Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
INTRODUCCIÓN...................................................................................................................................1
3.1 MARCO TEÓRICO DE LOS PRONÓSTICOS...........................................................................2
3.1.1 Métodos de Pronóstico con Curvas de Ajuste..........................................................................7
3.1.1.1 Formulas de Interpolación de Gregory – Newton.........................................................7
3.1.2 Análisis de Tendencia por Regresión.........................................................................................9
3.1.2.1 Modelo constante.............................................................................................................11
3.1.2.2 Modelo Lineal...................................................................................................................12
3.1.2.3 Modelo Cuadrático..........................................................................................................15
3.1.2.4 Modelo Exponencial........................................................................................................20
3.1.2.5 Regresión Lineal múltiple...............................................................................................25
3.1.3 Modelo de Estimación Paramétrica por Programación Lineal............................................29
3.1.3.2 Minimizar máxima desviación Absoluta.......................................................................31
3.1.4 Técnicas de serie de Tiempo.....................................................................................................33
3.1.4.1 Promedio Móvil................................................................................................................35
3.1.4.2 Suavización Exponencial................................................................................................37
3.1.4.3 Suavización exponencial doble.....................................................................................42
3.1.4.4 Método de variación estacional de Winters.................................................................45
3.1.4.5 Método Box-Jenkins........................................................................................................49
3.1.5 Estimación de los parámetros de un Modelo de Pronóstico con componente Cíclico con
Programación Lineal.........................................................................................................................57
3.1.5.1 Modelo de Pronóstico.....................................................................................................58
3.1.5.2 Estimación por el Método de Mínimos Cuadrados....................................................59
3.1.5.3 Estimación del modelo por programación lineal.........................................................60
3.1.5.4 Evaluación de la construcción de la función por las técnicas mínimos cuadrados
y programación lineal...................................................................................................................62
3.1.6 Evaluación y análisis del Error de Pronóstico.......................................................................72
REFERENCIAS.....................................................................................................................................75
Modelos Matemáticos de Producción
3. PRONÓSTICOS
INTRODUCCIÓN
El propósito del arte y de la ciencia del pronóstico es predecir los eventos del futuro. Hace
unos años los pronósticos eran más arte que ciencia, sin embargo hoy en día se considera una
ciencia. Aunque todavía se necesita del juicio del experto para pronosticar, ahora se tienen
herramientas y métodos estructurados para soportar el proceso de estimación basado en el
análisis de datos.
La estimación de los pronósticos por medio de análisis de datos hoy en día es materia de
investigación, siendo importante la búsqueda de técnicas y métodos que ayuden a disminuir los
márgenes de error de lo pronosticado frente a los hechos reales, de tal manera que se logre
reducir los costos ocasionados por la variación en lo planificado, las meta-heurísticas, la lógica
difusa, los sistemas expertos, la inteligencia artificial y el desarrollo de nuevos modelos son
algunos de los tópicos que de una u otra manera ya sea para tratar complejidad o para lograr
mejores resultados se encuentran a disponibilidad para aumentar el espectro de la ciencia de la
predicción
Posteriormente la predicción de los bienes demandados se utiliza para especificar las políticas
de control del sistema de inventarios, determinar los requerimientos de capacidad de equipo y
maquinaria, los requerimientos de materiales, y la identificación de los niveles de fuerza laboral
durante los periodos de producción.
Uno de los elementos muy importante para la utilización de las herramientas y técnicas de
predicción es el proceso de selección de los métodos en función del uso que se le quiera dar,
no existe una técnica adecuada para todas las situaciones que se ajuste a todas las situaciones
presentes en la realidad.
Lo pronósticos tienen por lo general una diferencia de lo estimado frente a la ocurrencia real,
es raro que los requerimientos reales sean iguales a lo pronosticado, por tal razón en el
contexto de la producción estás variaciones se suplen con la programación de capacidad
-2-
Modelos Matemáticos de Producción
La mala estimación de los pronósticos pueden causar grandes problemas y perdidas en las
organizaciones productivas, por ejemplo una producción por encima de los niveles reales
demandados ocasionaría costos adicionales y perdidas en el inventario, generaría variaciones
en la fuerza laboral y por tanto, bajas en la moral de la fuerza laboral, por lo contrario si se
produce por debajo de los niveles demandado, se incurriría en perdidas de participación del
mercado, perdidas de ventas, insatisfacción de los clientes, además de la presión y la tensión
sobre la capacidad productiva.
Existen formas para ajustar los errores de pronóstico, la primera es tratar de reducir el error a
través de mejores pronósticos. La segunda es incrementar la flexibilidad de las operaciones y la
tercera es reducir el tiempo de anticipación con que se necesitan los pronósticos.
Si la estimación se realiza con técnicas de origen cuantitativo, puede ser aquellas en donde se
evalúa el comportamiento de la demanda en función de otras variables, que de una u otra
manera inciden en el aumento o en la disminución de la demanda, estas variables pueden ser
por ejemplo originadas por políticas del estado , variables económicas, factores de producción
del sector industrial o elementos tecnológicos en cuanto al diseño de los productos y los
procesos, ahora bien la comparación de algunos de estos métodos casuísticos se muestran en
la tabla 3.2 indicando algunas recomendaciones y frecuencia de su uso.
Las técnicas de estimación de la demanda de origen cuantitativo que se utilizan con mayor
frecuencia son las de series de tiempo, en donde los modelos desarrollados se basan en el
análisis de la demanda en función del tiempo, en ellos se evalúan factores tales como el nivel,
-3-
Modelos Matemáticos de Producción
De igual manera las herramientas de orden cualitativo no son objeto de análisis en este libro,
se mencionan y no se explican al detalle.
-4-
Exactitud Identificaci
Métodos ón del Costo
Descripción del método Usos Relativo
Cualitativos A corto A mediano A Largo punto de
Plazo Plazo Plazo retorno
Pronóstico desarrollado mediante Pronósticos de venta a largo
un grupo de expertos que plazo para planeación de la
responden preguntas en rondas capacidad o instalaciones.
sucesivas. Las respuestas Pronósticos tecnológicos para Regular a Regular a Regular a Regular a Medio a
Delphi anónimas del grupo retroalimentan evaluar cuando pueden
en cada ronda a todos los presentarse los cambios muy buena muy buena muy buena buena alto
participantes. Se pueden usar tecnológicos
entre tres y seis rondas para
lograr un consenso sobre el
pronóstico.
Grupos, cuestionarios, pruebas de Pronósticos de las ventas
Estudios de mercado o estudios que se usan totales de la compañía, de Regular a
para obtener datos sobre las grupos de productos Muy buena Buena Regular Alto
Mercado condiciones del mercado. importantes o de productos buena
individuales.
Analogía de Predicción basada en la fase de Pronósticos de venta a largo
introducción, crecimiento y plazo para planeación de Regular a Regular a Mala a
los ciclos de saturación de productos similares. capacidad o instalaciones. Mala Medio
Aprovecha la curva de crecimiento buena buena regular
vida de las ventas en forma de S
Métodos de auto correlación que
se usan para identificar las series
Juicio de tiempo subyacentes y para Pronósticos de ventas totales Mala a Mala a Mala a Mala a
Bajo
Informado ajustar el “mejor” modelo. Se y de productos individuales. regular regular regular regular
necesitan aproximadamente 60
puntos del pasado.
Modelos Matemáticos de Producción
-6-
Exactitud Identificación
Métodos por series de
Descripción del método Usos del punto de Costo Relativo
A corto A mediano A Largo
tiempo
Plazo Plazo Plazo
retorno
El pronóstico se basa en un Planeación de corto a
promedio aritmético o ponderado mediano plazo para
de un número de puntos de datos inventarios, niveles de Mala a
Promedio del pasado producción y Mala Muy Mala Mala Bajo
Móvil programación. Es muy buena
bueno cuando hay
muchos productos.
Similar al promedio móvil, dando Igual que el promedio
un mayor peso a los datos móvil. Regular a Mala a
Suavización recientes. Bien adaptado para Muy Mala Mala Medio
Exponencial usarse con computadoras y muy buena buena
cuando es necesario pronosticar
un gran número de artículos.
Un modelo lineal o no lineal Igual que el promedio
ajustado con los datos de serie de móvil pero con
tiempo, normalmente mediante limitaciones debido al Regular a
Modelos regresión. Incluye las líneas de costo y a su uso con Muy buena Muy Mala Mala Bajo a medio
matemáticos tendencia, polinomios, logaritmos pocos productos. buena
lineales, series de Fourier,
etcétera.
Métodos de autocorrelación que Limitado debido al Muy buena
se usan para identificar las series costo de los productos Regular a
de tiempo subyacentes y para que requieren de a Muy Mala Mala Medio a alto
Box-Jenkins ajustar el “mejor” modelo. Se pronósticos muy buena
necesitan aproximadamente 60 exactos a corto plazo. excelente.
puntos del pasado.
3.1.1 Métodos de Pronóstico con Curvas de Ajuste
El primer paso para determinar cual procedimiento debe ser usado es consideran los datos
históricos como una función del tiempo. Después de evaluar los datos, una curva exacta puede
ser utilizada para estimar el pronóstico. A continuación se presenta un método de ajuste a la
curva en función de datos históricos.
t (t 1) 2 t (t 1)(t 2) 3
f (t ) f 0 tf 0 f0 f0 (3.1)
2! 3!
t (t 1) 2 t (t 1)(t 2) 3
f (t ) f 0 tf 0 f0 f0 (3.2)
2! 3!
