0.2 (146

130)
134)
138.40)
141.64)
145.17)

=
=
=
=
=

130.00
134.40
137.52
141.31
145.34

149.10

0.2(150

T,_!

0(FT,

FT,.!

130
136
134
140
146
150

4.00
4.00
4.12
3.86
3.76

+
+
+
+
+

0.3 (134
0.3 (138.40
0.3 (141.64
0.3 (145.17
0.3 (149.10

130
134
138.40
141.64
145.17

Mes

(t)

(A,)

130
136
134
140
146
150

S,_!

130
134.40
137.52
141.31
145.34
149.28

+
+
+
+
+
+

149.28

TU)

T,

conocido
4.00)
4.00)
4.12)
3.86)
3.76)

=
=
=
=
=
=

4.00
4.00
4.12
3.86
3.76
3.81

149.10)

(A,)

Ventas
(miles de
dlares)

2
3
4
5
6
7

FT,

T,_x

conocido
4.00
4.00
4.12
3.86
3.76
3.81

FT,

=
=

130.00
134.00
138.40
141.64
145.17

=
=
=
=

149.10
153.09

El ejemplo 3.7 podra haberse incorporado un componente de estacionalidad en los pronsticos, igual que se hizo en el ejemplo 3.4. Sera necesario desarrollar los ndices estacionales para
cada estacin, mismos que permitiran desestacionalizar los datos, utilizando las frmulas de la tabla 3.7 para desarrollar pronsticos desestacionalizados, y finalmente, se emplearan los ndices para volver a insertar los patrones estacionales en los pronsticos.
La suavizacin exponencial es un caso especial del modelo Box-Jenkins, cuyos mtodos de
autocorrelacin examinan los puntos de datos histricos reales y les ajustan una funcin matemtica, misma que se convierte entonces en el modelo de pronstico para estimaciones futuras. Disponible en muchos paquetes estndar de pronstico por computadora, se considera a este mtodo
como el ms preciso de todos los mtodos de pronstico a corto plazo. Sin embargo, se requieren
de aproximadamente 60 puntos de datos y de cierto tiempo para obtener resultados de pronstico,
adems de que es relativamente costoso su uso. stos y otros desarrollos en los pronsticos de suavizacin exponencial la convierten en una fuerza poderosa para el pronstico a corto plazo.
Ahora que hemos examinado algunos mtodos y problemas de pronstico, concluimos el captulo considerando cmo poder tener un sistema de pronsticos de xito y analizando los tipos de
software disponibles para ellos.