Documentos de Académico
Documentos de Profesional
Documentos de Cultura
|
.
|
|
1
1
Donde n
p
representa el nmero de unidades de prctica previa.
En 1957 De Jong propuso un modelo de aprendizaje que inclua un factor de
incompresibilidad (M) para un operador totalmente experimentado. La ecuacin
propuesta es dada por:
T T M
M
n
n
m
= +
|
\
|
.
|
1
1
Esta ecuacin es conocida como la Ley de De Jong
ndices de aprendizaje para curvas de aprendizaje
Existen varios ndices de aprendizaje establecidos para diferentes tipos de industrias.
Mientras que son generales, estos ndices de aprendizaje pueden utilizarse para ofrecer
una cifra aproximada de las curvas de aprendizaje asociadas con cada industria. La
Tabla 1 ofrece una muestra de los ndices de las curvas de aprendizaje y en algunos
casos rangos de posibles valores para el ndice de aprendizaje.
Tabla 1: Indices de Curvas de Aprendizaje por Industria (Teplitz, 1991)
INDUSTRIA Indice de Curva
de Aprendizaje
Pendiente de la
Curva (m)
Aeroespacial 85 % -.234
Herramientas de Maquinaria Compleja
para Nuevos Modelos
75 85 % -.415 to .234
Operaciones de Construccin 70 90 % -.5146 to -.152
Partes Compradas 85 88 % -.234 to -.184
Materia Prima 93 96 % -.105 to -.059
Operaciones Repetitivas de Oficina 75 85 % -.415 to -.234
Manufactura Repetitiva de Electrnica 90 95 % -.152 to -.074
Maquinado Repetitivo u Operaciones
de Prensa
90 95 % -.152 to -.074
Operaciones Repetitivas de Soldadura 90 % -.152
Pgina | 64
Construccin de Embarcaciones 80 85 % -.322 to -.234
En nuestra experiencia la curva de aprendizaje que se utilizar en una aplicacin
particular depende en gran medida del tipo de tarea que se desempee. Por ejemplo,
una tendencia actual en ambientes de alta rotacin es la divisin de las tareas de
ensamble en operaciones muy sencillas, con la esperanza de que estas operaciones sean
sencillas de aprender para los nuevos operadores. Mientras que este enfoque es muy
atractivo, es necesario evaluar los resultados de esta prctica para determinar su
efectividad en aumentar produccin.
La siguiente figura presenta los datos obtenidos de un operador en una planta
maquiladora (Villalobos y Muoz 1999) y dos curvas de aprendizaje basadas en el
modelo propuesto por De Jong (1957) con ndices de aprendizaje de 80 (0.322) y 90%
(0.152).
Learning Curve Model Estimation
y = 154.3x
-0.1609
0
20
40
60
80
100
120
140
160
180
0 500 1000 1500 2000 2500 3000
Accumulated Production (parts)
A
v
e
r
a
g
e
P
r
o
c
e
s
s
i
n
g
T
i
m
e
(
t
i
m
e
/
p
a
r
t
)
Real Data
Est imat e
(0.152)
Est imat e
(0.322)
Curve Fit
En esta figura podemos apreciar que los datos tomados de una maquiladora se
encuentran entre las dos curvas tericas; sin embargo, se acercan a la curva con un
ndice de aprendizaje de 80% (.322) en concordancia con resultados previos presentados
en la literatura.
Pgina | 65
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. Revisin de la tarea propuesta para el presente encuentro.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. Resuelva el siguiente ejercicio:
- En respuesta a la solicitud de un consumidor, una empresa manufacturera
estima el costo de 25 unidades de un nuevo producto, que es semejante a
otro ya existente. Los clculos indican que se requieren 400 horas para
producir la primera unidad del producto. Trace una grfica de los
requerimientos de mano de obra para las unidades 1 a 25 para curvas de
aprendizaje del 80 y 90 por ciento
2. Investigue y elabore un informe sobre Matriz de decisin.
3. La entrega de esta actividad ser requisito para que pueda rendir su segunda
evaluacin del segundo parcial.
Pgina | 66
ENCUENTRO No. 11
CONTENIDO
- Matriz de decisin
Es un instrumento muy utilizado que muestra los posibles resultados que se pueden
conseguir, al seguir cursos alternativos de accin (estrategias) en diferentes
circunstancias.
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. Revisin, anlisis y debate de la tarea propuesta para el presente encuentro.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. Taller sobre matriz de decisin
Pgina | 67
ENCUENTRO No. 12
CONTENIDO
- rboles de decisin
Los rboles de decisin permiten a la direccin evaluar los resultados de una secuencia
de decisiones que se refieren a un problema particular. Este enfoque implica ligar un
numero de sucesos o ramas, los cuales cundo estn completamente arreglados
semejan un rbol. El proceso se inicia con una decisin primaria que tiene por lo menos
dos alternativas para ser evaluadas como la probabilidad de cada uno de los resultados y
as sucesivamente.
Una Compaa de Manufacturas Elctricas que produce aparatos de aire acondicionado,
tiene que decidir si comprar o no un componente importante para su producto final de
un abastecedor o fabricarlo en su propia planta.
Las alternativas de decisin son entonces:
1) Comprar el componente (C)
2) Fabrica el componente (F)
La determinacin de la mejor decisin depender de la aceptacin(demanda) de su
producto final en el mercado. Dado que la demanda que la Ca enfrenta por su producto
final est fuera del control del Decisor, esta constituye una variable de estado. De
acuerdo con la administracin de la Ca. Los posibles valores de la demanda por su
producto final pueden ser :
DA = Demanda alta del producto final de la Ca.
DM = Demanda media del producto final de la Ca.
DB = Demanda baja del producto final de la Ca.
Para determinar la decisin ptima fue necesario conocer mayor informacin respecto a
las probabilidades de ocurrencia de cada estado de la naturaleza (DA,DM,DB).
