METODOS CUANTITATIVOS

Jackelyne Villagrán Magallanes

Gestión de la Producción l
Oscar H. Monjarás Enríquez

24 marzo 2020
 MÉTODOS CUANTITATIVOS

Los modelos cuantitativos de pronósticos son

modelos matemáticos que se basan en datos
históricos. Estos modelos suponen que los
datos históricos son relevantes en el futuro.
Casi siempre puede obtenerse información
pertinente al respecto. Aquí, analizaremos
varios modelos cuantitativos, la precisión del
pronóstico, pronósticos a largo plazo y pronósticos a corto plazo.
Todos los pronósticos de serie de tiempo parten, básicamente, de un supuesto común:
que la demanda pasada sigue cierto patrón, y que si este patrón puede ser analizado
podrá utilizarse para desarrollar proyecciones para la demanda futura, suponiendo que
el patrón continúa aproximadamente de la misma forma. Casi todos los modelos de
pronósticos de serie de tiempo intentan capturar de manera matemática los patrones
subyacentes de la demanda pasada.

 Pronósticos de demanda
Es una estimación futura del nivel de demanda esperado, puede determinarse según
los requerimientos en pesos, unidades, toneladas, etc. Todas las organizaciones
públicas o privadas, comerciales o industriales, pequeñas o grandes, nacionales o
extranjeras operan en un medio ambiente general y específico de incertidumbre, y a
pesar de ello, deben tomar decisiones operacionales que afectan su futuro.

 Utilidad de los pronósticos

Sirve para decidir si la demanda es suficiente para justificar la entrada a un mercado.
Es útil al determinar las necesidades a largo plazo de la capacidad para el diseño de
instalaciones productivas. Permite determinar las fluctuaciones a corto plazo en la
demanda para la planeación de la producción, la programación de la fuerza de trabajo,
la planeación de la adquisición de materias primas y materiales y otras necesidades
similares.