Donde:
f(t): Valor de la función en el tiempo t
∆fi = fi+1 -fi (La primera diferencia hacia delante de f(t)en el período i)
∆2fi =∆fi+1 -∆fi (La segunda diferencia hacia delante de f(t)en el período i)
∆nfi =∆n-1fi+1 -∆n-1fi (La enésima diferencia hacia delante de f(t)en el período i)
f f f ( La primera diferencia hacia atrás de f(t) en el período i)
i i i 1
Donde:
f0 es el valor de la función en la línea base (tiempo cero). Las diferencias f i y f i se
pueden obtener fácilmente en forma tabular como se muestra en el ejemplo 3.1
Modelos Matemáticos de Producción
Ejemplo 3.1
Suponga que se dispone de la información relacionada con la demanda de los últimos cinco (5)
años de un producto determinado. Los datos de la demanda en miles de unidades vienen
dados en la tabla 3.4
Solución
Se utilizan las ecuaciones (3.1) y (3.2) para determinar el pronóstico de la demanda del
próximo año. Las tablas 3.5 y 3.6 muestran los cálculos de las diferencias hacia delante y hacia
atrás respectivamente.
Si se usa la ecuación (3.1) para pronosticar la demanda del próximo año se tiene:
5
f t 150 10t t t 1 15 t t 1 t 2 30 t t 1 t 2 t 3 (3.3)
2 6 24
-9-
Modelos Matemáticos de Producción
t t 1 2 t t 1 t 2 3 t t 1 t 2 t 3 4
f t f 0 t f 0 f0 f0 f0
2! 3! 4!
5
f t 190 10t t t 1 15 t t 1 t 2 30 t t 1 t 2 t 3 (3.4)
2 6 24
Sin embargo la solución debería ser superior a este valor, esto sucede debido a que uno de los
datos el del periodo 2 es inferior debido a razones aleatorias, el dato real debería haber sido de
170, lo cual hubiera generado un pronóstico de 200 mil unidades.
Yˆ (t ) a bt ct 2 ut n 1 vt n (3.4)
En donde para un polinomio de enésimo orden,Ŷ(t) es el valor estimado del valor de los datos
verdaderos, Y(t) en un periodo t, y a ,b ,c , ,u ,v son coeficientes de ajuste del polinomio.
De tal manera que para diferentes valores de los coeficientes de ajuste se pueden desarrollar
varias ecuaciones de ajuste de curvas conocidas. Como se muestra en las ecuaciones (3.5),
(3.6), (3.7) (3.8) (3.9) (3.10) (3.11) y (3.12) y en la figura 3.1
- 10 -
Modelos Matemáticos de Producción
y a bt y a b log t
b0 b0
b0 b0
t t
y a bt ct 2
y aebt
c0
c0
b0 b0
t t
y a bt ct 2 dt 3 log y a b log t
d 0
d 0
t t
Figura 3.1. Formas generales de las curvas de regresión
- 11 -
Modelos Matemáticos de Producción
2
El método de los mínimos cuadrados consiste en minimizar el error cuadrático e (t) de la
suma de la diferencia entre los valores estimados por la función Ŷ(t) y los valores reales Y(t)
como se muestra en la ecuación (3.13)
minimizar e
n
t 1
2
t 1
(t ) Y (t ) Yˆ (t ) 2
n
(3.13)
e (t ) Y (t ) a
n n
minimizar 2 2
(3.14)
t 1 t 1
n
e 2 (t )
0
n
(3.15)
t 1
2 Y (t ) a
a t 1
Y (t ) (3.16)
a t 1
y
n
Es de anotar que la segunda derivada es positiva, lo cual indica que se logra el criterio del
mínimo error.
La ecuación (3.16) indica que para un modelo constante, el promedio de los datos históricos
genera la más acertada predicción de los eventos futuros.
- 12 -
Modelos Matemáticos de Producción
Ejemplo 3.2
845
y= = 169
5
Entonces el pronóstico para el siguiente período es de 169 mil unidades, que constituye el
promedio de los datos de los 5 períodos contemplados.
Nótese que la estimación con respecto a las formulas de Gregory –Newton es mayor y
posiblemente más cercana a la realidad.
Y(t)
t
Figura 3.2
- 13 -
Modelos Matemáticos de Producción
Y (t ) aˆ bˆt (t ) (3.17)
Donde:
var( (t )) 2
, entonces basándose en este supuesto el proceso lineal simplificado se
puede ajustar al modelo de la forma como se muestra en la ecuación (3.18)
Yˆ (t ) a bt (3.18)
n
e 2 (t )
0
n
t 1
2 Y (t ) a bt
a t 1
n n n
Y (t ) a bt 0
t 1 t 1 t 1
n n
Y (t ) na b t 0
t 1 t 1
n n
Y (t ) b t (3.19)
a t 1
t 1
n n
- 14 -
Modelos Matemáticos de Producción
n
e 2 (t )
0
n
t 1
2 t Y (t ) a bt
b t 1
t Y (t ) at bt 2 0
n n n
(3.20)
t 1 t 1 t 1
n n n
a t b t tY (t ) 0 2
t 1 t 1 t 1
n n
Y (t ) b t n n n
t 1
t 1
t b t 2 tY (t )
n n t 1 t 1 t 1
n n n n n
Y (t ) t b( t ) nb t n tY (t )
t 1 t 1 t 1
2
t 1
2
t 1
t 1 t 1 t 1 t 1 t 1
n n n
n tY (t ) Y (t ) t
b t 1 t 1 t 1 (3.21)
n t ( t )
n 2 n 2
t 1 t 1
- 15 -
Modelos Matemáticos de Producción
n n
Y (t ) t t tY (t )
2 n n
a t 1 t 1 t 1 t 1
(3.22)
n t ( t )
n 2 n 2
t 1 t 1
Ejemplo 3.3
Se tiene:
Para estimar los parámetros ay b de las ecuaciones (3.21) y (3.22) se realizan los cálculos
en la tabla 3.7 así:
f ( t ) = 10t + 149
Nótese que este valor estimado es mucho mayor que los anteriores, y parece ser más
acertado.
∑ e ( t ) ∑Y ( t ) a bt ct 2
n n
min imizar 2 2
(3.23)
t 1 t 1
- 16 -
Modelos Matemáticos de Producción
n
e 2 (t )
0
n
(3.24)
t 1
2 Y (t ) a bt ct 2
a t 1
n
e 2 (t )
t 0 (3.25)
n
t 1
2 Y (t ) a bt ct 2
b t 1
n
e 2 (t )
t
n
(3.26)
t 1
2 Y (t ) a bt ct 2 2
0
c t 1
De (3.24):
n n n
Y (t ) na b t c t 2 0
t 1 t 1 t 1
(3.27)
De (3.25):
n n n n
tY (t ) a t b t c t 0
t 1 t 1 t 1
2
t 1
3
(3.28)
De (3.26):
n n n n
t 2Y (t ) a t 2 b t 3 c t 4 0
t 1 t 1 t 1 t 1
(3.29)
a t 1 t 1 t 1 (3.30)
n
c t 2
n n
n Y (t ) b t n n n
tY (t ) t 1 t 1 t 1
t b t 2 c t 3 0 (3.31)
t 1 n t 1 t 1 t 1
n
Y ( t ) b
n
t c
n
t2 n
t 2Y ( t ) t 1
n n n
t 1 t 1
t 2 b t 3 c t 4 0 (3.32)
t 1
n
t 1 t 1 t 1
- 17 -
Modelos Matemáticos de Producción
n n n n n n n n
n tY (t ) Y (t ) t b( t ) c t t nb t nc t 3 0 2 2 2
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
(3.33)
n n n n n n 2 n n
n t Y (t ) Y (t ) t b t t c( t ) bn t cn t 4 0
2 2 2 2 3
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
(3.34)
n t t t 3 2
t 1 t 1 t 1
n n n n n n
n t 2Y (t ) Y (t ) t 2 b t t 2 bn t 3
c t 1 t 1
n
t 1
n
t 1
2
t 1 t 1
(3.36)
n t ( t ) 4 2
t 1 t 1
n n n
n 4 n 2
n 2 n
2 n 4 n 2
n tY (t ) Y (t ) t n t ( t 2
) b ( t ) n t n t ( t 2
)
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
n 2 n n
2 n 3 n n 2 n n 2 n
3 n 3 n n 2
n t Y (t ) Y (t ) t n t t t b t t n t n t t t
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
(3.37)
Factorizando b
- 18 -
Modelos Matemáticos de Producción
n n n
n 4 n 2
n 2 n n
2
n n n
2
n
t 1 tY ( t ) Y ( t ) t n
t 1 t ( t 2
) n
t 1 t Y ( t ) Y ( t ) t n
t 1
t 3
t t
t 1 t 1 t 1 t 1 t 1 t 1 t 1
n n 2 n
3 n n n
2 n 2 n
2 n 4 n 2
b t t n t n t t t ( t ) n t n t ( t )
3 2
( 3.38 )
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
Si se utilizan los siguientes reemplazos
n n n
n t 3 t t 2 (3.39)
t 1 t 1 t 1
n 2 n
( t ) n t 2 (3.40)
t 1 t 1
n n 2
n t ( t ) 4 2
(3.41)
t 1 t 1
n n n
n tY (t ) Y (t ) t (3.42)
t 1 t 1 t 1
n n n
n t Y (t ) Y (t ) t 2
2
(3.43)
t 1 t 1 t 1
. . . . . .
b 2 (3.44)
. ( . ) .
