PLANEACIN Y CONTROL DE LA PRODUCCIN

GRUPO: 01

M. I. Silvina Hernndez Garca

M. I. Susana Casy Tllez Ballesteros

TEMARIO:

I. Introduccin.
II. Programacin y control de la produccin.
III. Balanceo de lnea.
IV. Sistemas de administracin de inventarios.
V. Logstica.
VI. Produccin asistida por computadora.

EVALUACIN:

Exmenes o evaluaciones (6-8), 13 preguntas, problemas, temas de reflexion, 3 parciales (40%)

Tareas, trabajos (20%)
Participaciones (10%)
Laboratorio (30%)

OBJETIVO:

Disear o implementar procedimientos o sistemas para determinar los volmenes optimas de Produccin e
inventarios mediante el uso de modelos, mtodos y reglas en cualquier sistema de Produccin.

BIBLIOGRAFA:

Daniel Sipper A. Robert L. Baifin Jr. Planeaccin y Control de la Produccin, Editorial Mc Graw-
Hill, 1998.
Adam Everestt; Administracin de la Produccin y de las Operaciones, Editorial Prentice Hall.

PLANEACIN Y CONTROL DE LA PRODUCCIN

Pronsticos
Inventarios
Compras Planeacin de la Produccin
 Ruta critica Planeacin de la Produccin

Balanceo de lneas

Inventario ABC

BIBLIOGRAFA COMPRAS Y NIVEL DE SERVICIO

Gallagher, Charles A, Watson, Hugh J. Mtodos Cuantitativos para la Toma de Decisiones en

Administracin. Mxico 1982. 1. Ed. Editorial Mc Graw Hill.
Salvendry, G. Manual de Ingeniera Industrial. Mxico 1991. Volumen II. Editorial Limusa.
Antil, James M. Mtodo de la Ruta Crtica; Mxico 1992. 1. Ed., Editorial Limusa.
Eppen G. D. Investigacin de Operaciones en la Ciencia Administrativa, Mxico 1987. Editorial
Prentice Hall.
Hillier Frederick; Introduccin a la Investigacin de Operaciones, Mxico 1993, 5. Ed., Editorial
Mc Graw Hill.

http://www.une.edu.ve

http://www.service.bfast.com
 CAPITULO 2. MTODOS DE PRONSTICOS
2. 1 Definicin de Pronsticos

El pronstico es un proceso de estimacin de un acontecimiento futuro

proyectando hacia el futuro datos del pasado. Los datos del pasado se combinan
sistemticamente en forma predeterminada para hacer una estimacin del futuro. 1
En concreto los pronsticos son slo afirmaciones acerca del futuro.

El pronstico es una componente importante de la planeacin estratgica y

operacional. Establece la unin para los sistemas de planeacin y control. Es
necesario estimar el futuro para planear el sistema; y luego programar y controlar
ste para facilitar una eficaz y eficiente produccin de bienes y servicios. La
administracin de la demanda tiene como fin coordinar y controlar todas las
fuentes de la demanda, de manera que los sistemas de produccin y operaciones
puedan utilizarse en forma eficiente.

Entender las limitaciones de los pronsticos y fijar expectativas apegadas a la

realidad en cuanto al funcionamiento futuro son esenciales para hacer uso efectivo
de los pronsticos en la toma de decisiones. En un sentido ms positivo, ciertos
aspectos de los pronsticos pueden claramente aadir valor al trabajo de la
administracin. En general, los pronsticos a corto plazo, hasta de un ao, sirven
de parmetro para las operaciones en curso. Los pronsticos a mediano plazo,
que abarcan entre uno y tres aos, y los pronsticos a largo plazo, ms de cinco
aos, sirven de apoyo para las decisiones acerca de la ubicacin y la capacidad
de proyectos.

Factores Generales que influyen en los Pronsticos

1. Nmero de elementos: entre mayor sea el nmero de elementos implicado

(todo lo dems permaneciendo igual), mayor ser la exactitud de los
pronsticos. Debido a la ley estadstica de los grandes nmeros, disminuye
conforme el nmero de elementos que se pronostica aumenta, y viceversa.

2. Homogeneidad de los datos: entre ms homogneos sean los datos

(permaneciendo todo lo dems igual), ms exactos sern los pronsticos.

3. Elasticidad de la demanda: a mayor inelasticidad de la demanda

(permaneciendo todo lo dems igual), mayor exactitud de los pronsticos.

4. Competencia: Entre mayor sea la competencia (permaneciendo igual todo

lo dems), mayor es la dificultad para pronosticar, ya que la competencia

1
EVERETT E. Adam, et. al. ; Administracin de la produccin y las operaciones; Editorial Prentice
Hall, Cuarta edicin 1991, Mxico.
 puede utilizar los pronsticos para cambiar el curso de los sucesos futuros
e invalida as los pronsticos.
2. 2 El Proceso de Pronstico

En el proceso de pronstico es importante seguir cierta secuencia:

Paso 1. Especificar objetivos. Es importante determinar los objetivos con la

mayor claridad posible.