Promedios móviles:
Modelos de pronósticos del tipo de series de tiempo a corto plazo que pronostica las
ventas para el siguiente periodo. En este modelo, el pronóstico aritmético de las ventas
reales para un determinado número de los periodos pasados más recientes es el
pronostico para el siguiente periodo.
Promedios móviles simples.
Como su nombre lo indica, nada más que el promedio matemático de los últimos
periodos recientes de la demanda real. La ecuación general para obtenerlos tiene la
siguiente forma:
Ft = At−n + At−(n+1) + ⋯ + At−1 n
Donde:
F es el pronóstico.
t es el periodo de tiempo actual, lo que significa que
Ft es el pronóstico para el periodo de tiempo actual.
At es la demanda real en el periodo t, y
n es el numero de periodos que se utiliza.
Los promedios móviles simples por lo general no deben utilizarse para pronosticar la
demanda, cuando la información claramente sigue algún tipo de tendencia o patrón
cíclico regular.
El término móvil indica que conforme se tiene disponible una nueva observación de la
serie de tiempo, se reemplaza la observación más antigua de la ecuación y se calcula
un nuevo promedio. Como resultado, el promedio cambiará; es decir, se moverá, al ir
quedando disponibles nuevas observaciones.
Un promedio móvil simple resultará siempre menor que los datos en aumento y mayor
que los datos en disminución.
Por lo tanto, si aparecen amplias elevaciones o caídas, los promedios móviles simples
no se desempeñarán bien. Se ajustan mejor a datos con pequeñas variaciones, dando
alguna estabilidad frente a perturbaciones aleatorias
Promedio móvil ponderado:
Son básicamente lo mismo que los promedios móviles simples, aunque con una
excepción importante. Con los promedios móviles ponderados el peso asignado a cada
punto de demanda pasado que se utilice en el cálculo puede variar. De esta forma es
posible asignar mayor influencia a ciertos puntos de información, por lo general al punto
de demanda más reciente. Por lo que el criterio que supone que los datos más
recientes contienen mayor información y por lo tanto, son más importantes que los
datos más antiguos, puede ponerse en práctica con un promedio móvil ponderado.
Suavización exponencial:
El método de suavización exponencial es un método de promedio móvil ponderado
muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las
demandas recientes mayor ponderación que a las demandas anteriores.
Es el método de pronóstico formal que se usa más a menudo, por su simplicidad y por
la reducida cantidad de datos que requiere. A diferencia del método de promedio móvil
ponderado, que requiere n periodos de demanda pretérita y n ponderaciones, la
suavización exponencial requiere solamente tres tipos de datos: el pronóstico del último
periodo, la demanda de ese periodo y un parámetro suavizador, alfaa, cuyo valor
fluctúa entre 0 y 1.0. Para elaborar un pronóstico con suavización exponencial, será
suficiente que se calcule un promedio ponderado de la demanda más reciente y el
pronóstico calculado para el último periodo
. En la suavización exponencial se asignan pesos a los datos pasados tal que los pesos
disminuyen al hacerse los datos más antiguos, esto es que en un proceso cambiante,
esto es que los datos recientes son más validos que los datos antiguos.
Este método solo necesita el pronóstico más reciente, una constante de suavización
(es un valor arbitrario entre 0 y 1) y el último dato real, y así se elimina la necesidad de
almacenar grandes cantidades de datos pasados.
La suavización exponencial requiere un valor de inicio. Si se tienen datos disponibles
se puede emplear un promedio sencillo para iniciar el proceso; si los datos no son
seguros se puede hacer una predicción subjetiva.
La formula a emplear es la siguiente:
Donde: ST=Pronostico ponderado o suavizado para un periodo futuro. alfa=Constante
de suavización (1> ? > 0) XT =Dato real de] periodo T ST-l= Pronostico del periodo T
Suavización exponencial con tenencia.
El modelo de suavización exponencial arriba descrito, pero modificado para tomar en
consideración datos con un patrón de tendencia. Estos patrones pueden estar
presentes en datos a mediano plazo. También se conoce como suavización
exponencial doble, ya que se suavizan tanto la estimación del promedio como la
estimación de la tendencia utilizando dos constantes de suavización.
Enfoque Simple
Asume que la demanda del siguiente periodo es justamente igual a la demanda en el
periodo más reciente. Algunas empresas emplean este método porque es el modelo de
pronósticos más eficiente en costo y más objetivo ya que ofrece por lo menos un punto
de partida.
Supone que la demanda en el próximo periodo será igual a la demanda del periodo
más reciente. Es la mejor predicción para los precios de insumos, acciones, etc. que
cotizan. Porque si el mercado realmente creyera que en un tiempo valdrá más,
compraría tanto hoy que haría llevar el precio a ese valor esperado. 
Relaciones Causales.
Las relaciones causales son los análisis de regresión y correlación que permiten
determinar tanto la naturaleza como la fuerza de una relación entre dos variables. En el
análisis de regresión se desarrollará una ecuación de estimación, a través de una
fórmula matemática que relaciona las variables conocidas con la variable desconocida.
La variable conocida. - variable independiente X La variable que tratamos de predecir
se llama variable dependiente Y