2 2
. .
b (3.45)
2 .
. .
2 ( )
. (3.46)
c
Desarrollando
- 19 -
Modelos Matemáticos de Producción
. .
c (3.47)
2 .
Ejemplo 3.4
Aplicar el modelo cuadrático, para estimar la demanda del período siguiente se realizan los
cálculos en la tabla 3.6.
= ( 28 ) - ( 8 ) .( 140) = -336
2
= ( 8 ) .( 4676 ) - ( 140)
2
= 17808
- 20 -
Modelos Matemáticos de Producción
Y ( 8 ) = 617.6785
Yˆ (t ) aebt (3.48)
Transformando (3.48) aplicando logaritmo natural a los dos miembros de la ecuación se obtiene
la expresión (3.49)
lnYˆ (t ) ln aebt
ln Yˆ ( t ) ln( a ) ln( ebt )
ln Yˆ ( t ) ln( a ) bt (3.49)
La ecuación (3.49) se puede expresar como una función lineal realizando las sustituciones
(3.50) y (3.51) como se muestra en la expresión (3.52)
Yˆ (t ) lnYˆ (t ) (3.50)
- 21 -
Modelos Matemáticos de Producción
a ln(a ) (3.51)
Yˆ (t ) a bt (3.52)
Ahora se puede utilizar el modelo de regresión como una función lineal y determinar el valor de
Yˆ (t ) y luego aplicando antilogaritmo se puedan calcular los valores de a y b como se
muestra en las expresiones (3.53) y (3.54)
n n n n
∑Yˆˆ ( t )∑ t 2 - ∑ t ∑ tYˆˆ ( t )
t =1 t =1 t =1 t =1
a′ = n n
(3.53)
n∑ t - ( ∑ t )
2 2
t =1 t =1
n n n
ˆ ˆ
n∑ tYˆ ( t ) - ∑Yˆ ( t )∑ t
t =1 t =1 t =1
b= n n
(3.54)
n∑t - ( ∑t )
2 2
t =1 t =1
Ejemplo 3.5
Considérese la demanda de un producto en miles de unidades, para cinco (5) periodos como
se muestra en la tabla 3.10
Debido a que los datos reflejan un comportamiento creciente en forma exponencial según como
se observa en la figura 3.3 se utiliza el procedimiento para estimar los parámetros del modelo
exponencial. Los cálculos se presentan en la tabla 3.7
- 22 -
Modelos Matemáticos de Producción
- 23 -
Modelos Matemáticos de Producción
( 11 .26563) .( 30 ) - ( 10 ) .( 33.82824)
a′ = = -0.00627
( 5) ( 30 ) - ( 10 ) 2
a' ln a 0 ,00627
a e 0 ,00627
a 0 ,993749615
Y el modelo de pronóstico es:
Yˆ ( t ) 0.993749615 e1.129698 t
De tal manera que si se quiere estimar el pronóstico para el siguiente periodo será.
Yˆ t a 0 a1t a 2 t 2 a m t m (3.55)
- 24 -
Modelos Matemáticos de Producción
e t
n n 2
Minimizar 2
Y t Yˆ t (3.56)
t 1 t 1
e t Y t a
2
n n
Minimizar 2
0 a1t a 2 t a m t
2 m
(3.57)
t 1 t 1
Derivando parcialmente (3.57) con respecto a cada uno de los parámetros se tiene.
e t
n
2
Y t a
n
(3.58)
t 1
2 0 a1t a 2 t 2 a m t m 0
a0 t 1
e t
n
2
Y t a
n
t 1
2 0 a1t a 2 t 2 a m t m t 0
a1 t 1
e t
n
2
Y t a
n
t 1
2 0 a1t a 2 t 2 a m t m t 2 0
a2 t 1
e t
n
2
Y t a
n
t 1
2 0 a1t a 2 t 2 a m t m t m 0
am t 1
Igualando a cero (0) y resolviendo las sumatorias se pueden estimar los parámetros del modelo
de regresión resolviendo un sistema de ecuaciones (3.59).
n n n n n
t 1
a0
t 1
a1t
t 1
a 2 t 2 t 1
amt m Y t
t 1
n n n n n
t 1
a0t t 1
a1t 2 t 1
a 2 t 3
t 1
a m t m 1 Y t .t
t 1
(3.59)
n n n n n
t 1
a0 t 2 t 1
a1t 3 t 1
a 2 t 4 t 1
a m t m 2 Y t .t
t 1
2
- 25 -
Modelos Matemáticos de Producción
n n n n n
a t
t 1
0
m
a t
t 1
1
m 1
a t
t 1
2
m 2
a
t 1
m t 2m
Y t .t
t 1
m
- 26 -
Modelos Matemáticos de Producción
n n n
m
n
n t t t Yt
2
a
t 1 t 1 t 1 t1
0
n n 2 n 3 n m1 a1 n
t t t t Y .tt
t1 t1 t1 t1 2 t1 a
n n n
n n
a
m2 3 2
t t t t Y .tt
2 3 4
n n n n n
tm tm1 tm2 t2m m Y .tt m
a
t1 t1 t1 t1 t1
- 27 -
Modelos Matemáticos de Producción
Yˆ X a 0 a1 X 1 a 2 X 2 a n X n (3.61)
Para resolver el modelo de regresión múltiple aplicando el método de los mínimos cuadrados
se tiene.
Y X Yˆ X
m m 2
Minimizar e X 2
(3.62)
i 1 i 1
m m 2
Minimizar e X
Y X a
2
0 a1 X 1 a 2 X 2 a n X n (3.63)
i 1 i 1
m
e
X 2
m
i 1
a0
2 Y X a 0 a1 X 1 a 2 X 2 a n X n . X 0 0
m
i 1
e X 2
m
i 1
a1
2 Y X a 0 a1 X 1 a 2 X 2 a n X n . X 1 0
m
i 1
e X 2
m
Y X a a1 X 1 a 2 X 2 a n X n . X 2 0
(3.64)
i 1
2 0
a2 i 1
m
e X 2
m
i 1
a0
2 Y X a
i 1
0 a1 X 1 a 2 X 2 a n X n . X n 0
- 28 -
Modelos Matemáticos de Producción
Igualando a cero (0) las derivadas parciales de (3.64) y resolviendo las sumatorias se pueden
estimar los parámetros del modelo de regresión resolviendo un sistema de ecuaciones.
m m m m m
i 1
a0 i 1
a1 X 1 i 1
a 2 X 2 i 1
an X n Y t
i 1
m m m m m
a X a X a
i 1
0 1
i 1
1 1
2
i 1
2 X 1 X 2 a
i 1
n X1 X n Y t X
i 1
1
m m m m m
i 1
a0 X 2 i 1
a1 X 1 X 2
i 1
a 2 X 22 i 1
an X 2 X n Y t X
i 1
2 (3.65)
m m m m m
i 1
a0 X n i 1
a1 X 1 X n
i 1
a 2 X 2 X n
i 1
a n X n2 Y t X
i 1
n
- 29 -
Modelos Matemáticos de Producción
m m m
n
m X 1 X2 Xn YX
i1 i1 i1 a0 t1
m m n
m m
a 1
X
X1
2
X1X2 X1Xn YX .X1
i 1 i1
1
i1
a
i1 2 t1
m m n
m m
a3
X2 X1X 2 X2 X2Xn YX .X2
2 (3.66)
- 30 -
Modelos Matemáticos de Producción
Yˆ (t ) W 1 W 2.t W 3.t 2 Wn .t n 1
Wn 1 .t n (3.67)
Ahora bien, visto como una función de regresión múltiple se expresa como (3.64)
Z1 Z2 Z3 ...... Zj ...... Zn
. .
O1 Z11 Z12 Z13 ...... Z1j ...... Z1n
. .
OBSERVACIONES
......
......
......
......
......
.....
.....
.....
.....
.....
.....
..
..
......
......
......
......
......
......
......
.....
.....
.....
.....
.....
.....
.....
.....
- 31 -
Modelos Matemáticos de Producción
El problema consiste en determinar los valores W j , j 1,2 , ,n , que minimice la suma del
valor absoluto de las desviaciones entre Ŷi y Yi ,i 1,2 , , m.