Paso 2. Qu pronosticar? El determinar la naturaleza de los datos nos da

referencia de los mtodos a usar, as como las caractersticas que las
definen.

Paso 3. Dimensiones de tiempo. Los pronsticos suelen clasificarse conforme a

periodos y a su utilizacin. En general, los pronsticos a corto plazo,
hasta de un ao, sirven de parmetro para las operaciones en curso. Los
pronsticos a mediano plazo, que abarcan entre uno y tres aos, y los
pronsticos a largo plazo, ms de cinco aos, sirven de apoyo para las
decisiones de planeacin.

Paso 4. Consideraciones con respecto a la base de datos. El tipo de datos

con que se desea contar depende del uso que se les dar. Los datos
deben ser consistentes en el tiempo, y las variaciones tienen que
registrarse con la misma unidad de tiempo e identificarse claramente.

Paso 5. Seleccin de un modelo de pronstico. Depende de los patrones que

presente los datos observados.

Paso 6. Someter el modelo a prueba. Un modelo tiene que ser validado antes
de poderse utilizar con propsitos de pronstico. Por tanto, hay que
utilizar una parte de los datos disponibles para estructurar el modelo, en
tanto los datos restantes se deben utilizar para someter el modelo a
prueba y validarlo a fin de asegurarse de que representa el proceso de
manera real.

Paso 7. Preparacin del pronstico. La administracin puede adoptar uno o

dos modelos al mismo tiempo, los cuales deben conciliarse, en la
medida de los posible.

Paso 8. Presentacin del pronstico. Los pronsticos tienen que presentarse

al usuario de tal manera que incluyan explicaciones acerca de la forma
en que se obtuvieron, dnde se encontraron los datos, y los supuestos
implcitos que se derivan de ellos. Para los usuarios es crucial conocer la
integridad de la informacin antes de utilizarla con plena confianza.

Paso 9. Seguimiento de los resultados. Cualquier desviacin de lo

pronosticado debe observarse con todo cuidado mediante la medicin de
 error, as como estudiando las variables o situaciones que influyen en el
cambio de los resultados pronosticados.
2. 3 Patrones de Pronsticos

No es difcil pronosticar la continuacin de un patrn o relacin establecido. Lo que

es difcil es pronosticar exactamente un cambio en dicho patrn o tendencia y el
tiempo, intensidad y consecuencias de ese cambio.

2. 3. a. Horizontal

Existe un patrn horizontal cuando no hay tendencia alguna en los datos

(Estadsticamente hablando, a esto se le conoce como estacionariedad) Cuando
existe tal patrn, generalmente se hace referencia a la serie como estacionaria, es
decir, no tiende a aumentar o disminuir a travs del tiempo de ninguna manera
sistemtica.

Los patrones horizontales se caracterizan por tener valores observados con un

comportamiento Xt = a + et; que es un proceso constante.

donde: Xt es el valor observado,

a es la constante fundamental del proceso,
et es el error intrnseco del valor observado.

Los mtodos de pronstico que estiman patrones horizontales son:

ltimo dato
Promedio simple
Promedio mvil simple
Promedio mvil ponderado
Suavizamiento exponencial simple

Como lo que se esta pronosticando es un proceso constante el valor del

pronstico para t+k periodos es:

Ft + k = Ft + 1

donde: Ft+1 es el pronstico por promedio mvil simple para t+1 peridos
Ft+k es el pronstico por promedio mvil simple para t+k peridos
t es el periodo para el ltimo valor observado

2. 3. b. Tendencial

Un patrn tendencial se da cuando existe un aumento o disminucin general del

valor de la variable a lo largo del tiempo. Las ventas de muchas compaas, y el
Producto Nacional Bruto, los precios y muchos otros indicadores empresariales y
econmicos siguen un patrn ascendente a travs del tiempo.
El patrn tendencial se caracterizan por tener valores observados con un
comportamiento Xt = a + bt + et; que es un proceso que aumenta en forma
estable.

donde: Xt es el valor observado,

a es la constante fundamental del proceso,
b es la pendiente de la tendencia,
et es el error intrnseco del valor observado.

Los mtodos de pronstico que estiman patrones tendenciales son:

Suavizado exponencial amortiguado de tendencia

Regresin lineal

2. 3. c. Estacional

Existe un patrn estacional cuando una serie flucta de acuerdo con un factor
estacional. Las estaciones pueden ser los meses o las cuatro estaciones del ao,
pero tambin pueden ser las horas del da, los das de la semana o los das del
mes.