Regresión simple.
La regresión, conocida en ocasiones como “línea de mejor ajuste”, es una técnica
estadística para intentar ajustar una línea a partir de un conjunto de puntos mediante el
uso del mínimo error cuadrado total entre los puntos reales y los puntos sobre la línea.
Modelo que utiliza el método de los mínimos cuadrados para identificar la relación entre
una variable dependiente y una o más variables independientes, presentes en un
conjunto de observaciones históricas. En la regresión simple, solo hay una variable
independiente; en la regresión múltiple, hay más de una variable independiente, en por
ejemplo, un pronóstico de ventas, son las ventas. Una modelo de regresión no
necesariamente tiene que estar basado en una serie de tiempo, pues en estos casos el
conocimiento de los valores futuros de la variable independiente (llamada también
variable causal) se utiliza para predecir valores futuros de la variable dependiente. Por
lo general, la regresión lineal se utiliza en pronósticos a largo plazo.
Una de las bondades de la regresión es que permite determinar ecuaciones de línea de
tendencia. El primer paso para determinar si existe una relación entre dos variables es
examinar la gráfica de datos observados. A esta gráfica se le llama diagrama de
dispersión. Un diagrama de dispersión se puede identificar visualmente patrones que
indique si las variables están relacionadas.
Regresión múltiple.
La principal ventaja de la regresión múltiple es que nos permite utilizar más
información disponible para estimar la variable dependiente. En algunas ocasiones la
correlación entre dos variables puede resultar insuficiente para determinar una
ecuación de estimación confiable; sin embargo, si agregamos los datos de más
variables independientes, podemos determinar una ecuación de estimación que
describa la relación con mayor precisión.
FUENTES DE CONSULTA
http://gc.scalahed.com/syllabus/cloud/visor.php?
container=L1MK107_1077_646_31790_0&object=Metodos_cuantitativos.pdf
http://cursos.aiu.edu/ADMINISTRACIaN%20DE%20OPERACIONES/Sesi%C3%B3n%204/PDF/Administraci
%C3%B3n%20de%20Operaciones%20Sesi%C3%B3n%204.pdf

https://slideplayer.es/slide/13210523/

file:///C:/Users/evely/Downloads/ADMINISTRACI%C3%93N%20DE%20LA%20DEMANDA.docx%201.pdf

https://sites.google.com/site/aolucina/unidad-2-unidad-2-pronostico-de-la-demanda

Chase Richard, Jacobs Robert, Aquilano Nicholas (2009) ADMINISTRACIÓN DE

OPERACIONES: Producción y cadena de suministros
[ CITATION Luc1 \l 2058 ]

[ CITATION Oje11 \l 2058 ]

[ CITATION Cha09 \l 2058 ]

[ CITATION Ste07 \l 2058 ]

Bibliography
• Chase Richard. (2009). ADMINISTRACIÓN DE OPERACIONES: Producción y cadena de suministros.
México, D.F: McGraw Hill.

Carmo, L. (n.d.). a.o.lucina. Retrieved from https://sites.google.com/site/aolucina/.

Carmo, L. (n.d.). a.o.lucina. Retrieved from google site: https://sites.google.com/site/aolucina/

Nahmias, S. (2007). Anñalisis de la producción y las operaciónes. México DF: McGraw Hill.

Ojeda, I. E. (2011). APUNTES DE LA ASIGNATURA DE:. La Paz, Estado de México: TES OEM.

[ CITATION Lee07 \l 2058 ]

[ CITATION Dan02 \l 2058 ]

[ CITATION Dav17 \l 2058 ]

Bibliography
• Chase Richard. (2009). ADMINISTRACIÓN DE OPERACIONES: Producción y cadena de suministros.
México, D.F: McGraw Hill.

Carmo, L. (n.d.). a.o.lucina. Retrieved from https://sites.google.com/site/aolucina/.

Carmo, L. (n.d.). a.o.lucina. Retrieved from google site: https://sites.google.com/site/aolucina/

Figueroa, D. S. (2002). Métodos cuantitativos para toma de decisiones. Barcelona: EDICIONES GESTION
2000.

Krajewski, L. (2007). Administración de operaciones. México: Pearson Education, inc.

Muñoz, D. F. (2017). Administración de operaciones. México: Alfaomega.

Nahmias, S. (2007). Anñalisis de la producción y las operaciónes. México DF: McGraw Hill.

Ojeda, I. E. (2011). APUNTES DE LA ASIGNATURA DE:. La Paz, Estado de México: TES OEM.

LINSTONE H.A., TURROF, M., Método Delphi, técnicas y aplicaciones, Addison Wesley publishing, 1975.