Variables de decisión:
Parámetros:
Z i , j : Matriz de observaciones de los valores de las variables independientes “j”, del modelo
de regresión en la observación “i” para i 1,2 , ,m y j 1,2 , ,n
m
Minimizar F Di
i 1
Sujeto a :
D Y Yˆ
i i i
para cada i 1,2 , , m
n
(3.65)
Yˆi Wi Z i , j para cada i 1,2 , , m
j 1
W j no restringid a j 1,2 , , n
Di no restringid a i 1,2 , , m
- 32 -
Modelos Matemáticos de Producción
Esto significa que puede existir una desviación por encima o por debajo pero no las dos
simultáneamente de tal manera que el modelo se puede escribir como (3.66):
Minimizar F S i S i
m
i 1
Sujeto a :
n
S i S i W j Z i , j Yi para cada i 1,2 , ,m (3.66)
j 1
W j no restringida j 1,2 , ,n
S i , S i 0 para cada i 1,2 , ,m
Se podría formular un modelo con otro criterio por ejemplo encontrar los parámetros de la
función de pronóstico que minimicen la máxima desviación absoluta. La formulación del modelo
es la siguiente:
Objetivo: Determinar el vector de coeficientes de peso en una función de regresión que
Variables de decisión:
Parámetros:
Z i , j : Matriz de observaciones de los valores de las variables independientes “j”, del modelo
de regresión en la observación “i” para i 1,2 , ,m y j 1,2 , ,n
- 33 -
Modelos Matemáticos de Producción
Minimizar F Máximo Di i
Sujeto a : (3.67)
Di Máximo Di para cada i 1,2 , ,m
i
Pero como Di Yi Yˆi para cada i 1,2 , , m , entonces la expresión se transforma en:
Lo cual es equivalente a:
Minimizar F U
Sujeto a :
Yi Ŷi U para cada i 1,2 , ,m (3.69)
U Máximo Yi Ŷi
i
Sustituyendo
Minimizar F U
Sujeto a :
n
(3.70)
Yi W j Z i , j U para cada i 1,2 , ,m
j 1
Minimizar F U
Sujeto a :
n
Yi W j Z i , j U para cada i 1,2 , ,m (3.71)
j 1
n
Yi W j Z i , j U para cada i 1,2 , ,m
j 1
Minimizar F = U
Sujeto a :
n (3.72)
U+ ∑W Z j i,j
≥ Yi para cada i 1,2 , , m
j 1
n
U - ∑W Z j i,j
≥ -Yi para cada i 1,2 , , m
j 1
U ≥0 - 34 -
W j no restringid a para cada j 1,2 , , n
Modelos Matemáticos de Producción
Los métodos de serie de tiempo se utilizan para hacer análisis detallado del comportamiento de
la demanda en el pasado, a lo largo del tiempo y de esta manera estimar la demanda
proyectando los patrones del comportamiento hacia el futuro. Uno de los supuestos fuertes de
los métodos de pronóstico de series de tiempo consiste en que para su análisis la serie se
puede descomponer en componentes como son el nivel promedio, la tendencia, la
estacionalidad, la ciclicidad y el efecto aleatorio. Una descripción de estas componentes se
visualiza en la figura 3.4, en la gráfica se muestra como la unión de estas componentes
constituye la serie de tiempo.
Para comprender los modelos de serie de tiempo en esta sección se utiliza la siguiente
simbología:
- 35 -
Modelos Matemáticos de Producción
=Demanda
Figura 3.4. Descomposición
de una serie de tiempo
Serie de Tiempo
t = tiempo
=Demanda
Componente
Cíclico
Componente de
Estacionalidad
Componente de
Tendencia
Componente de
Nivel
Componente
de
Aleatoriedad
t = tiempo
- 36 -
Modelos Matemáticos de Producción
El método más sencillo para realizar pronósticos de series de tiempo es el método de promedio
móvil. Este método supone solo los componentes de nivel y aleatorio. No involucra patrones de
estacionalidad, tendencias, ni componentes de ciclos de los datos de la variable.
Cuando se utiliza el método de promedios móvil se selecciona un número determinado de
periodos para los cálculos, después se calcula los valores promedios con la expresión (3.73)
para cada periodo.
Dt Dt 1 Dt n 1
At para cada t 2,3,..., N (3.73)
n
Ejemplo 3.6
Tabla 3.12
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Dt 12 18 27 16 30 25 18 22 25 30 25 20 15 12 19 22 28 25 20 16
En la tabla 3.13, se muestra los cálculos para pronosticar la demanda de un producto con un
promedio móvil de tres periodos, también se muestra el error del pronóstico, la demanda real y
la pronosticada.
Si se utiliza un promedio móvil de más periodos por ejemplo cuatro, nótese que conserva
mayor estabilidad, pero a su vez responde con mayor lentitud a los cambios de la variable.
Para ilustrar la comparación de los pronósticos de tres y cuatro períodos con los datos reales
se muestra la figura 3.5
Una manera para que el promedio responda con mayor rapidez a los cambios de la variable, es
colocar pesos relativos superiores sobre los datos más recientes con respecto a los más
antiguos. Esto se denomina promedio móvil ponderado y se calcula como sigue:
- 37 -
Modelos Matemáticos de Producción
n
Con la condición de que: W
i 1
i 1 (3.76)
- 38 -
Modelos Matemáticos de Producción
30
28
26
24
22
20
18
16
14
12
1 3 5 8 10 13 15 18 20 22
- 39 -
Modelos Matemáticos de Producción
La suavización exponencial es una técnica matemática que utiliza el mismo principio del
promedio móvil de N periodos; sin embargo este requiere menos cálculos que el método de
promedios móviles. Adicionalmente este no requiere de la conservación de datos históricos
sobre un periodo largo de tiempo, este requiere únicamente los datos recientes. La suavización
exponencial es usada para pronósticos a corto plazo.
Como en el caso del promedio móvil simple, se comienza con la presunción de que el proceso
de generación de datos tiene una insignificante tendencia.
Yt at ∈t
El objetivo es darle más peso a las observaciones recientes que a las observaciones pasadas.
Por consiguiente, se desea minimizar la suma de los residuos cuadráticos ponderados, así:
n n
e X
t 1
t
t 1
n t
t aˆ t 0 , 0 1
Donde nt es el peso dado para el t-ésimo residuo. En este caso, se da más peso a las
observaciones más recientes. Tomando la primera derivada de la expresión con respecto a ât
e igualando a 0 se obtiene:
n
et n
t 1
2 nt X t aˆ t 0
aˆ t t 1
Lo cual produce:
1 n n t
n
aˆ t Xˆ t Xt (3.77)
1 t 1
- 40 -
Modelos Matemáticos de Producción
1
Xˆ t n1 X 1 n2 X 2 X n1 X n
1 n
1 1
Xˆ t Xn n1 X 1 n2 X 2 X n1
1 n
1 n
n 1 1 n
1 n 1
Multiplicando cada lado de la ecuación por se obtiene:
Xˆ X X X X
1 1 1 2n
1 n 1
3n
1 1 1
(3.78)
ˆ
Note que el segundo término sobre el lado derecho de la ecuación (3.78) es X por lo
t 1
consiguiente.
1 1 n 1 ˆ
Xˆ t X X t 1
1 n 1 n
t
ˆ
demanda X ˆ
durante el periodo previo. El valor inicial X puede ser estimado utilizando
t 1 t 1
ˆ
1. Cuando los datos pasados son disponibles, X t 1
= La suma de los n datos más
- 41 -
Modelos Matemáticos de Producción
At Dt (1 ) At 1
Donde:
Lo anterior indica que si se quiere que el promedio responda en un alto grado a la demanda
reciente entonces se le debe asignar un valor alto al factor , y si por lo contrario se desea
que responda con lentitud entonces se le debe asignar un valor bajo al factor , de tal manera
que responda en función al promedio anterior.
Ft 1 At
Donde:
Ft 1 Dt 1 Ft
Otra forma de expresar la igualación exponencial es la reacomodación de los términos del lado
derecho, de tal forma que se tiene la relación:
Ft 1 Ft Dt Ft (3.80)
- 42 -
Modelos Matemáticos de Producción
Ejemplo 3.7
Para los datos de la tabla 3.14 encontrar la función de predicción y la demanda para el
siguiente periodo.
Tabla 3.14
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 110 119 132 127 139 134 151 154 162 159 171 174
Solución
Para la estimación de los parámetros del modelo asuma un nivel 0.1 y un nivel de
0.3
La tabulación de los datos se muestra en la tabla (3.15)
Entonces el pronóstico con un factor 0.1 para el siguiente periodo es de 140 unidades y
con un factor de 0.3 es de 162 unidades
- 43 -
Modelos Matemáticos de Producción
Cuando la serie de tiempo contiene una tendencia, el método de suavización exponencial doble
puede ser utilizado para obtener el pronóstico.
La ecuación (3.81) representa el proceso de generación de datos para una serie con tendencia.
Yt at bt t ∈t (3.81)
Donde at y bt son los parámetros del proceso y t es la error por variación aleatoria con
valor esperado igual a 0 y varianza t2
Tomando como base el proceso de generación del modelo de regresión lineal simple de la
forma como se muestra en la ecuación (3.82)
Xˆ t X t 1 X t 1 1 X t 2 1 X 1 1 Xˆ 0
2 t 1 t
(3.82)
ˆ t X t X t 1 2 X t 2 t 1 X 1 t X
X ˆ 0 (3.83)
t 1
Xˆ t i X t 1 t Xˆ 0
i 0
t 1
E Xˆ t i E X t i t Xˆ 0
i 0
t 1
E Xˆ t i at bt t 1 t Xˆ 0
i 0
E Xˆ t at bt bt
o
ˆ E X b (3.84)
E X t t t
- 44 -
Modelos Matemáticos de Producción
ˆ 2 X
X ˆ X
ˆ 2 (3.85)
t t t 1
2
Donde X̂ t es el valor pronosticado por el método de suavización exponencial doble. De la
ecuación (3.84) se obtiene la ecuación siguiente:
E Xt
ˆ b
ˆ 2 E X
t t
(3.86)
o
bt
E X
ˆ X
t
ˆ 2
t
(3.87)
at E X t 2 E Xˆ t E Xˆ t 2 (3.88)
aˆ t 2 Xˆ t Xˆ t 2 (3.89)
bˆt
ˆ
ˆ 2
Xt X t
(3.90)
Donde at y bt son los valores estimados para el periodo “t”. El pronóstico para el periodo
futuro “t+1” esta dado por la ecuación (3.91)
ˆ t bˆt t
X t 1 a (3.91)
Ejemplo 3.8
Tabla 3.14
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 110 119 132 127 139 134 151 154 162 159 171 174
Solución
La estimación de los datos para aplicar el modelo de suavización exponencial doble se muestra
en la tabla (3.16)
- 45 -
Modelos Matemáticos de Producción
Tabla 3.16 Cálculos de suavización exponencial doble del ejemplo 3.7 0.3
t Xt X t
1 Xˆ t 1 X̂ t X̂ t 1 Xˆ
t 1
2 2
X̂ t at bt
1 110 110.00 110.00
2 119 35.7 77.00 112.70 33.81 77.00 110.81 114.59 0.81
3 132 39.6 78.89 118.49 35.55 77.57 113.18 123.80 2.28
4 127 38.1 82.94 121.04 36.31 79.18 115.49 126.59 2.38
5 139 41.7 84.73 126.43 37.93 80.84 118.77 134.09 3.28
6 134 40.2 88.50 128.70 38.61 83.14 121.75 135.65 2.98
7 151 45.3 90.09 135.39 40.61 85.23 125.84 144.94 4.05
8 154 46.2 94.77 140.97 42.29 88.09 130.38 151.56 4.54
9 162 48.6 98.68 147.28 44.18 91.26 135.44 159.16 5.07
10 159 47.7 103.10 150.80 45.24 94.81 140.05 161.55 4.61
11 171 51.3 105.56 156.86 47.06 98.03 145.09 168.63 5.04
12 174 52.2 109.80 162.00 48.60 101.57 150.17 173.83 5.07
ˆ
X
12 ,15 173.83 5.07 3 189.04 Unidades.