El patrn estacional se caracterizan por tener valores observados con un

comportamiento Xt = (a)ct + et; es un proceso que varia respecto a un periodo de
tiempo (o estacin) de manera constante.

donde: Xt es el valor observado,

a es la constante fundamental del proceso,
ct es el factor estacional para el periodo t,
et es el error intrnseco del valor observado.

Los mtodos de pronstico que estiman patrones estacionales son:

Suavizamiento exponencial de Winters (maneja tendencia y estacionalidad)

Suavizamiento exponencial doble

2. 3. d. Cclico

Un patrn cclico es semejante al patrn estacional, pero la duracin de un ciclo

nico generalmente es mayor a un ao. Muchas series, como el nmero de inicios
de construccin de viviendas, el precio de los metales, el producto nacional bruto
(GNP) y las ventas de muchas empresas, contienen un patrn cclico. El patrn
cclico es difcil de pronosticar, porque o se repite a intervalos constantes de
tiempo o su duracin no es uniforme.

Uno de los mtodos de pronstico que estiman patrones ciclicos es:

Mtodo de descomposicin
2. 4 Mtodos de Pronsticos

Los mtodos de pronsticos se clasifican en dos reas dependiendo de los datos

que se utilice para realizarlos: mtodos cualitativos y mtodos cuantitativos. Los
mtodos cualitativos manejan datos que no son cuantificables y se evalan con
calificativos como bueno, malo, etc. Los mtodos cuantitativos utilizan trminos
cuantificables para realizar pronsticos. Las llaves siguientes muestran la
clasificacin de estos mtodos:

Mtodo Delphi
Cualitativos Descripcin del escenario
Anlisis de impactos cruzados
ltimo dato
Promedio simple
Promedio mvil simple
Promedio mvil ponderado
Suavizado exponencial simple
Suavizado exponencial doble (de Holt)
Suavizado exponencial amortiguado de
Series de tendencia
Cuantitativos tiempo Suavizado exponencial de Winters
Mtodos de descomposicin
Promedios mviles Autorregresivos
Regresin lineal simple
Regresin mltiple
Mtodos de simulacin
Causales
Mtodos economtricos
Mtodos bayesianos
Redes neuronales

En todos los casos en que no est clara la decisin de seleccin del mejor
mtodo de pronsticos, se puede usar ms de un mtodo de pronsticos o ms de
un pronosticador, combinando luego sus predicciones. Es una manera efectiva de
aumentar la precisin de los pronsticos y disminuir la varianza de los errores. Los
mtodos anteriores se explican brevemente a continuacin:

2. 4. a. Mtodos Cualitativos

Mtodo Delphi: consiste en preguntas hechas a un grupo de expertos para

recabar opiniones. Es un pronstico por consenso. El procedimiento funciona
de la siguiente manera:

1. Se proporciona una pregunta a cada experto por escrito, de la situacin que

se requiere de un pronstico expresada de una manera muy general. Cada
uno de los expertos realiza una prediccin breve.
2. El coordinador o moderador, quien proporcionar la pregunta original, rene
todas las opiniones, las pone en trminos claros y las edita.
 3. Los resmenes de los expertos proporcionan la base para un conjunto de
preguntas que el coordinador da a los expertos. Estas son respondidas.
4. Las respuestas por escrito son recopiladas por el coordinador, y el proceso
se repite hasta que el coordinador queda satisfecho con la prediccin
general, que es una sntesis de los expertos.

Descripcin del Escenario: se usa para hacer un retrato de cmo

evolucionar el presente con el tiempo; con frecuencia se usa junto con el
mtodo Delphi. La descripcin del escenario comienza tratando de identificar
un conjunto de eventos futuros posibles. Se escribe un conjunto de escenarios,
cada uno basado en un evento futuro posible. Cada escenario se examina con
cuidado para determinar su probabilidad de ocurrencia y se desarrollan planes
de contingencia para los ms probables. Es mas adecuado para el largo plazo,
para las macrosituaciones tipificadas por la incertidumbre, para la falta de
datos y para los factores no cuantificables.

Anlisis de Impactos Cruzados: con frecuencia se usa para examinar los

resultados de un estudio Delphi. El anlisis indica los escenarios que deben
describirse. Este procedimiento es de panorama amplio, igual que la
descripcin de escenarios, y evala la probabilidad de ocurrencia de ciertos
eventos futuros que pueden interactuar y afectar las decisiones futuras.

El primer paso es determinar los eventos crticos relacionados con el tema de

inters, que se resumen a un nmero manejable. Se forma una matriz en la
que cada rengln representa algn evento; las columnas representan los
mismos eventos que el rengln correspondiente. Al principio se escribe en la
matriz la naturaleza de la interaccin entre cada evento o factor. Una flecha
hacia arriba indica una influencia positiva y una flecha hacia abajo indica una
influencia negativa. Se estima la probabilidad de cada evento y las
probabilidades de que ocurran dos eventos simultneos, y se convierten en los
elementos de la matriz.