Pgina | 68
El resultado final de la decisin se expresa en trminos de ganancias netas. La
administracin de la Ca. ha estimado las ganancias netas para este problema
Alternativas
De Decisin
Estados de la Naturaleza (Niveles de demanda)
DA DM DB
Fabricar (F)
Comprar(C)
130
70
40
45
-20
10
a) Determine la decisin ptimo segn criterio del valor esperado y suponiendo P(DA)
= 0.30, P(DM) = 0.30, P(DB) = 0.40.
b) Calcular el valor esperado de la informacin perfecta
c) Calcular el valor esperado de la informacin de la muestra e identifique la decisin
ptima.
d) Calcule la informacin de la eficiencia de la muestra.
CRITERIO PROBABILSTICO (Criterio del Valor Esperado)
De acuerdo con la experiencia de la administracin de la Ca. se asign las siguientes
probabilidades de ocurrencia.
Puede ser entonces : P(DA) = 0.30, P(DM) = 0.30, P(DB) = 0.40
Segn el criterio probabilstico, se decide por la alternativa de mayor ganancia esperada:
Alternativas
Fabricar (F) 130(0.30) + 40 (0.30) + -20(0.40) = 43
Comprar (C) 70(0.30) + 45 (0.30) + 1 0(0.40) =38.5
Se decide: Fabricar el componente. La Ca obtendra las mayores ganancias netas
esperadas de 43,000 dlares.
Pgina | 69
VALOR ESPERADO DE LA INFORMACIN PERFECTA
La pregunta es: Cunto ganara si conociera la informacin ?. Una forma de conocer el
futuro, o sea el resultado del programa de TV, es realizar una Investigacin de mercado.
Si se cul es mi ganancia con informacin perfecta, puedo saber cunto estoy dispuesto
a pagar para obtener esa informacin perfecta.
Valor esperado de Ganancia esperada con Ganancia esperada
la informacin = informacin perfecta - sin informacin
perfecta perfecta
Del caso anterior, se obtuvo que la ganancia esperada sin informacin perfecta es de
43,000 dlares. Para obtener la ganancia esperada con informacin perfecta, puedo usar
el siguiente esquema :
Resultado futuro La mejor decisin Ganancia
DA F 130
DM C 45
DB C 10
La ganancia esperada con informacin perfecta es :
130(0.30) + 45(0.30) + 10 (0.40) = 56.5
El valor esperado de la informacin perfecta es : 56.5 - 43 = 13.5
Osea, conocer la informacin perfecta aumenta la ganancia esperada de 43,000 a 56,500
dlares; es decir aumenta en 13,500 dlares y esto es lo mximo que se podra pagar
por la investigacin de mercado.
Cunto se pagar por la Investigacin de Mercado?. Ello depende de la confiabilidad de
dicha Investigacin.
Pgina | 70
VALOR ESPERADO DE LA INFORMACION DE LA MUESTRA E
IDENTIFICACION DE LA DECISION OPTIMA
El objetivo de la Investigacin de mercados (IM) es el de ayudar al administrador a
realizar estimaciones de probabilidad mas precisas. El propsito de la I.M. es disear y
llevar a cabo una investigacin que tenga como resultado un indicador descriptivo o
estimacin del proyecto propuesto.
Entonces: Qu tan confiable son los resultados de la IM ?
Para determinar la confiabilidad de la Investigacin, se necesita hacer una evaluacin
en base a los resultados esperados:
- Se determina dos indicadores:
I1: Reporte favorable del estudio de IM; la muestra tomada expresa un inters
considerable en el producto de la Ca.
I2: Reporte no favorable del estudio de IM; la muestra tomada expresa poco inters por
producto de la Ca.
Se evala para cada resultado, la probabilidad de que cada indicador (I1, I2) sea
resultado de la Investigacin.
El registro histrico de la Ca. de mercadotecnia en estudios similares ha permitido a la
administracin de la Ca estimar las siguientes probabilidades condicionales relevantes :
Indicador Dem.Baja(DB) Dem.Media(DM) Dem.Alta(DA)
(I1) 0.15 0.45 0.65
(I2) 0.85 0.55 0.35
Donde :
Pgina | 71
0.15 = P(I1/DB), es la probabilidad condicional de que el indicador ser I1 dado que el
producto tiene aceptacin. (Si el nivel de demanda es bajo, el reporte slo ser
favorable 5% de las veces)
IDENTIFICACION DE LA DECISION OPTIMA
Se determina a partir de la estimacin de probabilidad de que ocurra cada resultado
dependiendo del indicador resultante de la IM.
La mejor alternativa es la que maximiza la ganancia esperada.
Necesitamos calcular las probabilidades cuando la IM resulta I1 o I2; para cada posible
resultado.
Clculos de las probabilidades:
Pgina | 72
Del rbol de decisin, se obtiene :
P(I1) = 0.06 + 0.135 + 0.195 = 0.39
P(I2) = 0.34 + 0.165 + 0.105 = 0.61
* Si la IM tiene como resultado el indicador I1:
P(DB/I1) = P(DB*I1) = 0.06 = 0.1538
P(I1) 0.39
P(DM/I1) = P(DM*I1) = 0.135 = 0.3462
P(I1) 0.39
P(DA/I1) = P(DA*I1) = 0.195 = 0.50
P(I1) 0.39
* Si la IM tiene como resultado el indicador I2:
P(DB/I2) = P(DB*I2) = 0.34 = 0.5574
P(I2) 0.61
P(DM/I2) = P(DM*I2) = 0.165 = 0.2705
P(I2) 0.61
P(DA/I2) = P(DA*I2) = 0.105 = 0.1721
P(I2) 0.61
Clculo de las Ganancias Esperadas :
* Si la IM tiene como resultado el indicador I1:
Decisin Ganancia Esperada
Fabricar (F) 130 (0.50) + 40 (0.3462) + -20(0.1538) = 76
Pgina | 73
Comprar (C) 70 (0.50) + 45 (0.3462) + 10 (0.1538) = 52.25
La decisin ptima es fabricar ya que as se tendr la mayor ganancia esperada igual a $
76,000.
* Si la IM tiene como resultado el indicador I2:
Decisin Ganancia Esperada
Fabricar (F) 130 (0.1721) + 40 (0.2705) + -20(0.5574) = 21.70
Comprar (C) 70 (0.1721) + 45 (0.2705) + 10 (0.5574) = 29.65
La decisin ptima es comprar ya que as se tendr la mayor ganancia esperada igual a $
29,650.