El uso del nivel para encontrar un modelo más representativo se puede obtener iterando
sucesivamente, se sugiere en la práctica un rango de entre 0.01 y 0.3.
- 46 -
Modelos Matemáticos de Producción
Yt a t bt t C t ∈t (3.92)
Yt
at = + ( 1 - ) ( at -1 .t + bt -1 ) (3.93)
Ct - N
Donde:
Yt
Ct = + ( 1 - ) Ct - N (3.94)
at
bt = ( at - at -1 ) + ( 1 - ) bt -1 (3.95)
Ŷt = ( at + bt ) Ct (3.96)
Inclinación: Calcular la inclinación con el promedio de ventas de los datos de los dos primeros
años.
- 47 -
Modelos Matemáticos de Producción
∑Y t
(3.97)
t =1
S1 =
N
2N
∑Y t
(3.98)
t = N +1
S2 =
N
S 2 - S1
b= (3.99)
N
Estacionalidad: Calcular los factores estacionales iniciales con la desviación de los valores
actuales y la función con la inclinación b y el intercepto a .
Yt
Ct = (3.101)
a + bt
∑C t
(3.102)
t =1
=1
N
Ejemplo 3.8
- 48 -
Modelos Matemáticos de Producción
Inclinación
∑Y t
3725
t =1
S1 = = = 310 ,42
N 12
2N
∑Y t
4021
t = N +1
S2 = = = 335.08
N 12
- 49 -
Modelos Matemáticos de Producción
Nivel
N -1 11
a 2N = S 2 + b = 335,08 + 2,055. = 346,38
2 2
Estacionalidad
Yt
Y los factores estacionales como se muestran en la tabla 3.18, según la ecuación Ct =
a + bt
N
Los pronósticos para los tres primeros meses del año tres (3) son los siguientes:
Los parámetros son usualmente actualizados cuando un resultado nuevo es conocido. Por
ejemplo si las ventas reales del primer mes del año tres fueron 350 unidades vendidas en
enero y se le da un peso a cada factor como:
- 50 -
Modelos Matemáticos de Producción
= = = 0 ,3
Entonces los pronósticos para los meses de febrero, marzo y abril serán:
El método Box- Jenkins de promedio móvil autoregresivo puede ser usado para pronósticos a
corto plazo.
El método Box- Jenkins más que una técnica es una metodología de pronóstico que sirve para
gran variedad de situaciones, por complejas que sean.
Etapa 2.1. Se realiza el pronóstico con ese modelo y se evalúan los resultados.
Etapa 3. Se selecciona el modelo indicado cuando la evaluación del pronóstico del paso
2.2 es satisfactorio.
1
ARMA “Autoregressive Moving Average”
2
“AR” Autoregressive Model
3
“MA” Moving Average Model
- 51 -
Modelos Matemáticos de Producción
Modelo Auto-regresivo
El método autorregresivo de Box Jenkins toma ventaja de la información existente entre las
observaciones correlacionadas para formular un modelo de predicción de valores futuros de la
serie de tiempo basado en las observaciones pasadas. Para ilustrar se pone en considerar el
siguiente ejemplo:
Ejemplo 3.9
Determinar el modelo de regresión Autoregresivo (AR) para los datos de la tabla 3.19
Tabla 3.14
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 224 230 236 225 234 219 231 225 237 219 232 230
Los cálculos para estimar los parámetros del modelo se muestran en la tabla 3.20
- 52 -
Modelos Matemáticos de Producción
x t 1 x t 1 et (3.103)
Donde et es una variable aleatoria independientemente distribuida con media igual a cero y
varianza constante 2 y 1 es una constante cuyo valor es calculado como se muestra más
adelante. El proceso autorregresivo puede ser generalizado para p periodos, AR p de la
siguiente manera:
t 1 x
x t 1 2 x
t 2 p x
t p et (3.104)
ˆt
x ˆ x ˆ ˆ1 x
t t 1 (3.105)
ˆt
x ˆ ˆ1 x
t
ˆ x t 1 ˆ2 x
t 2 ˆ3 x
t 3 ˆ p x
t p (3.106)
Donde ̂ x
En AR 1 el valor de 1 es igual al coeficiente de correlación 1 entre x
t y x
t 1 . A
continuación se presenta el procedimiento de cálculo de AR 1 para el ejemplo 3.9
Solución
cov x t , x t 1 cov x t , x t 1
1 1 , porque var x t var x t 1
var x t var x t 1 var x t
- 53 -
Modelos Matemáticos de Producción
264 ,25
cov x t , x t 1 E x t , x t 1 24 ,02
11
var x t E x t2
407
33 ,92
12
24 ,02
1 0 ,708
33 ,92
x ˆ ˆ1 x
ˆt t 1
La estimación de los ´ s para un modelo autorregresivo de un retrazo mayor que uno puede
ser complejo. Se ilustra el proceso para un modelo AR 2 . Considérese el proceso de
generación de datos
x t 1 x t 1 2 x t 2 et
x t k 1 x
t x t k 2 x
t 1 x t k et x
t 2 x t k
k 1 k 1 2 k 2
Donde:
cov x t , x t k
k
var x t
1 1 2 1 , donde 1 1
y
2 1 1 2
- 54 -
Modelos Matemáticos de Producción
Para el ejemplo:
264 ,25
cov x t , x t 1 E x t , x t 1 24 ,02
11
152 ,5
cov x t , x t 2 E x t , x t 2 15 ,25
10
var x t E x t2
407
33 ,92
12
1 0 ,7082 0 ,708
0 ,7081 2 0 ,45
1 0 ,708 2 0 ,708
1 0 ,708 2 1
Sustituyendo se tiene:
0 ,4987362 0 ,182664
- 55 -
Modelos Matemáticos de Producción
0 ,182664
2 0.3663
0 ,498736
1 0 ,708 1,3663
1 0 ,9673
Tabla 3.21
Periodo 1 2 3 4 5 6 7 8 9 10 11 12
Demanda 224 230 236 225 234 219 231 225 237 219 232 230
- 56 -
Modelos Matemáticos de Producción
xt 1 et 1 2 et 2 3 et 3 n et n et (3.107)
El modelo mixto toma como base el proceso autorregresivo y la estimación de los errores como
se muestra en la ecuación (3.108)
x t 1 x t 1 2 x t 2 3 x t 3 p x t p 1 et 1 2 et 2
(3.108)
3 et 3 q et q et
x t 1 x t 1 1 et 1 et (3.109)
Se puede mostrar que los parámetros del proceso ARMA 1,1 son estimados desde la
autocorrelación de datos de la manera siguiente:
1
1
1
1
1 1
(3.111)
1 2 11
1
2
2 1 1 (3.112)
- 57 -
3.1.5 Estimación de los parámetros de un Modelo de Pronóstico con
componente Cíclico con Programación Lineal
RESUMEN
Los modelos de pronóstico con componente cíclico son poco estudiados, y la estimación de los
parámetros de esta clase de modelos usualmente se realiza con el método de los mínimos
cuadrados. Se propone en este artículo el uso de la programación lineal para la estimación de
parámetros en un modelo de pronóstico con componente cíclico basado en series de Fourier,
usando como criterio la minimización de la suma absoluta del error, posteriormente se realiza
un análisis comparativo de esta técnica y la de mínimos cuadrados usando simulación.
INTRODUCCIÓN
Los pronósticos de la demanda de bienes y/o servicios son vitales como insumo de información
para realizar los procesos de planeación, programación y control de la función de operaciones
en las organizaciones productivas, por esto de su adecuada estimación depende la formulación
de planes que se puedan ajustar más a los hechos reales y que por lo tanto conlleven a que
las empresas sean más productivas y competitivas.
4
Adam E.,Ebert R. Jr. Administración de la producción y las Operaciones. Prentice Hall.
Mexico. 1991
5
Schroeder R. G., Administración de Operaciones, México : Mc GRAW-HILL, Tercera
Edición,1992
6
Sneddon I.N., Fourier Series,The Free Press,Glencoe, III.,1961.
