Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRODUCCION:
PRONOSTICOS
Dr. Carlos L. Jave Gutirrez
PLANIFICACION DE LA PRODUCCION
Son variados y similares los enfoques que con respecto al
proceso de planificacin, programacin y control de la
produccin han sido tratados por diversos autores, quienes
establecen, en trminos generales, que este se inicia con las
previsiones, de las cuales se desprenden los planes a largo,
mediano y corto plazo.
Este enfoque, como hemos visto tiene algunas fallas, ya que
carece del concepto integrador que en el sentido vertical, debe
comenzar en la estrategia empresarial y que en el sentido
horizontal, debe relacionarse con los dems subsistemas de la
organizacin.
Domnguez Machuca, J.A. et. al [1995]: Direccin de
operaciones. Aspectos tcticos y operativos en la produccin y
los servicios. Editorial Mc Graw Hill, Madrid.
Heizer, J. & Render, B. [1997]: Direccin de la produccin.
Decisiones tcticas. 4. Ed., Editorial Prentice Hall, Madrid.
PLANIFICACION DE LA PRODUCCION
Vollmann y Domnguez Machuca, consideran la integracin en
ambos sentidos. Al respecto, este ltimo autor afirma que, el
proceso de planificacin y control de la produccin debe seguir
un enfoque jerrquico, en el que se logre una integracin
vertical entre los objetivos estratgicos, tcticos y operativos y
adems se establezca su relacin horizontal con las otras reas
funcionales de la compaa.
Bsicamente las cinco fases que componen el proceso de
planificacin y control de la produccin son:
PLANIFICACION DE LA PRODUCCION
PRONOSTICOS
Los pronsticos son el primer paso dentro del proceso de
planificacin de la produccin y estos sirven como punto de
partida, no solo para la elaboracin de los planes estratgicos,
sino adems, para el diseo de los planes a mediano y corto plazo,
lo cual permite a las organizaciones, visualizar de manera
aproximada los acontecimientos futuros y eliminar en gran parte
la incertidumbre y reaccionar con rapidez a las condiciones
cambiantes con algn grado de precisin.
Predicciones: se basan meramente en la consideracin de
aspectos subjetivos dentro del proceso de estimacin de eventos
futuros
Pronsticos: se desarrollan a travs de procedimientos
cientficos, basados en datos histricos, que son procesados
mediante mtodos cuantitativos.
PRONOSTICAR
Pronosticar. Es emitir un enunciado sobre lo que es probable que
ocurra en el futuro, basndose en anlisis y en consideraciones de
juicio. Se desarrollan a travs de
procedimientos cientficos,
basados en datos histricos, que son procesados mediante mtodos
cuantitativos..
Propsito. Hacer un pronstico es obtener conocimiento sobre
eventos inciertos que son importantes en la toma de decisiones
presentes.
Las tcnicas de pronsticos disminuyen la incertidumbre sobre el
futuro, permitiendo estructurar planes y acciones congruentes con
los objetivos de la organizacin y permiten tambin tomar acciones
correctivas apropiadas y a tiempo cuando ocurren situaciones fuera
de lo pronosticado.
Finanzas.
Tasas de inters.
Cuentas de pagos lentos.
Recursos Humanos.
Nmero de trabajadores.
Rotacin de personal.
Tendencias de ausentismo.
Tendencia de llegadas tarde.
Planeacin Estratgica.
Factores econmicos.
Cambios de precios.
Costos.
Crecimiento de lneas de
productos
TIPOS DE PRONOSTICOS
Estos pueden ser clasificados de acuerdo a tres criterios:
Segn el horizonte de tiempo. Pueden ser de largo plazo,
mediano plazo o corto plazo y su empleo va desde la
elaboracin de los planes a nivel estratgico hasta los de nivel
operativo.
Segn el entorno econmico abarcado. Pueden ser de tipo
micro o de tipo macro y se definen de acuerdo al grado en que
intervienen pequeos detalles vs. grandes valores resumidos.
Segn el procedimiento empleado. Pueden ser de tipo
puramente cualitativo, en aquellos casos en que no se
requiere de una abierta manipulacin de datos y solo se utiliza
el juicio o la intuicin de quien pronostica o puramente
cuantitativos, cuando se utilizan procedimientos matemticos
y estadsticos que no requieren los elementos del juicio.
TIPOS DE PRONOSTICOS
De a acuerdo a la ltima clasificacin tenemos:
Mtodos Cualitativos: Mtodo Delphi, mtodo del juicio
informado, mtodo de la analoga de los ciclos de vida y mtodo
de la investigacin de mercados.
Mtodos Cuantitativos: Mtodos por series de tiempo y
mtodos causales.