En conclusin, lo que debemos calcular es cul es la ganancia esperada con informacin
de la IM. o de la muestra usada. Esta ganancia esperada depende de los resultados de la
IM.
La ganancia esperada con informacin de la muestra depende de los resultados de la IM
,
Luego :
Ganancia esperada con Ganancia esperada
informacin de la muestra = ( cuando el indicador es I1 )* P(I1) + Ganancia esperada
( Cuando el indicador es I2 ) * P(I2)
= (76) * (0.39) + (29.65) * (0.61)
= 47.7265 (47,726.50 dlares)
Finalmente :
Pgina | 74
Valor esperado de la Ganancia esperada con Ganancia esperada sin
informacin de la muestra = informacin de la muestra -informacin de la
muestra
= 47.7265 43.0
= 4.7265
= 4,726.50 dlares
La administracin de la empresa no debera gastar mas de $ 4,730 dlares en
llevar a cabo la investigacin de mercados.
Eficiencia de la informacin de muestra :
= Valor esperado de la informacin de muestra x 100
Valor esperado de la informacin perfecta
= 4.7265 x 100 = 35 %
13.50
Una eficiencia baja nos har buscar otros tipos de informacin muestral, como por
ejemplo otra compaa de IM. En cambio una alta eficiencia nos indicar que no ser
necesario buscar fuentes de informacin adicional
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. La siguiente tabla de resultados muestra las ganancias para un problema de
anlisis de decisiones con dos alternativas y tres estados de naturaleza
Estado de la naturaleza
Alternativa de decisin S
1
S
2
S
3
d
1
250 100 25
d
2
100 100 75
Construya un rbol de decisin para este problema
Pgina | 75
TERCERA UNIDAD
TERCER PARCIAL
ENCUENTRO No. 13
CONTENIDO
- Modelo de redes
Permite a los gerentes hacer frente a las complejidades involucradas en los grandes
proyectos; el uso de esta tcnica ha disminuido notablemente el tiempo necesario para
planear y producir productos complejos. Las tcnicas incluyen pert (tcnica de
evaluacin de programas), cpm (mtodo de la ruta critica) pert / costo y programacin
con limitacin de recursos. Se tratan tanto las dimensiones de costo como las de tiempo
en la planeacin y control de proyectos grandes y complejos.
PERT, que significa Proyect o Program Evaluacin and Review Technique (tcnica de
evaluacin y revisin de proyectos o programas), fue desarrollado a finales de la dcada
de 1950 1959 para planear y controlar los grandes proyectos de desarrollo
armamentstico del ejercito estadounidense. Fue desarrollado para evidenciar la
interdependencia de las tareas de los proyectos cuando se realiza la planificacin de los
mismos. En esencia, PERT es una tcnica de modelos grficos interrelacionados.
Para calcular los requisitos de tiempo y dibujar un grfico pert, son necesarios
cinco pasos:
1. Hacer una lista de todas las tareas y acontecimientos del proyecto
2. Determinar las dependencias entre las tareas. Para cada tarea, se anotan las tareas
que han de completase antes y despus de la terminacin de la tarea en concreto.
3. Hacer una estimacin de la duracin de cada tarea. Esta estimacin se realiza de la
siguiente manera:
a) Calcular la cantidad mnima de tiempo que llevara realizar la tarea, que recibe
el nombre de tiempo ptimo (TO). El clculo del TO supone que no sucedern
ni siquiera las interrupciones o retrasos ms probables
Pgina | 76
b) Calcular la cantidad mxima de tiempo que llevara realizar la tarea, que recibe
el nombre de tiempo psimo (TP). El clculo del TP supone que todo lo que
pueda ir mal ir mal
c) Calcular el tiempo ms probable (TMP) que ser necesario para realizar la tarea
d) Calcular la duracin esperada (DE) de la siguiente manera:
4. Calcular el tiempo mnimo de finalizacin y el tiempo mximo de finalizacin (TmF
y TMF) para cada tarea.
5. Dibujar el grfico PERT
Un procedimiento alternativo para obtener grficos PERT es la planificacin inversa.
sta planificacin programa las actividades empezando con una fecha propuesta de
terminacin de una tarea o proyecto y yendo hacia atrs hasta programar las tareas que
deben ir por delante de sta.
El camino crtico en un grfico PERT
El camino crtico es una secuencia de tareas dependientes en un proyecto que conforma
la suma mayor de las duraciones estimadas. Es el camino en el cual no existe tiempo
muerto. El tiempo muerto disponible para una tarea es igual a la diferencia entre sus
tiempos mximo y mnimo de finalizacin. Si dichos tiempos son iguales, la tarea
pertenece al camino crtico. Si una tarea del camino crtico se retrasa en sus plazos, se
retrasar tambin todo el proyecto.
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. Lectura comprensiva sobre los modelos de redes.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. Realice con sus palabras una cartilla para resolver el grfico PERT.
2. Elabore una red para el siguiente proyecto. El proyecto se completa cuando las
actividades F y G estn completas.
Pgina | 77
Actividad A B C D E F G
Predecesora
Inmediata
- - A A C,B C,B D,E
- Suponga que el proyecto tiene los siguientes tiempos de actividad (en meses)
Actividad A B C D E F G
Tiempo 4 6 2 6 3 3 5
Encuentre la ruta crtica
El proyecto debe completarse en un ao y medio.
Pgina | 78
ENCUENTRO No. 14
CONTENIDO
- Grfico Gantt
Los cronogramas de barras o grficos de Gantt fueron concebidos por el
ingeniero norteamericano Henry L. Gantt, uno de los precursores de la ingeniera
industrial contempornea de Taylor. Gantt procuro resolver el problema de la
programacin de actividades, es decir, su distribucin conforme a un calendario,
de manera tal que se pudiese visualizar el periodo de duracin de cada actividad,
sus fechas de iniciacin y terminacin e igualmente el tiempo total requerido para
la ejecucin de un trabajo. El instrumento que desarroll permite tambin que se
siga el curso de cada actividad, al proporcionar informacin del porcentaje
ejecutado de cada una de ellas, as como el grado de adelanto o atraso con respecto
al plazo previsto.