Modelos Matemáticos de Producción
análisis de series de tiempo provienen de la teoría del control automático y del análisis
información también son aplicables para encontrar las relaciones cíclicas en los datos de las
ventas. Los procedimientos matemáticos para determinar las relaciones poli nómicas se
pueden aplicar ciertamente para determinar las tendencias de crecimiento en datos de venta 9
Para realizar el análisis cíclico se tiene un modelo basado en una serie de análisis de Fourier.
El análisis cíclico se usa para obtener los valores aproximados de las características
estacionales.
2. .t 2. .t
Yˆ (t ) a b.t (c d .t ).sen ( f g .t ).cos (3.113)
p1 p2
Donde p1 y p 2 representan los periodos más significativos y se determinan por un análisis
espectral, es posible que se requiera de varios ajustes para eliminar ruido.
7
Bowman E. H., “Production Scheduling by the Transportation Method of Linear Programming”
Operations Research, 3, no. 1, 1956.
8
Walpole R. E., et al. “Probability and Statistics for Engineers and Scientists” . Prentice Hall,
Inc. 1998
9
Bedworth D. D.,Bailey J. E., Integred Production Control Systems, John Wiley & sons, Inc.
1995.
- 59 -
Modelos Matemáticos de Producción
cuadrados. El objetivo es encontrar los valores de los parámetros 10, de una función que
expresión (3.114)
Min e (t ) Y (t ) Yˆ (t )
n n 2
2
(3.114)
t 1 t 1
n
e 2 t n 2. .t 2. .t
t 1
2 Y (t ) a bt (c dt ) sen ( f gt ) cos 0
a
t 1 p
1 p
2
(3.115)
n
e 2 t n 2. .t 2. .t
t 1
2 Y (t ) a bt (c dt ) sen ( f gt ) cos t 0
b t 1 p1 p 2
(3.116)
n
e 2 t n 2. .t 2. .t 2. .t
t 1
2 Y (t ) a bt (c dt ) sen ( f gt ) cos sen 0
c
t 1 p
1 p
2 1 p
(3.117)
n
e 2 t n 2. .t 2. .t 2. .t
t 1
2 Y (t ) a bt (c dt ) sen ( f gt ) cos t. sen 0
d t 1 p1 p 2 p1
(3.118)
10
Johnson, L.A., and Montgomery D.C., Operations Research in Production Planning,
Scheduling and Inventory Control. New York : John Wiley & Sons.,1974.
- 60 -
Modelos Matemáticos de Producción
n
e 2 t n 2. .t 2. .t 2. .t
t 1
2 Y (t ) a bt (c dt ) sen ( f gt ) cos cos 0
f t 1 p1 p 2 p 2
(3.119)
n
e 2 t n 2. .t 2. .t 2. .t
t 1
2 Y (t ) a bt (c dt ) sen ( f gt ) cos t. cos 0
g
t 1 p
1 p
2 p
2
(3.120)
n
2. .t n n
2. .t n
2. .t
S5 t cos S 6 t 2 S 7 t 2 sen S 8 t 2 cos
t 1 p2 t 1 t 1 p1 t 1 p2
n
n
n
2. .t 2. .t
S 9 sen 2 2. .t S10 t sen 2 2. .t S11 sen cos
t 1 p1 t 1 p1 t 1 p1 p2
n
2. .t 2. .t
S12 t sen cos
t 1 p1 p2
n
n
2. .t 2. .t n
2. .t
S13 t 2 sen 2 2. .t S14 t 2
sen . cos S 15 cos 2
t 1 p
1 t 1 p1 p2 t 1 p2
n
2. .t n
2. .t n n
S16 t. cos
t 1
2
p2
S17 t
t 1
2
. cos 2
p2
H 1 Y (t )
t 1
H 2 tY (t )
t 1
n
2. .t
H3 Y (t ) sen
t 1 p1
n
2. .t n
2. .t n
2. .t
H4 Y (t ).t. sen H 5 Y (t ) cos H6 Y (t ).t. cos
t 1 p1 t 1 p2 t 1 p2
Debido a que el modelo es lineal en los parámetros se tiene un modelo de regresión múltiple,
de tal manera que el problema consiste en resolver el siguiente sistema de ecuaciones:
- 61 -
Modelos Matemáticos de Producción
Para el modelo de estimación que se está considerando para el análisis cíclico en particular se
tiene la siguiente formulación:
Variables de decisión:
Dt Desviación de la observación “t” con respecto al valor estimado para ese período, donde
t 1,2 , , n
S t : Desviación positiva de la observación “t”, donde t 1,2 , , n
S t -: Desviación positiva de la observación “t”, donde t 1,2 , , n
a ,b , c , d , f , g : Parámetros de la función de regresión.
Parámetros:
Función de pronóstico:
2t 2t
Yˆt a bt (c dt ) sen ( f gt ) cos (3.121)
p1 p2
Donde:
n
min F Dt 3.122
t 1
Sujeto a :
2. .t 2. .t 2. .t 2. .t
Dt Yt a bt csen dt .sen f cos g .t cos para cada t 1,2 ,.., n
p1 p1 p2 p2
a , b , c , d , f , g , Dt R para cada t 1,2 , , n
- 62 -
Modelos Matemáticos de Producción
Para poder resolver el problema dado que la función objetivo es no lineal entonces se
sustituyen las variables de decisión “Dt” por la suma de dos variables positivas S t+ y St- para
cada t=1,2,..,n de tal manera, que de cada par de variables, una sola variable asuma valor
( donde una represente una desviación por encima y la otra una desviación por debajo del
valor estimado con respecto al valor real ) basado en la relación St+ . St-= 0 para cada
t=1,2,..,n de tal manera, que el modelo transformado se muestra según la expresión (3.123)
F S t S t
n
min 3.123
t 1
Sujeto a :
2. .t 2. .t 2. .t 2. .t
S t S t a bt csen dt .sen f cos g .t cos Yt para cada t 1,2 ,.., n
p1 p1 p2 p2
a , b , c , d , f , g no restringidas
S t , S t 0 para cada t 1,2 , , n
- 63 -
Modelos Matemáticos de Producción
Para comparar las técnicas de estimación del modelo de pronóstico propuesto, se diseño un
proceso experimental de diez replicas de simulación con ruido aleatorio en hoja electrónica en
donde se obtuvieron los resultados que se muestran en la tabla (3.23)
Ejemplo 3.10
Tabla 3.23
1 2 3 4
t Yt Yt Yt Yt Yt 5 Yt 6 Yt 7 Yt 8 Yt 9 Yt 10
1 114.02 124.26 113.78 120.67 105.71 116.33 115.57 118.27 114.37 130.12
2 124.31 137.74 131.42 134.83 115.42 127.83 125.27 130.52 117.95 118.55
3 122.28 115.77 106.80 125.40 119.77 128.96 129.01 120.97 126.93 129.81
4 123.25 104.61 128.67 121.49 131.82 112.69 124.54 139.32 114.65 133.14
5 119.07 113.70 109.71 122.89 118.35 118.58 126.25 105.87 103.40 108.16
6 109.42 122.72 129.31 112.11 110.17 119.30 101.57 100.58 125.76 112.47
7 116.85 118.90 115.96 108.05 109.00 85.84 97.87 111.40 117.88 107.61
8 130.89 113.13 122.09 113.25 127.08 107.65 122.69 136.52 121.34 93.59
9 99.04 120.20 114.50 134.37 112.69 130.45 118.02 119.55 115.38 144.10
10 141.86 128.68 129.88 131.07 133.29 130.42 113.75 122.53 128.70 115.96
11 133.89 134.12 135.75 156.45 140.76 141.24 131.97 146.35 138.27 121.15
12 153.49 131.04 150.99 163.08 133.11 150.38 148.73 115.81 122.03 156.86
13 145.65 133.76 141.59 138.95 163.46 146.91 133.40 139.76 144.45 130.76
14 147.51 139.68 140.04 148.60 137.50 159.98 144.84 134.97 141.34 141.14
15 142.00 139.24 140.50 126.60 123.64 149.03 151.05 119.25 135.14 136.21
16 149.33 104.57 127.15 121.12 135.51 111.75 121.16 133.34 107.53 131.17
17 120.12 108.92 127.81 112.44 115.14 118.01 124.09 117.92 102.63 120.43
18 110.13 122.93 96.67 110.35 115.98 129.15 134.23 127.56 108.26 108.45
19 97.57 136.37 112.56 120.67 104.23 116.86 110.81 101.77 124.98 116.04
20 98.91 126.56 97.28 129.68 111.30 118.10 124.41 134.02 106.49 121.64
21 115.72 118.26 89.61 117.01 124.97 148.15 121.06 112.92 142.83 123.47
22 124.82 147.73 143.52 150.91 134.09 144.61 127.79 125.95 150.19 133.70
23 165.69 151.32 153.71 148.82 153.16 142.50 155.37 154.84 154.17 162.40
24 178.74 131.18 177.57 160.04 184.09 183.40 155.76 170.85 157.51 165.35
Posteriormente se calcularon los parámetros por el método de los mínimos cuadrados como se
muestra en la tabla (3.24)
- 64 -
Modelos Matemáticos de Producción
Se resolvió el sistema de ecuaciones para cada replica, (se utilizó Derive) dando como
Resultados de los parámetros por el método de los mínimos cuadrados. Tabla 3.25
replica N1 n2 n3 n4 n5 n6 n7 n8 n9 n10
a 119.351 118.428 121.474 124.273 115.701 113.089 112.9 117.60 115.788 114.816
b 0.87743 0.567375 0.54199 0.477764 0.985398 1.40147 1.16883 0.7323250 0.71922900 0.976529
c -5.33799 2.34576 -8.21432 -0.387326 -2.37859 5.93702 8.31001 1.08080 2.61259000 8.747050
d 1.42057 -0.290812 1.40479 0.101317 0.742593 0.1001702 0.170062 0.254290 -0.2715820 -0.08128880
f -3.32553 9.79887 -5.82873 10.5036 -6.52789 9.54 3.94494 1.037870 -2.7028500 4.349980
g 1.70737 -0.009988 1.81855 0.623034 1.75218 0.670934 0.547775 0.840924 1.2771 0.8414290
Así se puede apreciar que los parámetros estimados conforman un intervalo de confianza de
95 % de confianza que contiene el valor real de los parámetros, la función con el promedio de
los parámetros estimados por regresión se puede apreciar en la expresión (3.124)
2. .t 2.