2. 4. b. Mtodos Cuantitativos

Modelo de Series de Tiempo

En un modelo de series de tiempo dos factores son importantes: la serie de datos

que se va a pronosticar y el periodo de tiempo a utilizarse. Un modelo de series
de tiempo supone siempre que algn patrn o combinacin de patrones es
recurrente a travs del tiempo. De esta manera, al identificar y extrapolar dicho
patrn, se pueden desarrollar pronsticos para periodos subsecuentes.

Figura 3. Relacin de Series de Tiempo

Sistema
Insumos Producto
Proceso generador
 ltimo Dato: se considera que el valor pronosticado para el periodo t+1 es el
valor observado en el periodo t (ltimo valor de datos observados)
Ft + 1 = X t

donde: Ft+1 es el pronstico del perodo t+1

Xt es el valor observado en el periodo t

Promedio Simple: es un promedio de los valores observados del pasado en

el cual los valores observados de todos los periodos anteriores tienen el
mismo peso relativo. Se calcula como:
T

Xi
Ft + 1 = i= 1

T
donde: Ft+1 es el pronstico del perodo t+1
Xi es el valor observado en el periodo i
T es el nmero de periodos de los valores observados

Promedio Mvil Simple: combina los datos de los valores observados de la

mayor parte de los periodos recientes, siendo un promedio de ellos el
pronstico para el periodo siguiente. El promedio se mueve en el tiempo en
el sentido de que al transcurrir un periodo, el valor observado del periodo ms
antiguo se descarta, y se agrega el valor observado para el periodo ms
reciente para la siguiente operacin.
X t n + X t ( n 1) + ... + X t 1
Ft =
n
n
X t (n i )
1 1 1 X t X t n
Ft + 1 = i= 1
= X t ( n 1) + X t ( n 2 ) + ... + X t ( n n ) = Ft +
n n n n n

donde: Ft+1 es el pronstico por promedio mvil simple para t+1 peridos
Xt es el valor observado en el periodo t
n es el nmero de periodos empleados en la media mvil

Promedio Mvil Ponderado: es un modelo de promedio mvil que incorpora

algn peso de los valores observados anteriores distinto a un peso igual para
todos los peridos anteriores considerados.
n
Ft + 1 = t= 1
Ct Xt

donde: Ft+1 es el pronstico del promedio mvil ponderado para t+1 periodos
Xt es el valor observado en el periodo t
n
Ct es la ponderacin en el periodo t; 0 Ct 1.0;
t= 1
C t = 1 .0

n es el nmero de periodos empleados en la media ponderada

Suavizado Exponencial Simple: la frmula del suavizamiento exponencial
simple se obtiene al usar la formula de promedios mviles simples, pero
suponiendo que slo se tiene el valor ms reciente y el pronstico hecho para
el mismo periodo, se usa en el lugar del valor ms antiguo del pronstico el
valor del pronstico hecho para el ltimo periodo. Las frmulas son:
2
Ft + 1 = X t + (1 )Ft ; donde =
(n + 1)
donde: Ft+1 es el pronstico para el periodo t+1
Ft es el pronstico para el periodo t ltimo periodo
Xt es el valor observado en el periodo t ltimo periodo
n es el nmero de valores observados

Suavizado Exponencial Doble (de Holt): si en el suavizamiento exponencial

simple se usa con una serie de datos que contenga una tendencia consistente,
los pronsticos se retrasarn de la tendencial. Utiliza las siguientes ecuaciones
para suavizar.
S t = X t + (1 )( S t 1 + B t 1 ) =
2
donde y
B t = ( S t S t 1 ) + ( 1 )B t 1 (n + 1)
2
Ft + k = S t + kB t 2
1 =
2
1 1

donde: Ft+k es el pronstico para el periodo t+k
St es valor suavizado para el periodo t
Xt es el valor observado en el periodo t
Bt es la estimacin de la pendiente en el periodo t
k es el nmero de periodos futuros que se quieren pronosticar

Suavizado Exponencial Amortiguado de Tendencia: difiere del

suavizamiento lineal de Holt por amortiguar (disminuir) la tendencia lineal que
se extrapola a medida que nos dirigimos ms hacia el futuro. El suavizamiento
amortiguado de tendencia incluye el parmetro extra (adems de dos
parmetros de Holt), el cual aplica el amortiguamiento ptimo mediante la
aplicacin de valores diferentes para elegir el que minimice el error cuadrado
medio o la desviacin media absoluta. Las ecuaciones usadas son:
S t = X t + (1 )( S t 1 + B t 1 ) 2
donde, = y
B t = ( S t S t 1 ) + (1 )B t 1 (n + 1)
2
m 2 2
Ft + k = S t +
i= 1
iB t 1 =

1 1

donde: Ft+k es el pronstico para el periodo t+k
St es valor suavizado para el periodo t
Xt es el valor observado en el periodo t
Bt es la estimacin de la pendiente en el periodo t
k es el nmero de periodos futuros que se quieren pronosticar
 Suavizado Exponencial de Winters: este mtodo genera resultados
semejantes a los del suavizamiento exponencial doble, pero tiene la ventaja
extra de ser capaz de manejar datos estacionales junto con datos que tengan
una tendencial. Este mtodo se basa en tres ecuaciones, cada una asociada
con uno de los tres componentes del patrn (aleatoriedad, tendencia y
estacionalidad).