Este grfico consiste simplemente en un sistema de coordenadas en que se indica:
En el eje Horizontal: Un calendario, o escala de tiempo definido en trminos de la
unidad ms adecuada al trabajo que se va a ejecutar: hora, da, semana, mes, etc.
En el eje Vertical: Las actividades que constituyen el trabajo a ejecutar. A cada
actividad se hace corresponder una lnea horizontal cuya longitud es proporcional
a su duracin en la cual la medicin efecta con relacin a la escala definida en el
eje horizontal conforme se ilustra.
Smbolos Convencionales: En la elaboracin del grfico de Gantt se acostumbra
utilizar determinados smbolos, aunque pueden disearse muchos otros para
atender las necesidades especficas del usuario. Los smbolos bsicos son los
siguientes:
o Iniciacin de una actividad.
o Trmino de una actividad
o Lnea fina que conecta las dos L invertidas. Indica la duracin prevista de la
actividad.
Pgina | 79
o Lnea gruesa. Indica la fraccin ya realizada de la actividad, en trminos de
porcentaje. Debe trazarse debajo de la lnea fina que representa el plazo
previsto.
o Plazo durante el cual no puede realizarse la actividad. Corresponde al tiempo
improductivo puede anotarse encima del smbolo utilizando una abreviatura.
o Indica la fecha en que se procedi a la ltima actualizacin del grfico, es
decir, en que se hizo la comparacin entre las actividades previstas y las
efectivamente realizadas.
CONTENIDO
El diagrama de Gantt consiste en una representacin grfica sobre dos ejes; en
el vertical se disponen las tareas del proyecto y en el horizontal se representa el
tiempo.
Caractersticas
o Cada actividad se representa mediante un bloque rectangular cuya longitud
indica su duracin; la altura carece de significado.
o La posicin de cada bloque en el diagrama indica los instantes de inicio y
finalizacin de las tareas a que corresponden.
o Los bloques correspondientes a tareas del camino crtico acostumbran a
rellenarse en otro color (en el caso del ejemplo, en rojo).
Tarea Predec. Duracin
A - 2
B A 3
C - 2
D C 3
E D
II+1
2
F B
FI-1
3
G D, E, F 3
H G
FF
2
Pgina | 80
Mtodo constructivo
Para construir un diagrama de Gantt se han de seguir los siguientes pasos:
o Dibujar los ejes horizontal y vertical.
o Escribir los nombres de las tareas sobre el eje vertical.
o En primer lugar se dibujan los bloques correspondientes a las tareas que no
tienen predecesoras. Se sitan de manera que el lado izquierdo de los bloques
coincida con el instante cero del proyecto (su inicio).
o A continuacin, se dibujan los bloques correspondientes a las tareas que slo
dependen de las tareas ya introducidas en el diagrama. Se repite este punto hasta
haber dibujado todas las tareas. En este proceso se han de tener en cuenta las
consideraciones siguientes:
o Las dependencias fin-inicio se representan alineando el final del bloque de la tarea
predecesora con el inicio del bloque de la tarea dependiente.
o Las dependencias final-final se representan alineando los finales de los
bloques de las tareas predecesora y dependiente.
o Las dependencias inicio-inicio se representan alineando los inicios de los
bloques de las tareas predecesora y dependiente.
o Los retardos se representan desplazando la tarea dependiente hacia la
derecha en el caso de retardos positivos y hacia la izquierda en el caso de
retardos negativos.
Pgina | 81
Construccin
Finalmente, una vez realizados los clculos del proyecto utilizando un sistema
adecuado, como el diagrama PERT o el Roy, resulta conveniente destacar con un
color distinto las tareas con margen total 0, para poder identificar con facilidad los
caminos crticos.
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
2. Elabore un organizador grfico sobre el modelo de redes.
3. Revisin de la tarea propuesta para el presente encuentro.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
2. Realice un diagrama de Gantt en el computador con Microsoft Project, en el cual
consten actividades, tiempos y recursos requeridos; por ejemplo la construccin
de una casa.
Pgina | 82
ENCUENTRO No. 15
CONTENIDO
Los pronsticos:
Pronosticar consiste en utilizar datos pasados para determinar acontecimientos futuros.
Los pronsticos a menudo son utilizados para poder predecir la demanda del
consumidor de productos o servicios, aunque se pueden predecir una amplia gama de
sucesos futuros que pudieran de manera potencial influir en el xito.
Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el
manejo de datos histricos para proyectarlos al futuro, mediante algn tipo de modelo
matemtico. Puede ser una prediccin del futuro subjetiva o intuitiva. O bien una
combinacin de ambas, es decir, un modelo matemtico ajustado por el buen juicio de
un administrador.
Existen diferentes tcnicas de pronsticos pero rara vez hay un nico modelo superior.
Lo que mejor funciona en una empresa bajo un conjunto de condiciones, puede ser un
desastre completo en otra organizacin, o incluso en otro departamento de la misma
empresa. En forma tradicional, podr advertir que existen lmites sobre lo que puede
esperarse de los pronsticos. Rara vez son, si acaso, perfectos; tambin son caros y
consumen tiempo en su preparacin y monitoreo.
Sin embargo, pocos negocios pueden darse el lujo de evitar el proceso del pronstico
slo en espera de lo que pueda suceder para tomar entonces las oportunidades. La
planeacin efectiva depende del pronstico de la demanda para los productos de la
compaa.
Clasificacin de los pronsticos:
- Pronstico a corto plazo. Este tiene un lapso de hasta un ao, pero es generalmente
menor a tres meses. Se utiliza para planear las compras, programacin de planta,
niveles de fuerza laboral, asignaciones de trabajo y niveles de produccin.
Pgina | 83
- Pronstico a mediano plazo. Un pronstico de rango mediano, o intermedio,
generalmente con un lapso de tres meses a tres aos. Es valioso en la planeacin de
produccin y presupuestos, planeacin de ventas, presupuestos de efectivo, y el
anlisis de varios planes de operacin.