ˆ ( t )
Y 117 .342 0.844834.t ( 1.2715004 0.35501094.t ) sen ( 2.079026 1.00693078.t ) cos
12 12
(3.124)
De otra parte se estimaron los valores de los parámetros por programación lineal, (se utilizó el
método simplex del paquete (QSBWIN) la formulación se muestra en el tabla (3.26) y los
resultados en la tabla (3.27)
- 65 -
Modelos Matemáticos de Producción
Los valores de los parámetros estimados por el método de la mínima distancia calculado con el
modelo de programación lineal se muestran en la tabla (3.28)
b 0,8879 1,1966 0,1549 0,7065 0,9882 1,2899 0,7517 1,0481 0,5826 1,3474
c -3,1402 4,5068 -5,4544 8,018 5,4304 2,7831 3,2459 5,2778 3,2812 19,5048
d 1,1753 -0,0341 1,1204 -0,6453 0,1536 0,5938 0,4986 -0,1064 -0,6061 -0,7528
f -7,1138 8,0614 -14,8438 5,9758 -7,3517 6,0161 0,4108 1,1182 -5,8443 -2,6477
g 1,9134 0,2537 2,5039 0,7754 1,5394 0,8144 0,8955 0,9191 1,3676 1,1306
Replica Promedio desviación Limite inferior limite superior Valor real del
parámetro
A 116,27643 5,11784329 112,420988 120,131872 118
B 0,89538 0,36288322 0,62200798 1,16875202 0,75
C 4,34534 6,68514551 -0,6908029 9,38148295 1
D 0,1397 0,70152371 -0,3887811 0,66818119 0,3
F -1,6219 7,28896842 -7,1129228 3,86912288 2
G 1,2113 0,64566913 0,72489592 1,69770408 1
Es así como la función de pronóstico estimada por programación lineal es la expresión (3.125)
CRITERIO DESCRIPCIÓN
1 Suma de las desviaciones cuadráticas
2 Suma de las desviaciones absolutas
3 Máximo error absoluto
4 Coeficiente de correlación
Parece que al observar la gráfica que la curva de estimación por programación lineal ajusta
mejor que la estimada por el método de mínimos cuadrados, pero la diferencia entre los dos
métodos no es muy significativa.
- 66 -
Modelos Matemáticos de Producción
CONCLUSIONES
Se puede concluir que la programación lineal es utilizable como una técnica de estimación de
parámetros para modelos de pronóstico con componente cíclico desarrollados por regresión
usando el criterio de la minimización de la suma absoluta del error. La técnica es de fácil y
rápida implementación, dadas las herramientas computacionales con que se cuenta en la
actualidad.
La diferencia en el ajuste de los modelos obtenidos por ambas técnicas no es significativa, ya
que el grado de representación del modelo cíclico basado en series de Fourier es muy similar,
para los criterios correspondientes a la suma de desviaciones absolutas, la suma de error
cuadrático, la máxima desviación absoluta y el coeficiente de correlación por esto, para
determinar la superioridad de una técnica sobre la otra se requiere de un proceso experimental
y de un análisis muy completo.
Para el modelo simulado al realizar una proyección más grande se observa que la función de
regresión obtenida por programación lineal parece que ajustara mejor a la luz de los resultados.
Se puede lograr otras formulaciones, si se toman otros criterios de decisión como por ejemplo
buscar la mínima desviación absoluta.
- 67 -
Modelos Matemáticos de Producción
300 4,90 2,95 37,57 72.62 -4,388.43 187.83 4,628.44 0.00 -44.78 0.00 -1,074.83
S1 S6 H1 H2 H3 H4 H5 H6 S2 S3 S4 S7
12.00 144.00 2,282.00 12.00 467.14 12.00 156.00 2,618.00 0.00 -10.39 -249.42
S9 S10 S13 S5 S8 S15 S16 S17 S11 S12 S14
- 68 -
Modelos Matemáticos de Producción
Se calculan las desviaciones para los dos criterios y se determina el máximo error para una de las replicas
- 69 -
Modelos Matemáticos de Producción
Tabla
Decision Solution Unit Cost or Total Reduced Basis Allowable Allowable
3.27
Variable Value Profit c(j) Contribution Cost Status Min. c(j) Max. c(j)
- 70 -
Modelos Matemáticos de Producción
+1S18++1S19++1S20++1S21++1S22++1S23++1S24++1S1-+1S2-+1S3-+1S4-+1S5-+1S6-+1S7-+1S8-+1S9-+1S10-+1S11-
+1S12-+1S13-+1S14-+1S15-+1S16-+1S17-+1S18-+1S19-+1S20-+1S21-+1S22-+1S23-+1S24-
S.A.
1S1+-1S1-+1A+1B+0.5C+0.5D+0.8660254F+0.8660254G=122.4154
1S2+-1S2-+1A+2B+0.8660254C+1.732051D+0.5F+1G=123.1758
1S3+-1S3-+1A+3B+1C+3D+F+G=129.4432
1S4+-1S4-+1A+4B+0.8660254C+3.464102D-0.5F-2G=103.3781
1S5+-1S5-+1A+5B+0.5C+2.5D-0.8660254F-4.330127G=114.8192
1S6+-1S6-+1A+6B+C+D-1F-6G=113.1629
1S7+-1S7-+1A+7B-0.5C-3.5D-0.8660254F-6.062178G=128.1832
1S8+-1S8-+1A+8B-0.8660254C-6.928203D-0.5F-4G=103.6956
1S9+-1S9-+1A+9B-1C-9DF-1.65395E-15G=116.4579
1S10+-1S10-+1A+10B-0.8660254C-8.660254D+0.5F+5G=123.7878
1S11+-1S11-+1A+11B-0.5C-5.5D+0.8660254F+9.526279G=122.2698
1S12+-1S12-+1A+12BC-2.94036E-15D+1F+12G=134.0641
1S13+-1S13-+1A+13B+0.5C+6.5D+0.8660254F+11.25833G=139.6453
1S14+-1S14-+1A+14B+0.8660254C+12.12436D+0.5F+7G=155.5491
1S15+-1S15-+1A+15B+1C+15D+1.19447E-15F+1.7917E-14G=132.1592
1S16+-1S16-+1A+16B+0.8660254C+13.85641D-0.5F-8G=129.9837
1S17+-1S17-+1A+17B+0.5C+8.5D-0.8660254F-14.72243G=109.9085
1S18+-1S18-+1A+18B+C+6.6158E-15D-1F-18G=108.7145
1S19+-1S19-+1A+19B-0.5C-9.5D-0.8660254F-16.45448G=94.67673
1S20+-1S20-+1A+20B-0.8660254C-17.32051D-0.5F-10G=97.48125
1S21+-1S21-+1A+21B-1C-21DF-9.00484E-15G=124.9436
1S22+-1S22-+1A+22B-0.8660254C-19.05256D+0.5F+11G=131.9368
1S23+-1S23-+1A+23B-0.5C-11.5D+0.8660254F+19.91858G=132.4099
1S24+-1S24-+1A+24BC-1.17614E-14D+1F+24G=165.8046
A, B, C, D, F, G NO RESTRINGIDAS
- 71 -
Modelos Matemáticos de Producción
1 2 3 4 5
PL RL PL RL PL RL PL RL PL RL
Suma de las
desviaciones 138.7935 145.2364 176.0074 177.6490 167.9707 177.891 137.7752 152.4716 151.4319 159.0090
absolutas
Máxima
desviación 20.13540 20.76533 25.57538 16.11963 22.04982 21.95714 21.85155 15.55206 25.31936 17.22634
absoluta
Correlación 0.918453 0.922049 0.639535 0.694463 0.866657 0.887089 0.846160 0.880026 0.891817 0.904897
Suma del
cuadrado del 1595.648 1525.712 2743.661 1917.938 2409.593 1999.884 1846.500 1422.850 2227.585 1514.071
error
6 7 8 9 10
PL RL PL RL PL RL PL RL PL RL
Suma de las
desviaciones 182.4198 196.2899 156.3368 167.2016 225.5528 235.5754 153.2246 162.2511 161.3119 178.6459
absolutas
Máxima
desviación 27.9976 21.4105 18.2389 14.0964 23.3310 21.7070 18.6076 15.0137 36.1802 27.9413
absoluta
Correlación 0.8420 0.8604 0.8131 0.8415 0.6788 0.6900 0.8420 0.8625 0.7907 0.8248
Suma del
cuadrado del 2973.692 2494.494 1826.411 1569.353 3527.263 3311.525 1780.532 1564.900 2746.554 2285.712
error
- 72 -
Modelos Matemáticos de Producción
250,00000
200,00000
150,00000
DEMANDA
Yt
PL
RL
100,00000
50,00000
0,00000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
TIEMPO
- 73 -
Modelos Matemáticos de Producción
El error de pronóstico para un período “t” se define como la diferencia entre el valor real y el
valor estimada para ese periodo.