Xt
St = + (1 )( S t 1 + B t 1 )
C t L
B t = ( S t S t 1 ) + (1 )B t 1
Xt
Ct = + (1 ) C t L
St
Ft + k = ( S t + kB t ) C t + k gL
2
donde, = ;
(n + 1)
2
2 2
1 = 1 1

0.05
donde: Ft+k es el pronstico para el periodo t+k
Xt es el valor observado en el periodo t
St es el valor estimado de la aleatoriedad para el periodo t
Bt es el valor estimado de la tendencia en el periodo t
Ct es el valor estimado de la estacionalidad en el periodo t
k es el nmero de periodos futuros que se quieren pronosticar
L es el nmero de estaciones
t es el nmero de periodos de datos disponibles
g es el entero ms pequeo mayor o igual que k/L

Mtodos de Descomposicin: identifican tres componentes distintos del

patrn bsico subyacente que caracterizan a las series econmicas y
empresariales. Estos factores son el tendencial, cclico y estacional. El
concepto bsico en dicha separacin es emprico y consiste en remover
primero la estacionalidad, luego la tendencia secular y finalmente el ciclo.

Representacin matemtica general: Xt = f(St, Tt, Ct, Rt)

Representacin matemtica especifica: Xt = St x Tt x Ct x Rt

Promedio mvil (Xt) = MA = Tt x Ct

X t Tt xC t xS t xR t
Si = = S t xR t
MA Tt xC t

Media por estacin de St x Rt = S de la estacin

El obtener por mnimos cuadrados la recta Tt = a + bt de los promedios

mviles, al asignar valores a t se obtiene la tendencia

MA Tt xC t
= = Ct
T Tt
Ft = St x Tt x Ct
donde: Ft es el pronstico en el periodo t
Xt es el valor de la serie de tiempo (datos reales) en el
periodo t
St es la componente estacional (o ndice en el periodo t
Tt es la componente tendencia en el periodo t
Ct es el componente cclico en el periodo t
Rt es el componente aleatorio (o error) en el periodo t
 Promedios Mviles Autorregresivos (ARMA): la autocorrelacin es una
medida de asociacin entre valores sucesivos de la misma variable. Las
autocorrelaciones proporcionan informacin importante acerca de la
estructura de un conjunto de datos y de sus patrones. En un conjunto de
datos completamente aleatorios la autocorrelacin entre valores sucesivos
estar cercana a 0, o ser igual a 0, pero los valores de datos de fuerte
naturaleza estacional o cclica estarn sumamente autocorrelacionados. Se
llama autorregresivo porque se asemeja a una ecuacin de regresin, pero
las variables independientes son valores rezagados de la variable
dependiente en 1, 2, 3, ..., p periodos.

Ft = a o + a1 X t 1 + a 2 X t 2 + ... + a k X t k + e t
donde: Ft es la variable dependiente
Xi es el valor de la serie de tiempo (datos reales) en el
periodo i
donde i= t-1, t-2, ..., t-k
an son los coeficientes que se obtienen al realizar la
regresin
donde n= 0, 1, 2, ..., k

Modelo Explicativo o Causal

En este tipo de mtodos cualquier variacin de los insumos afectar los

productos del sistema de manera predecible, suponiendo que la relacin es
constante. La primera tarea de los pronsticos es encontrar la relacin a travs
de la observacin de los productos del sistema (ya sea a lo largo del tiempo o
mediante el anlisis de un corte transversal de sistemas semejantes) y
relacionndolos con los insumos correspondientes.

Figura 4. Relacin Explicativa o Causal

Sistema
Insumos Producto
Relacin entre dos o
ms factores

Los mtodos se explican a continuacin:

Regresin Lineal Simple: la regresin consiste en relacionar el

comportamiento de una variable con otra; la linealidad de la relacin se
observa cuando la mejor manera de describir el comportamiento entre las
dos variables es una lnea que pasa por en medio de todos los valores
observados. La lnea tiene una ordenada y una pendiente los cuales se
estiman como:
 n n n
n X t Yt X t Yt
1 n b n
b = Yt X t
t= 1 t= 1 t= 1
2 a =
n
n n t= 1 n t= 1
n X 2t X t
t= 1 t= 1

Yt + k = a + bX t + k
donde: Yt+k es el pronstico para el periodo t+k
Xt es la variable independiente en el periodo t
Yt es la variable dependiente en el periodo t
n es el nmero de observaciones

Regresin Mltiple: en las aplicaciones puede haber varias variables

independientes que afecten la variable dependiente. Si se tiene n
observaciones de la variable dependiente y m variables independientes.
Los coeficientes se obtiene por matrices:

b = (( X) X) (( X) Y )
T 1 T

Yt = X tk b k + e t

La matriz Y tiene orden nx1, la matriz X tiene orden nxm, la matriz de

coeficientes b tiene orden mx1; y la matriz e, de los errores tiene orden
nx1.