- Pronstico a largo plazo. Generalmente con lapsos de tres aos o ms, los
pronsticos a largo plazo se utilizan para planear nuevos productos desembolsos de
capital, localizacin e instalaciones o su expansin, y la investigacin y el
desarrollo.
Tipos de pronstico
- Pronsticos econmicos marcan el ciclo del negocio al predecir las tasas de
inflacin, oferta de dinero, nuevas construcciones, y otros indicadores de
planeacin.
- Pronsticos tecnolgicos tienen que ver con las tasas de progreso tecnolgico, que
pueden dar por resultado el nacimiento de productos novedosos, que requieren
nuevas plantas y equipo
- Pronsticos de demanda son proyecciones de la demanda para los productos o
servicios de una compaa. Estos pronsticos, tambin llamados pronsticos de
ventas, conducen la produccin de una compaa, la capacidad, y los sistemas de
programacin, y sirven como insumos a la planeacin financiera, de mercado y de
personal.
Enfoques para pronosticar
- Pronsticos cuantitativos manejan una variedad de modelos matemticos que
utilizan datos histricos y/o variables causales para pronosticar la demanda.
- Pronsticos cualitativos o subjetivos incorporan factores importantes tales como la
intuicin, emociones, experiencias personales del que toma la decisin, y sistema de
valores para alcanzar un pronstico. Algunas compaas utilizan la otra; pero en la
prctica una combinacin o mezcla de los dos estilos es generalmente ms efectivo.
Pgina | 84
Enfoques para pronosticar
Tipo de Modelo Descripcin
Modelos Cualitativos
- Mtodo Delphi
- Datos histricos
- Tcnica de Grupo Nominal
Preguntas hechas a un grupo de
expertos para recabar opiniones.
Hace analogas con el pasado de una
manera razonada.
Proceso de grupo que permite la
participacin con votacin forzada.
Modelos Cuantitativos (series de
tiempo)
- Medida o promedio Mvil
simple
Promedia los datos del pasado para
predecir el futuro basndose en ese
promedio.
Suavizado exponencial
Da pesos relativos a los pronsticos
anteriores y a la demanda mas
reciente
Modelos Cuantitativos Causales
- Anlisis de regresin
- Modelos econmicos
Describe una relacin funcional entre
las variables.
Proporciona un pronstico global
para variables tales como el producto
nacional bruto (PNB)
Delphi
La tcnica o mtodo Delphi es un proceso de grupo que tiene como fin un pronstico
por consenso. El proceso necesita de un grupo de expertos internos o externos de la
empresa quienes recaban opiniones por escrito sobre el punto que se discute.
Los procedimientos que se siguen son los siguientes:
- Cada uno de los expertos realiza una breve prediccin sobre una pregunta que trata
de una situacin en la que se requiere un pronstico. La pregunta es expresada de
forma muy general.
Pgina | 85
- El moderador o coordinador es quin proporciona la pregunta original, despus
rene las opiniones ponindolas en trminos claros y finalmente las edita.
- Los resmenes hechos por los expertos dan la pauta a un conjunto de preguntas que
el moderador da los expertos para ser contestadas.
- Las respuestas son de nuevo recopiladas por el moderador, este proceso se repite
hasta que el moderador este de acuerdo con la prediccin general.
El punto neurlgico del mtodo Delphi son las personas involucradas, esto se debe a que
en la mayora de los casos los grupos son interdisciplinarios. De esta manera el
moderador quien debe poseer la habilidad para sintetizar las distintas y variadas
opiniones y de esa manera elaborar un conjunto estructurado de preguntas y llegar a un
pronstico.
Pgina | 86
Ejemplo
Durante la dcada de 1970 en la American Hoist and Derrick Company la
administracin consider necesario incorporar sus opiniones a los pronsticos de venta.
Empezando con los pronsticos de ventas para 1975, la administracin quera
incrementar la precisin en las predicciones para determinar especficamente qu tan
rpido debera de crecer la capacidad de produccin. La tcnica delphi se emple para
ajustar los datos histricos con opiniones basadas en informacin. Fueron necesarios
tres cuestionarios para sintetizar las opiniones para tres personas clave en la
corporacin. Los errores incurridos en los pronsticos anteriores tenan una dispersin
de 20 por ciento. En 1975 el pronstico delphi ascendi a 359.1 millones de dlares y
las ventas reales fueron de 360.2 millones de dlares, lo que signific un error de + 0.3
por ciento. El pronstico de 1976 fue de 410 millones de dlares y las ventas reales
ascendieron a 397 millones de dlares, y el error fue de - 3.3 por ciento. Los errores
anteriores de pronsticos se redujeron significativamente de 20 por ciento a menos de 4
por ciento.
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. Revisin y anlisis de trabajos elaborados.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. Taller sobre el mtodo Delphi.
Pgina | 87
ENCUENTRO No. 16
CONTENIDO
Tcnica de grupo nominal
Esta tcnica supone que un grupo estructurado de gente conocedora ser capaz de llegar
a un pronstico por consenso. El proceso funciona de la siguiente forma:
Entre siete y diez personas son invitadas a pasar a una sala de juntas y sentarse
alrededor de una mesa donde se pueden ver pero no deben cruzar palabra entre ellos. El
moderador del grupo proporciona las preguntas por escrito o las escribe en el pizarrn el
punto que necesita de un pronstico. Cada uno de los miembros debe escribir ideas
acerca del problema. Despus de algunos minutos el moderador pide a cada uno de los
participantes que exponga una de las ideas de que escribi. Mientras lo hace un
ayudante escribe cada idea en un rota folio de modo que todos los dems lo puedan ver.
En esta etapa no hay discusin simplemente los integrantes van dando sus ideas hasta
que todas hayan sido anotadas.
En lo general entre, 15 y 25 proposiciones resultan de la aportacin. En la segunda etapa
de la reunin los miembros del grupo discuten las ideas presentadas. El moderador es
quien tiene la responsabilidad de que todas las ideas sean discutidas y aclarar las dudas
de los participantes en caso de que existan dudas sobre alguna de las ideas escritas.
Cuando concluyen todas las discusiones se pide a los miembros que voten de manera
independiente. La decisin del grupo es el resultado matemticamente obtenido a partir
de los votos individuales.