TIPOS DE PRONOSTICOS
Nombre
Horizonte de prediccin
No formales
Corto plazo
Promedio simple
Corto plazo
Promedio mvil
Corto plazo
Suavizacin exponencial
Corto plazo
Corto plazo
Corto plazo
Corto plazo
Filtracin adaptiva
Corto plazo
Descomposicin clsica
Corto plazo
Ajuste de curva S
Modelo de Gompertz
Curvas de crecimiento
Census II
Corto plazo
Box-Jenkins
Corto plazo
METODOS CUANTITATIVOS
(TIPO SERIE DE TIEMPO)
10
TIPOS DE PRONOSTICOS
Nombre
Horizonte de prediccin
Regresin simple
Mediano plazo
Regresin mltiple
Mediano plazo
Indicadores principales
Corto plazo
Modelos economtricos
Corto plazo
METODOS CUANTITATIVOS
(TIPO CAUSALES)
11
ANALISIS DE REGRESION
Un objetivo comn en muchas aplicaciones estadsticas es examinar
la relacin que existe entre dos variables numricas.
El objeto de un anlisis de regresin es investigar la relacin
estadstica que existe entre una variable dependiente (Y) y una o
ms variables independientes (X1, X2, X3 ... ).
DIAGRAMAS DE DISPERSION:
Un estudio de la relacin entre variables empieza con el caso ms
simple, el de la relacin entre dos variables.
Un diagrama de dispersin mapea en dos dimensiones los valores de
X a lo largo del eje horizontal y los valores de Y en el eje vertical. El
diagrama de dispersin ayuda a ilustrar lo que la intuicin
sugiere: la relacin entre X e Y.
12
ANALISIS DE REGRESION
DIAGRAMAS DE
DISPERSION:
13
ANALISIS DE REGRESION
El diagrama (a) de la figura sugiere lo que se denomina relacin
perfecta lineal positiva. Conforme X se incrementa, Y tambin, de
una manera predecible. Es decir, X e Y parecen comportarse en
torno a una lnea recta. El diagrama (b) sugiere una relacin
perfecta lineal negativa. Es decir, conforme X se incrementa, Y
decrece de una manera predecible.
a)
b)
14
ANALISIS DE REGRESION
15
ANALISIS DE REGRESION
Las figuras (c) y (d) ilustran una relacin imperfecta lineal
positiva y negativa, respectivamente, pero no de una manera
predecible. As, Y puede ser ligeramente superior o inferior a lo
esperado. Es decir, los puntos X - Y no se comportan como una lnea
recta.
c)
d)
16
ANALISIS DE REGRESION
e)
17
ANALISIS DE REGRESION
Finalmente, el diagrama de la figura (f), sugiere que no existe
relacin de ningn tipo entre las variables X e Y. Si X se incrementa,
Y no parece incrementarse o decrementarse de una manera
predecible. Sobre la base de la evidencia muestral que aparece en el
diagrama, se puede concluir que en la poblacin de todos los puntos
X - Y, no existe relacin lineal o de otro tipo entre las variables X, Y.
f)
18
ANALISIS DE REGRESION
19
ANALISIS DE REGRESION
Ahora considrense los dos diagramas de dispersin de la figura.
Ambos diagramas sugieren relaciones imperfectas lineales positivas
entre X e Y. La diferencia es que esta relacin parece ms fuerte en
la figura (a) debido a que los datos estn ms cerca a la lnea recta
que pasa a travs de ellos. En la figura (b) se sugiere una relacin
ms dbil. Los puntos de los datos estn ms lejos de la lnea recta
que pasa por ellos, sugiriendo que la relacin entre X e Y es menos
lineal.
a)
b)
20
ANALISIS DE REGRESION
REGRESION LINEAL:
El anlisis de regresin es una tcnica de pronstico que establece
una relacin entre 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 + b*Xt
Y = a + b*X
ANALISIS DE REGRESION
REGRESION LINEAL:
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 + b*X
22
ANALISIS DE REGRESION
REGRESION LINEAL MULTIPLE:
En forma general:
Y = a + b1X1 + b2X2 + + bnXn
Donde:
X1, X2, Xn : Variables Independientes
a
b1
bn
23
ANALISIS DE REGRESION
REGRESION LINEAL:
Caso:
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.
24
ANALISIS DE REGRESION
Trimestre
Publicidad ($
100,000)
Ventas ($ Millones)
10
15
12
16
10
10
2
25
ANALISIS DE REGRESION
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
X*D
16
10
100
16
40
15
225
25
75
12
144
16
48
64
24
16
256
16
64
25
10
49
81
16
36
10
10
100
20
96
30
1060
108
328
26
ANALISIS DE REGRESION
10*(328) (96)*30
b=
30 0.29*(96)
= 0.29
a=
10*(1060) (96)2
= 0.22
10
ANALISIS DE REGRESION
El pronstico de las ventas es de 3.41 millones de dlares.