Yt + w = b o + b1 X1t + w + b 2 X 2 t + w + ... + b m X mt + w

donde: Y t+w es el pronstico para el periodo t+w, donde w = 1,2,...

Xt es la variable dependiente en el periodo t, donde t = 1, ...,n
Xtk es la variable independiente en el periodo tk, donde k = 1, ...,m
et es el error al generar el modelo en el periodo t
n es el nmero de observaciones
m es el nmero de variables independientes

Mtodos de Simulacin: imitan el comportamiento de un sistema. Estos

modelos se basan en una gran variedad de relaciones y por lo general
consideran elementos estocsticos del problema. Lo mismo que las
ecuaciones en los sistemas simultneos, las interrelaciones en un modelo
de simulacin son altamente dependientes del sistema bajo estudio.

Mtodos Economtricos: son sistemas de ecuaciones lineales de

regresin mltiple cada una con diversas variable interdependientes. ste
no es el nico uso del trmino econometra, ya que hay quienes lo utilizan
como un trmino general para cubrir ecuaciones de regresin simple,
mltiple y sistemas de ecuaciones de regresin mltiple. Los pasos que
sigue son:

1. Determinar qu variables incluir en cada ecuacin (especificacin).

 2. Determinar la forma funcional (es decir, lineal, exponencial, logartmica,
etc.) de cada una de las ecuaciones.
3. Estimar de manera simultnea los parmetros de las ecuaciones.
4. Probar la significacin estadstica de los resultados.
5. Verificar la validez de los supuestos implicados.

Mtodos Bayesianos: son tiles cuando se dispone de pocos datos.

Inicialmente, se hace una estimacin subjetiva de los parmetros y
conforme se dispone de ms datos se usa el teorema de Bayes para
actualizar esas estimaciones.

Redes Neuronales: es un conjunto de pequeas unidades de

procesamiento (neuronas) ligadas por conexiones dirigidas ponderadas
(una red). Cada neurona recibe seales de entrada ya sea de una fuente de
entrada o de otras neuronas. La seal se pondera segn la conexin por la
que pasa. Si el peso total de todas las seales de entrada es
suficientemente fuerte, la neurona responde manda una seal por cada una
de sus conexiones de salida a otras neuronas. Como una red neuronal
aprende directamente de los datos, puede realizar clasificaciones,
pronsticos, comprensin de datos y otras tareas similares.

2. 5 Medicin del Error en los Mtodos de Pronstico

El tamao y la persistencia de los errores de prediccin y la incertidumbre

futura dependen de una identificacin errnea de patrones y relaciones;
patrones inexactos o relaciones imprecisas; patrones o relaciones cambiantes

En general, se puede predecir exactamente la estacionalidad, relaciones

promedio, patrones cclicos promedio, tendencias tecnolgicas emergentes y
su influencia, continuidad de las tendencias establecidas, y tendencias
generales. Por otra parte, no se pueden predecir exactamente los sucesos
especiales, las acciones o reacciones competitivas, las ventas de los nuevos
productos, el inicio y la profundidad de las recesiones, la duracin y fortaleza
de los auges, los cambios de tendencia, los cambios de las relaciones o
actitudes y las innovaciones tecnolgicas.

El error se define como la diferencia entre el valor pronosticado menos el valor

real, existen diversas maneras de manejar el error y analizarlo a las que
llamaremos frmulas de medidas de exactitud de los mtodos cuantitativos.
Las frmulas y su nomenclatura es la siguiente:
Frmulas de Medidas de Exactitud de los Mtodos Cuantitativos

Error medio (ME)

ei
ME = i= 1

n
n

Desviacin absoluta media (MAD)

ei
MAD = i= 1

n
 n

Error cuadrado medio (MSE)

e i2
MSE = i= 1

n
Desviacin tpica de los errores (SDE) SDE =
e i2
n 1
X t Ft
Error porcentual (PEt) PE t = 100
Xt
n

Error porcentual medio (MPE)

PE i
MPE = i= 1

n
n
Error porcentual absoluto medio PE i
(MAPE) MAPE = i= 1

n
Donde
et es el error (et = Xt - Ft)
Xt es el valor observado en el periodo t
Ft es el pronstico del periodo i
n es el nmero de observaciones
t es un periodo en el conjunto de observaciones (t= 1, 2, ..., n)
 INVENTARIOS
MODELOS ESTTICOS DE TAMAO DE LOTE