Los objetivos del proceso son:
a. Asegurar diferentes procesos para cada fase de creatividad.
b. Balancear la participacin de los miembros
c. Incorporar las tcnicas matemticas de votacin en la agregacin de los juicios de
grupo.
El pronstico que se da a travs de la tcnica de grupo nominal es la alternativa que
recibe la mayora de los votos del grupo. Las claves para este proceso son la
Pgina | 88
identificacin de la pregunta que debe ser dirigida al grupo, la creatividad es permitida y
se fomenta la discusin limitada y dirigida, y en ltimo lugar el voto.
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. Revisin y anlisis de trabajos elaborados.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. Taller sobre la tcnica del grupo nominal, dramatice la tcnica de grupo nominal
y expngala en clase, por ejemplo: El pronstico de produccin de arroz y
azcar.
Pgina | 89
ENCUENTRO No. 17
CONTENIDO
Modelos bsicos de promedio
Promedio simple
Un promedio simple (PS) es un promedio de los datos del pasado en el cul las
demandas de todos los perodos anteriores tienen el mismo peso relativo. Se calcula de
la siguiente forma:
Donde:
D1 = demanda del periodo ms reciente
D2 = demanda que ocurri hace dos periodos
Dk = demanda que ocurri hace k periodos
Cuando se usa un promedio simple para crear un pronstico, las demandas de todos los
periodos anteriores tienen la misma influencia (equipesada) al determinar el promedio.
De hecho un factor de peso de 1/k se aplica a cada demanda anterior.
La razn de la obtencin del promedio es que si se obtiene el promedio de todas las
demandas anteriores, las demandas elevadas que se tuvieran en diversos periodos
tendern a ser equilibradas por las bajas demandas de otros periodos, Los resultados
sern un promedio que representa el verdadero modelo subyacente, especialmente
cuando se incrementa el nmero de periodos empleados en el promedio. Al promediar
se obtiene una reduccin de las posibilidades de error al dejarse llevar por fluctuaciones
Pgina | 90
aleatorias que pueden ocurrir en un periodo. Pero si el modelo subyacente cambia en el
tiempo, el promedio no permite detectar este cambio.
Ejemplo
En Welds Supplies la demanda total para un nuevo electrodo ha sido de 50,60, y 40
docenas en cada uno de los ltimos trimestres. La demanda promedio ha sido:
= 50
Media mvil simple
Una medida mvil simple (MMS) combina los datos de demanda de la mayor parte de
los periodos recientes, siendo su promedio el pronstico para el periodo siguiente. Una
vez calculado el nmero de periodos anteriores a ser empleado en las operaciones, se
debe de mantener constante. Se puede emplear una medida mvil de tres periodos de 20,
pero una vez que se toma la decisin hay que continuar usando el mismo nmero de
periodos. Despus de seleccionar el nmero de periodos a ser usados, se dan pesos
iguales a las demandas para determinar el promedio. El promedio se mueve en el
tiempo en el sentido de que al transcurrir un periodo, la demanda del periodo ms
antiguo se descarta, y se agrega la demanda para el periodo mas reciente para la
siguiente operacin, superando as la principal limitacin del modelo del promedio
simple.
Donde :
t = 1 en el periodo ms antiguo en el promedio de n periodos
t = n es el periodo ms reciente
Ejemplo
Frigerware ha experimentado la siguiente demanda de productos para sus neveras
durante los ltimos seis meses:
Pgina | 91
Mes Demanda total de neveras
Enero 200
Febrero 300
Marzo 200
Abril 400
Mayo 500
Junio 600
El gerente de planta ha solicitado que se prepare un pronstico usando una medida
mvil de seis periodos para pronosticar las ventas del mes de Julio. El 2 de Julio est
por dar principio la corrida de produccin de neveras.
= 367
Usando una media mvil de seis meses el pronstico para julio es de 367. Si se
examinan los datos, es posible que una media mvil de tres meses pudiera ser mejor que
una de seis meses. Sise toman en cuenta tres meses obtenemos:
= 500
Si se hubiera utilizado una media mvil de un mes, las ventas del mes siguiente seran
iguales a la demanda real del ltimo mes y el pronstico para julio sera de 600.
Es necesario hacer una recomendacin al gerente de planta Frigerware. Baste
recomendar usar una medida mvil de tres meses de 500 neveras para Julio, pues el
nmero parece ser mas representativo de la serie de tiempo que una medida mvil de
seis meses y se basa en mas datos que en el caso de una medida mvil de un mes.
Media mvil ponderada
Algunas veces quien hace los pronsticos desea utilizar una media mvil pero no quiere
que todos los n periodos tengan el mismo peso. Una medida mvil ponderada (MMP) es
un modelo de media mvil que incorpora algn peso de la demanda anterior distinto a
Pgina | 92
un peso igual para todos los periodos anteriores bajo consideracin, la representacin de
este modelo es el siguiente:
Demanda de cada periodo por un peso
MMP = determinado, sumada a los largo de todos los
Periodos en la media mvil.
Donde:
0" Ct " 1.0
Este es un modelo que permite un peso desigual de la demanda. Si son tres n periodos,
es posible dar peso al periodo ms reciente del doble de los otros periodos, al hacer C1
=.25, C2 = .25 y C3 = .50
Ejemplo
Para Frigerware, un pronstico de la demanda para julio usando un modelo de tres
periodos en donde la demanda del periodo ms reciente tenga un peso del doble de los
dos periodos anteriores, tendr la siguiente forma.
MMP = 525
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
2. Revisin y anlisis de trabajos elaborados.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. En una hoja electrnica elabore las formulas para calcular los diferentes modelos
bsicos de promedios.
Pgina | 93
2. Realice el pronstico con: Promedio simple, media mvil simple y media mvil
ponderada simple de la produccin del azcar par el ao 2009, basado en las
producciones de los aos 2000 al 2008
Pgina | 94
ENCUENTRO No. 18
CONTENIDO
Suavizado Exponencial
Este modelo permite efectuar compensaciones para algunas tendencias o para cierta
temporada al calcular cuidadosamente los coeficientes Ct. Si se desea se puede dar a los
meses ms recientes pesos mayores y amortiguar en parte los efectos del ruido al dar
pesos pequeos a las demandas ms antiguas. El coordinador o el administrador debe
escoger los valores de los coeficientes, de su eleccin depender el xito o fracaso del
modelo.