Si los pedidos de cajas representan el 5 % de las ventas, quien
planea las operaciones podra esperar que un monto total por
concepto de pedidos sera de $ 170500 para el trimestre (0.05 x
3.41).
28
ANALISIS DE REGRESION
COEFICIENTE DE CORRELACION:
El coeficiente de correlacin lineal nos permite determinar
si, efectivamente, existe relacin entre las dos variables.
Una vez que se concluye que s existe relacin, la regresin
nos permite definir la recta que mejor se ajusta a esta nube
de puntos.
Dos variables con una relacin perfecta lineal negativa tienen un
coeficiente de correlacin igual a -1. En el otro extremo, dos
variables con una relacin perfecta positiva tienen un coeficiente
de correlacin de +1. Por lo tanto, el coeficiente de correlacin
vara entre -1 y +1 incluyndolos.
29
ANALISIS DE REGRESION
COEFICIENTE DE CORRELACION:
El diagrama de dispersin (a) de la
figura ilustra una situacin que
producira
un
coeficiente
de
correlacin de +1. El diagrama de
dispersin (b) de esa misma figura
tiene un coeficiente de correlacin
de -1. Los diagramas (e) y (f)
muestran dos variables que no
estn linealmente relacionadas. El
coeficiente de correlacin para esta
relacin es igual a 0, es decir, no
hay relacin lineal presente.
a)
b)
e)
f)
30
ANALISIS DE REGRESION
COEFICIENTE DE CORRELACION:
Es importante tambin distinguir entre dos grupos de datos en los
cuales est interesado el analista. En la poblacin que contiene
todos los datos X - Y de inters, existe un coeficiente de
correlacin cuyo smbolo es . Si se toma una muestra aleatoria
de los datos X - Y el coeficiente correlacin de esta muestra es r.
Un resumen de estas importantes caractersticas de y r se da en
la tabla.
31
ANALISIS DE REGRESION
COEFICIENTE DE CORRELACION:
Cuando se toma una muestra aleatoria de datos n de una
poblacin bajo investigacin. La frmula para el coeficiente de
correlacin es:
Muestra
Coeficiente de correlacin: r (-1 r + 1)
R = -1 correlacin perfecta negativa
R = 0 no hay correlacin
R = + 1 correlacin perfecta positiva
32
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.
Donde:
D1 = demanda del periodo ms reciente.
D2 = demanda que ocurri hace dos periodos.
Dk = demanda que ocurri hace k periodos.
33
Donde:
t = 1 es el periodo ms antiguo en el promedio de n periodos.
t = n es el periodo ms reciente.
34
Caso 1:
LG Company ha experimentado la siguiente demanda de productos
para sus neveras durante los ltimos seis meses:
Mes
Enero
200
Febrero
300
Marzo
200
Abril
400
Mayo
500
Junio
600
Caso 1:
= 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. Si se toman
en cuenta tres meses obtenemos:
= 500
36
Caso 2:
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:
Basta 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 media mvil de seis meses y se basa
en ms datos que en el caso de una media mvil de un mes.
37
38
Donde:
39
Caso 3:
Para LG Company, 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.
= 525
40
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 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.
41
42
t-1
= Dt-1 + (1 ) F
t-1
= 0.7(350) + (1 - 0.7)270
= 245 + 81
= 326
En vez de la demanda mensual del ao pasado de 200 unidades, el
pronstico para el mes de noviembre es de 326 unidades.
Gran diferencia: 326 200 = 126
44
45
FD1 = F t + (1 )FD
t-1
46
t-1
= 0.2(103,500) + (1 - 0.2)(70,500)
= 20,700 + 56,400 = 77,100
El pronstico para julio ser de 77,100 hectreas.
47
48
ERROR EN EL PRONOSTICO:
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, el grado de error se acumula y se
registra perodo a periodo. 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
slo expresa la dimensin pero no la direccin del error.
La desviacin media absoluta suavizada (SMAD) puede emplearse
para calcular la desviacin estndar. La relacin se representa
como:
e = 1.25 MAD
49
50
= 120
= -53
51
Caso: 6
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, el error absoluto
promedio es alto ya que representa el 24 % (120 / 500) del
nmero de cabezas para regadera. El sesgo indica la tendencia
sub o sobreestimada. En el ejemplo se subestim la demanda
actual en 53 unidades, pues el promedio de sta es de 553
unidades:
553 = (400 + 560 + 700)/3.
52