NOMENCLATURA GENERAL

c = costo unitario ($/ unidad)

i = tasa de inters vigente (% por ao)
h = i c = costo de mantener el inventario ($ por unidad por ao)
A = costo de ordenar ($/orden)
D = demanda por unidad de tiempo
T = longitud de un ciclo, el tiempo que transcurre entre la colocacin (o recepcin) de rdenes
sucesivas de abastecimiento
K(Q) = costo total anual promedio como una funcin de tamao de lote Q
It = inventario disponible en el tiempo t (cantidad real de material que hay en el almacn)
I= Inventario Promedio
Q*= cantidad econmica de pedido
Bt = nivel de faltante (orden atrasada) en el tiempo t.
B = nivel promedio de faltantes
b = mxima Bt
es el costo de perdida de buena voluntad expresado en $/unidad
es el costo financiero, contable o sancin contable, expresado en $/unidad-ao.

MODELO EOQ (CANTIDAD ECONMICA A PEDIR A UN

PROVEEDOR) SIN PERMITIR FALTANTES
Q
Sea T la longitud del ciclo del inventario: T =
D
Q
Sea I el inventario promedio: I =
2

AD Q
El costo total anual promedio es: K ( Q ) = cD + + h
Q 2

2 AD
Q* =
h
Q* se conoce como la cantidad econmica a ordenar o lote econmico o EOQ.

MODELO EOQ (CANTIDAD ECONMICA A PEDIR A UN

PROVEEDOR) PERMITIENDO FALTANTES
 Este caso tiene una tasa infinita de reabastecimiento en la que se permiten faltantes.
Cuando se obtiene:
AD h( Q b )
2
2 bD + b 2
K ( Q, b ) = cD + + +
Q 2Q 2Q
que, para 0 , lleva a:

Q* =
2 AD

( D ) 2
h +
h h( h + )

hQ* D
b* =
h +

MODELO EPQ (CANTIDAD ECONMICA A PRODUCIR) PERMITIENDO

FALTANTES
i = tasa de inters vigente (% por ao)
h = i c = costo de mantener el inventario ($ por unidad por ao)
D = demanda por unidad de tiempo
T = longitud de un ciclo, el tiempo que transcurre entre la colocacin (o recepcin) de rdenes
sucesivas de abastecimiento
K(Q) = costo total anual promedio como una funcin de tamao de lote Q
= tasa de produccin, medidas en las mismas unidades que la demanda
Q = tamao del lote de produccin.
A = costo de preparacin.
c = costo unitario de produccin.
Bt = nivel de faltante (orden atrasada) en el tiempo t.
B = nivel promedio de faltantes
b = mxima Bt

Q
Tiempo de ciclo: T =
D
Q
Tiempo para producir Q unidades: TP =

I mx
Tiempo para agotar el inventario mximo: TD =
D
 D
Geometra del inventario: I mx = Q 1 b

b
Tiempo para recuperarse del faltante: T1 =
D
I mx
Tiempo para generar I mx : T2 =
D
I mx
Tiempo para agotar I mx : T3 =
D
b
Tiempo para generar el faltante de b : T4 =
D

2
D
Q 1 b

Inventario promedio: I =


D
2Q 1

b2
B=
Faltante promedio: D
2Q 1

El costo total anual promedio es:

2
D
h Q 1 b
AD + bD + b 2
K ( Q, b ) = cD + +
Q D Q D
2Q 1 2Q 1

Q* =
2 AD

( D ) 2
h +
Cantidad ptima a pedir D h( h + )
h 1

D
Faltante ptimo :
( hQ *
)
D 1

b =
*
( h + )

Nota:

S = 0 , Q* y b* tendrn valores positivos.

S > 0 y es suficientemente grande, se pueden obtener valores negativos en el denominador
del radical de Q*, en ste caso no deben permitirse faltantes y se recalcula la Q*.
S =0 y >0 , la poltica adecuada es no permitir faltante.
MODELO EPQ (CANTIDAD ECONMICA A PRODUCIR) SIN PERMITIR
FALTANTES

En este caso, se prohben los faltantes estableciendo el costo por faltantes como
infinito. Es obvio que no se planean faltantes para este caso, por lo que b = 0. Las ecuaciones
de costo se convierten en:
AD hQ D
K ( Q ) = cD + + 1

Q 2

2 AD
Q* =
D
h 1

METODO DE SILVER MEAL.