Los modelos de suavizado exponencial se encuentran disponibles en los paquetes para
computadora, estos modelos requieren relativamente poco almacenamiento de datos y
unas cuantas operaciones.
El suavizado exponencial se distingue por la manera tan especial de dar pesos a cada
una de las demandas anteriores al calcular el promedio. El modelo de los pesos es de
forma exponencial. La demanda de los periodos ms recientes recibe un peso mayor; los
pesos de los periodos sucesivamente anteriores decaen de una manera exponencial. En
otras palabras, los pesos decrecen en su magnitud a medida que se aplican datos
anteriores, siendo el decremento no lineal (exponencial).
Suavizado exponencial de primer orden
La ecuacin para crear un pronstico nuevo o actualizado utiliza dos fuentes de
informacin:
- La demanda real para el periodo ms reciente y,
- El pronstico ms reciente.
A medida que termina cada periodo se realiza un nuevo pronstico.
Ft = D t-1 + (1 - D)F t-1
Pgina | 95
Donde:
0 " " 1.0 y t es el periodo
Despus que termina el periodo t - 1 se conoce la demanda actual (D t-1). Al inicio del
periodo t - 1 se hizo un pronstico (F t-1) de la demanda durante t - 1. Por lo tanto, al
final de t - 1 se tienen las informaciones necesarias para calcular el pronstico de la
demanda para el prximo periodo.
Ejemplo
El hospital general de Phoenix ha experimentado una demanda irregular y a menudo
creciente de material mdico desechable en todo el hospital. La demanda de tubos
desechables durante los dos ltimos meses ha sido de 300 unidades en septiembre y de
350 unidades en octubre. El antiguo procedimiento de pronstico consisti en utilizar la
demanda promedio del ao anterior como pronstico para cada uno de los meses de ese
ao. La demanda mensual del ao anterior fue de 200 unidades. Utilizando 200
unidades como el pronstico de la demanda de septiembre y un coeficiente de
suavizacin de 0.7 para dar un mayor peso a la demanda ms reciente, el pronstico
para el mes de octubre debera haber sido (t = octubre)
F t = Dt-1 + (1 - D) F t-1
= .7(300) + (1 - .7)200
= 210 + 60
= 270
El pronstico para el mes de noviembre sera (t = noviembre)
F t = Dt-1 + (1 - D) F t-1
= .7(350) + (1 - .7)270
= 245 + 81
= 326
En vez de la demanda mensual del ao pasado de 200 unidades, es pronstico para el
mes de noviembre es de 326 unidades. El mtodo antiguo de pronstico, la heurstica
basada en un promedio simple, proporcion un pronstico considerablemente diferente
del que se obtuvo con el suavizado exponencial.
Pgina | 96
Seleccin del coeficiente de suavizacin
Para empezar con el pronstico es necesario tener un buen clculo derivado de algn
otro mtodo, lo que se denomina pronstico inicial o de arranque as como seleccionar
un coeficiente de suavizacin. Un valor elevado de un gran peso a la demanda ms
reciente y un valor bajo dar un peso menor a la demanda mas reciente. Un elevado
coeficiente de suavizacin sera mas adecuado para los nuevos productos o para casos
en los que la demanda subyacente est en proceso de cambio (sta es dinmica, o bien
inestable). Un valor de 0,7, 0.8 0.9 puede resultar el ms apropiado para estas
condiciones, aun cuando el uso del suavizado exponencial es cuestionable si no se sabe
que existen o no condiciones de inestabilidad. Si la demanda es muy estable y se piensa
que puede ser representativa del futuro, el pronosticador podr optar por un valor bajo
para disminuir cualquier ruido que hubiera podido presentarse en forma sbita.
En condiciones de estabilidad, el coeficiente de suavizacin podra ser de 0.1, 0.2, 0.3.
Cuando la demanda es ligeramente inestable, coeficientes de suavizacin de 0.4, 0.5,
0.6 pueden proporcionar datos ms precisos.
Doble suavizado exponencial
El doble suavizado exponencial tiende a suavizar el ruido en series de demanda estables.
El modelo es directo; suaviza el pronstico obtenido con un modelo de suavizado
exponencial de primer orden y el pronstico obtenido mediante un modelo de suavizado
exponencial doble.
FD1 = a F t + (1 - a)FD t-1
Donde:
0 " a " 1.0
Pgina | 97
Ft es el modelo suavizado exponencial de primer orden y debe ser calculado antes de
encontrar la FDt.
Ejemplo
Milo Inc. Tiene un modelo de modelo de suavizado exponencial que ha proporcionado
un pronstico de 103,500 bushels para un trigo de grado # 3del ao anterior, en el mes
de junio, fue de 70,500 bushels. Esta cifra emplear como estimacin de pronstico ms
reciente obtenida mediante un suavizado exponencial doble. Dado que = 0.20 parece
ser un buen coeficiente de suavizado para Milo Inc., obtener un pronstico con un
modelo exponencial doble para el mes de julio.
Sea t = julio
Entonces
FD1 = a F t + (1 -a)FD t-1
=.2(103,500) + (1 - .2)(70,500)
= 20,700 + 56,400
=77,100
El pronstico para julio ser de 77,100 bshels.
Pgina | 98
Anlisis de regresin
Regresin lineal
El anlisis de regresin es una tcnica de pronstico que establece una relacin entre
variables. Una variable se conoce y se usa para pronosticar el valor de una variable
aleatoria conocida. De los datos anteriores se establece una relacin funcional entre las
variables. Se considera en este momento la situacin de regresin ms sencilla slo para
dos variables y para una relacin funcional lineal entre ellas.
El pronstico para la demanda del periodo siguiente Ft se puede expresar mediante:
Ft = a + bXt
Donde Ft es el pronstico para el periodo t, dado el valor de la variable X en el periodo
t. Los coeficientes a y b son constantes; a es la ordenada al origen de la variable (F) y b
es la pendiente de la recta. A menudo esta ecuacin se expresa de una manera conocida.