La suma de los errores no es valida para medir la efectividad de un modelo de pronóstico,
debido a que existen diferencias positivas y negativas y dicha suma debe tender
aproximadamente a cero (0)
et Y t Yˆ t 0
n n
t 1 t 1
Entonces para medir el error de pronóstico existen varias alternativas que permiten analizar la
desviación del modelo con respecto a la realidad.
Y t Yˆ t (3.126)
MAD t 1
n
2. El error cuadrado medio (Mean Square Error “MSE”)
Y t Yˆ t
n
2
(3.127)
MSE t 1
n
3. El error Porcentual medio Absoluto (Mean Absolute Porcentual “MAP”)
100 Y t Yˆ t
MAP (3.128)
n Y t
Señal de Rastreo
Una señal de rastreo (tracking signal, TS) es una herramienta de control que permite evaluar
que tanto se esta manteniendo los cambios de la demanda. La señal de rastreo se calcula
mediante la suma aritmética de las desviaciones de las proyecciones dividida entre la
desviación media absoluta, como se muestra en la expresión (3.129).
RSFE
TS (3.129)
MAD
Donde:
- 74 -
Modelos Matemáticos de Producción
RSFE (“Running Sum Forecast Errors”) es la suma continua de los errores de proyección,
considerando el signo del error de la observación y el signo del valor acumulado, es decir los
valores negativos disminuye el valor acumulado positivo y viceversa una desviación acumulada
negativa disminuye su magnitud con la adición de una cantidad positiva.
En la tabla 3.13, se mostró los cálculos para pronosticar la demanda de un producto con un
promedio móvil de tres periodos, también se mostró el error del pronóstico, la demanda real y la
pronosticada.
Tabla 3.31.
Cálculos de la Desviación media absoluta (MAD) y la señal de rastreo (TS) del Ejemplo 3.6
Los límites aceptables de la señal de rastreo dependen del tamaño de la demanda que se está
proyectando
- 75 -
Modelos Matemáticos de Producción
TS
11.002-
1.053-
1.654-
0.3550.156
5 -0.657-
2.348-
4 2.469-
0.83101.25
3 112.70122.
13130.8114
2 -1.8415-
1.5016-
1 0.57170.95
0
3MAD
-1
-2
-3
-4
t
1 2 3 4 5 6 7 8 10 12 14 16 18
El punto hasta el cual una ecuación se ajusta a una tendencia se valora por medio del error
estándar de la estimación S y . Esta medida de la dispersión de los datos reales alrededor de
la línea de los puntos pronosticados se calcula como:
Y t Yˆ t
2
(3.130)
Sy
v
En donde:
- 76 -
Modelos Matemáticos de Producción
mejor será la apreciación. Cuando el número es alrededor de 30, se supone que se tiene una
estimación normal distribuida. Bajo esta suposición se espera que el 95% de las observaciones
caigan entre más o menos dos errores estándar de la media, Yˆ t 2 S y .Con un número
menor a los 30 puntos por lo general se utiliza la distribución t , de Student es más apropiada
para representar los datos. Esta suposición amplía la banda que contiene el 95% de las
observaciones. Por ejemplo si se tiene una predicción de línea recta con 15 observaciones,
entonces se emplearía 13 grados de libertad en el cálculo de S y , a partir de la tabla t de
Student, se encuentra que la banda del 95% es Yˆ t 2.1604 S unidades de amplitud.
y
32
12 Y2
Y t a bt
02 Y1 32
Y0
12
02
t0 t1 t2
t
Figura 3.28
- 77 -
Modelos Matemáticos de Producción
Ejemplo 3.11
Para ilustrar los gráficos de control de un modelo de pronóstico considérese el ejemplo que se
muestra en la tabla 3.32. Utilizando los modelos constante y lineal como se muestra a
continuación
Modelo constante
Y ( t )
Yˆ t a t 1
564.1
n
t Y t Ŷ t Y t Yˆ t Y t Yˆ t 2
Y t Yˆ t
n 2
1908.9
Sy t 1
14.564
n1 9
Modelo lineal
Yˆ t 537.933 4.7575 t
t Y t Ŷ t Y t Yˆ t Y t Yˆ t 2
- 78 -
Modelos Matemáticos de Producción
Y t Yˆ t
n 2
41.55
Sy t 1
2.279
n 1 8
Nótese que los grados de libertad para el pronóstico del modelo constante son de 10-1=9,
mientras que para el modelo lineal inclinado los grados de libertad son de 10-2=8 grados de
libertad. La diferencia se explica por el número de parámetros que utiliza cada modelo, la
constante del término independiente no aparece en la línea horizontal.
Se observa que la línea inclinada se ajusta mejor a los datos del ejemplo que el modelo
constante, de igual manera para otro problema podría ajustar mejor otro modelo.
Se ilustran dos diagramas en las figuras 3.29 y 3.30, ambos están elaborados en función de
nivel para incluir el 95% de los datos.
El alcance descriptivo de un determinado porcentaje de los datos es una función del tipo de
distribución y su desviación estándar, se ha calculado la estimación de la desviación estándar,
S y y de ha supuesto que la distribución t de Student es la distribución apropiada debido a la
cantidad limitada de datos. Las escalas respectivas a partir de la tabla de valores de la
distribución t de Student son:
Los límites de control estadístico basados en los cálculos del error estándar pueden emplearse
en diferentes formatos del diagrama de control.
En la figura 3.29 las observaciones reales están marcadas tal como suceden. Si la línea
ajustada no es horizontal (inclinada o en forma de curva), los límites de control se establecen
paralelamente a la pendiente o a la curva. Otra versión es la que aparece en el figura 3.30 en
ella se muestra las desviaciones acumulativas Y t Yˆ t de los valores reales con respecto
a los valores predichos.
Correlación
Un examen de correlación examina el grado de relación que existe entre las variables, la
determinación del error es el primer paso para medir la correlación entre los datos.
- 79 -
Modelos Matemáticos de Producción
La correlación simple expresa la relación entre dos variables, la correlación múltiple mide la
relación entre más de dos variables.
Y t Y t
2
r 1 t 1
(3.131)
Y t Y
n
2
t 1
El valor bajo el radical nunca puede ser mayor que 1 ni menor que cero. Sin embargo, debido a
que el radical tiene raíces positivas y negativas el valor de r está entre -1 y 1. El signo más o
menos indica solamente la dirección de la pendiente de la línea de regresión, cuando r =1,
todos los puntos recaen sobre la línea de regresión con pendiente positiva. Cuando r esta entre
+1 y 0, la línea de regresión aún tiene pendiente positiva, pero los puntos caen sobre cualquier
lado de la línea. Mientras más se aproximen alrededor de la línea, r acerca más a 1.
Cuando se posee gran cantidad de datos, r se puede calcular según la expresión (3.132)
n n n
n tY t t Y t
r t 1
2
t 1 t 1
2 (3.132)
n
n n
n t t
2
nY t Y t
2
t 1 t 1 t 1
- 80 -
Modelos Matemáticos de Producción
Y t
600 15402545355445
59556365687573
595 8577958010582
Y t 2.2622 S y 597 , 04
590
585
580
575
570
564.1
560
555
550
545
540
Y t 2.2622 S y 531 ,15
t
1 2 3 4 5 6 7 8 9 10 11
- 81 -
Modelos Matemáticos de Producción
Y t Yˆ t
5. 0 2.3060 Sy
4. 0
2. 0
1. 0
5 ,1.279 6 ,1.522 8 ,1.007
0. 0
6 ,1.522
-1. 0
-2. 0
-5. 0 2.3060 Sy
t
1 2 3 4 5 6 7 8 9 10 11
Figura 3.30
- 82 -
Modelos Matemáticos de Producción
REFERENCIAS
[1] Adam E.,Ebert R. Jr. Administración de la producción y las Operaciones. Prentice Hall.
Mexico. 1991
[2] Schroeder R. G., Administración de Operaciones, México : Mc GRAW-HILL, Tercera
Edición,1992
[3] Sneddon I.N., Fourier Series,The Free Press,Glencoe, III.,1961.
[4] Bowman E. H., “Production Scheduling by the Transportation Method of Linear
Programming” Operations Research, 3, no. 1, 1956.
[5 Walpole R. E., et al. “Probability and Statistics for Engineers and Scientists” . Prentice Hall,
Inc. 1998
[6] Bedworth D. D.,Bailey J. E., Integred Production Control Systems, John Wiley & sons, Inc.
1995.
[7] Buffa E., and Miller J. G., Production Inventory Systems : Planning and Control.
Homewood, IL : Richard d. Irwin, 1979.
[8] Johnson, L.A., and Montgomery D.C., Operations Research in Production Planning,
Scheduling and Inventory Control. New York : John Wiley & Sons.,1974.
[9] Silver E., Decision Sistems for Inventory Management and Production Planning. New York :
John Wiley & Sons. Second Edition, 1985
[10] Rios Insua S., et al. Programación lineal y aplicaciones. Editorial RA-MA, Madrid
España, 1998
- 83 -