Obtienen el costo promedio mnimo por periodo para el lapso de m periodos. Los costos
a considerar son los costos de ordenar o preparar ms el costo de mantener el
inventario. Por, lo que la Demanda futura para los siguientes n periodos estar dada
por:

(D1 , D2 , , Dn ,)
El costo de mantener el inventario
K(1) = A

1
K(2) = (A + hD 2 )
2
1
K (3) = ( A + hD 2 + 2hD3 )
3
1
K ( m) = ( A + hD1 + hD 2 + 2hD3 + ....... + (m 1) hD m )
m
Se calcula K(m), m = 1,2,.. m, y se detiene cuando K (m + 1) (m)

COSTO MINIMO UNITARIO

 A
K (1) =
D1

A + hD 2
K ' ( 2) =
D1 + D 2

A + hD 2 + 2hD3
K `' (3) =
D1 + D 2 + D3

A + hD 2 + 2hD3 + + (M 1)hD m
K (m) =
D1 + D 2 + + D m

Se calcula K (m), m = 1,2,.. m, y se detiene cuando K (m + 1) (m)

INVENTARIOS SISTEMAS DE DEMANDA INDEPENDIENTE

 USO DEL INVENTARIO
El inventario se usa en la mayor parte de las actividades de la manufactura,
servicio, distribucin y venta, donde puede resaltar la rentabilidad y la
competitividad.

EL PAPEL QUE JUEGA EL INVENTARIO

Inventario es una cantidad de bienes bajo el control de una empresa,
guardados durante algn tiempo para satisfacer una demanda futura
Para el sector manufactura tales bienes son principalmente materiales:
materia prima, unidades compradas, productos semiterminados y
terminados, refacciones y materiales de consumo.
El inventario es un amortiguadorentre dos procesos: el abastecimiento y la
demanda
El proceso de abastecimiento contribuye con bienes al inventario, mientras
que la demanda consume el mismo inventario
El inventario es necesario debido a las diferencias en las cantidades y los
tiempos en el abastecimiento y la demanda y esta diferencia se puede
atribuir tanto a factores internos como externos.
Los factores endgenos son cuestiones de poltica, pero los exgenos son
incontrolables. Entre los factores internos estn las economas de escala, el
suministro de la operacin y el servicio al cliente. El factor exgeno ms
importante es la incertidumbre.

TERMINOLOGA DEL INVENTARIO

El ambiente de demanda se puede clasificar en dos grandes categoras:
-Deterministico o Estocstico (conocido o aleatorio)
-Independiente o Dependiente (demanda no relacionada con otro artculo
o demanda si relacionada con otro artculo).
Los tipos de inventario se clasifican en:
-Materia prima: son todos los materiales requeridos para los procesos de
manufactura y ensamble.
-Producto en proceso (PEP): Es inventario en sistema de produccin que
espera para ser procesado o ensamblado y puede incluir productos
semiterminados.
-Productos terminados: Son las salidas de los procesos de produccin, en
ocasiones llamados artculos finales, los productos terminados de una
organizacin de manfactura pueden ser materia prima para otra.

COSTOS DE INVENTARIO

COSTO DE COMPRA O DE PRODUCIR UN LOTE

c = costo unitario (incluye costo fijo y costo variable)
Q = El nmero de unidades compradas o producidas
CC= c.Q
COSTO DE ORDENAR (El costo de preparar y controlar la orden)
A
COSTO TOTAL DE COMPRAR O PRODUCIR UN LOTE
A+c.Q

COSTO DE ALMACENAJE O DE MANTENER EL INVENTARIO

h = i.c
Donde:
i = costo total de mantener el inventario (expresado en %)
c = costo unitario

Este costo incluye:

Costo de oportunidad
Costos de almacenaje y manejo
Impuestos y seguros
Robos, daos, caducidad, obsolescencia, etc.

COSTO POR FALTANTE

Existen dos tipos:
= costo de faltante por unidad
= costo de faltante por unidad que falta por unidad de tiempo

COSTO DE OPERACIN DEL SISTEMA

Este costo incluye, por ejemplo, el costo de computadoras y programas para el
control del inventario

POLTICAS DE INVENTARIO

El elemento principal que afecta el inventario es la demanda ya que se supone

que la demanda es una variable incontrolable. Existen tres variables de decisin
que se pueden controlar.
Qu debe ordenarse? (decisin de variedad)
Cundo debe ordenarse? (decisin de tiempo)
Cunto debe ordenarse? (decisin de cantidad)
para un sistema de un solo artculo, la decisin de variedad es irrelevante y las
otras dos se toman usando las siguientes dos polticas de control de inventario
diferentes:
Poltica de revisin peridica:
Esta poltica consiste en verificar el nivel del inventario I, en intervalos de
tiempo fijo, digamos una semana, un mes o cualquier tiempo T, llamado
periodo de revisin, y se coloca una orden si I es menor que cierto nivel
predeterminado R, llamado punto de reorden(decisin de tiempo). El tamao
de la orden Q es la cantidad requerida para aumentar el inventario a un nivel
predeterminado S (decisin de cantidad) El tamao de la orden Q vara de un
periodo a otro