Y = a + bX
Se ha sustituido F por Y para indicar que F es el valor pronosticado, la demanda
pronosticada Ft indica el futuro. Para encontrar los coeficientes a y b se utiliza la
demanda anterior (o histrica) en vez del pronstico anterior. Se emplea Dt para indicar
la demanda histrica y para encontrar los coeficientes a y b. Entonces, cuando se desea
pronosticar la nueva demanda, se emplea Ft para representar el pronstico de la
demanda. Los coeficientes a y b pueden calcularse mediante las dos ecuaciones
siguientes:
En donde:
D = a + bX
Pgina | 99
Ejemplo
Una empresa que fabrica cajas de cartn hace cajas de pizzas. El departamento de
planeacin de operaciones sabe que un pronstico adecuado y preciso de cajas de pizza
de un cliente est en relacin estrecha con los gastos de promocin de ste, el cual se
puede obtener por adelantado antes de realizar el gasto. El departamento de planeacin
de operaciones est interesado en establecer la relacin entre la promocin de la
empresa de pizzas y las ventas. Una vez que eso se haya establecido, las rdenes de
compra de las cajas para pizzas, en dlares, pueden expresarse como porcentaje fijo de
ventas.
Publicidad y ventas trimestrales
Trimestre
Publicidad
($1000,000)
Ventas ($ Millones)
1 4 1
2 10 4
3 15 5
4 12 4
5 8 3
6 16 4
7 5 2
8 7 1
9 9 4
10 10 2
Haciendo el clculo de b y a, donde la publicidad es Xt para el trimestre t, las ventas son
Dt para el trimestre t y Ft es el pronstico para el futuro periodo t.
Trimestre
Publicidad
(X)
Ventas (D) X2 D2 XD
Pgina | 100
1 4 1 16 1 4
2 10 4 100 16 40
3 15 5 225 25 75
4 12 4 144 16 48
5 8 3 64 9 24
6 16 4 256 6 64
7 5 2 25 4 10
8 7 1 49 1 7
9 9 4 81 16 36
10 10 2 100 4 20
" 96 30 1060 108 328
Por lo tanto, la recta estimada de regresin, la relacin entre las ventas futuras (Ft) y la
publicidad (Xi) es:
Ft = .22 + .29Xt
En el ejemplo, quien hace la planeacin de las operaciones puede investigar los gastos
planeados en publicidad y sobre esas ventas puede hacer el pronstico. Por ejemplo, la
publicidad del prximo trimestre se espera que tenga un monto de 1 100 000 dlares.
Sustituyendo 11 para Xt en la ecuacin anterior se tendr:
Ft = .22 + .29(11) = 3.41
El pronstico de las ventas es de 3.41 millones de dlares. Si los pedidos de cajas
representan el 5 por ciento de las ventas, quien planea las operaciones podra esperar
Pgina | 101
que un monto total por concepto de pedidos sera de 170, 500 dlares para el trimestre
(.05 X 3.41). Tal estimacin puede ser de gran utilidad en la planeacin global de las
operaciones.
Error en el pronstico
El error en el pronstico es la diferencia numrica entre la demanda pronosticada y la
real [1] es la medida que nos indica la efectividad al utilizar alguno de los mtodos de
pronstico.
La desviacin media absoluta (MAD) es una medida de error de sume importancia y se
expresa de la siguiente forma:
En cada uno de los periodos (i) se compara la demanda actual contra la pronosticada. Si
la prediccin fue perfecta lo que significa que lo actual es igual a la prediccin el error
es nulo. Como el pronstico sigue le grado de error se acumula y se registra perodo a
periodo. Despus de cualquier periodo (n) transcurrido se puede usar la ecuacin 1 para
calcular el tamao promedio es decir la media del error en el pronstico hasta ese
momento. El MAD es un promedio de las desviaciones absolutas esto quiere decir que
los errores son medidos sin tomar en consideracin el signo algebraico, el MAD solo
expresa la dimensin pero no la direccin del error.
Si el pronstico est funcionando adecuadamente quiere decir que los errores de
prediccin estn distribuidos normalmente. Cuando esto sucede la desviacin media
absoluta suavizada (SMAD) puede emplearse para calcular la desviacin estndar. La
relacin se representa como:
e = 1.25 SMAD
La MAD suavizada exponencialmente puede ser vista como un promedio de la MAD en
el tiempo.
Pgina | 102
El sesgo es una medida de error que se utiliza con menor frecuencia.
A diferencia de MAD, el sesgo indica la tendencia direccional de los errores de
prediccin. Si el procedimiento de prediccin sobreestima constantemente la demanda
actual, el sesgo tendr un valor positivo; si la subestimacin muestra una tendencia
constante, entonces el sesgo tendr un valor negativo.
Ejemplo
Una mquina para extrusin de aluminio estima que la demanda de cabezas para
regaderas de bao es de 500 por mes para cada uno de los tres meses prximos.
Posteriormente la demanda real resulto ser de 400, 560 y 700. Los errores de prediccin
son calculados a continuacin por los mtodos de la MAD y el sesgo
= 120 unidades
= -53 unidades
Del resultado de la MAD se puede decir que la empresa no cuenta con un modelo muy
preciso ya que la MAD es una medida de la precisin global del mtodo de pronstico,
Pgina | 103
el error absoluto promedio es alto ya que representa el 24 % del nmero de cabezas para
regadera. El sesgo indica la tendencia sub o sobreestimada. En el ejemplo se subestimo
la demanda actual en 53 unidades, pues el promedio de sta es de 553 unidades.
ACTIVIDADES DE APRENDIZAJE
RETROALIMENTACION EN EL ENCUENTRO
1. Realice una cartilla de los modelos bsicos de promedios.
2. Revisin de trabajos elaborados en hoja electrnica.
TAREAS DE AUTO-PREPARACION PARA EL PROXIMO ENCUENTRO
1. En una hoja electrnica elabore las formulas para calcular el suavizado
exponencial.
2. Taller sobre casos en los cuales se aplica el suavizado exponencial.