Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPITULO 3
TABLA 3.3
TAB 3.4
63
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.
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
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
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
=
=
=
=
=
=
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
SOLUCION
2.
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
SOLUCION
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.
6.
64
69
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.
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
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
ERRORES DE PRONSTICO
EJEMPLO 3.3
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
y2
4,000,000
4,840,000
6,760,000
8,410,000
10,240,000
Iy2 = 48,180,000
73
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.
74
CAPTULO 3
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
SOLUCION
1. Primero, calculamos los ndices de estacionalidad:
75
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*
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.
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
Trimestre
Qi
Q2
Q3
Q4
IE
Pronsticos
desestacionalizados
0.809
1.122
1.251
0.818
834.666
851.531
868.396
885.261
675
955
1,086
724
Observe que se han redondeado los pronsticos a un dgito significativo adicional a los de los datos
originales.
77
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 =
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
SOLUCION
1.
78.
CAPTULO 3
Semana
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
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
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
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
=
=
=
=
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
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
Semana
7
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)
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
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
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.
FIGURA 3.7
83
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
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
=
=
=
=
=
=
=
=
Frmulas
FTt
St
Tt
= S t _, + T 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.
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.
85
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.