Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PRONOSTICOS
aracter!scas "enerales#
$ %e posee poca inormación.
$ E&iste alta incerdumbre.
$ %e ene escasa capacidad de proceso.
$ 'ori(onte de mediano o lar"o pla(o.
(. Ident)*u
Ident)*ue e % desr"+!
desr"+! +re
+re$eme
$emen#e
n#e los dos en,o*u
en,o*ues es -ener
-ener!les
!les del pronóst
pronósto.
o.
'ayy dos en
'a eno)u
o)ueses "e
"ener
nerale
aless al prono
pronos
sca
carr ta
tall como
como e&e&is
iste
ten
n dos manmanereras
as de
abordar todos los modelos de decisiones.
El an*lisis cuantavo.
El eno)ue cualitavo.
Los pronóscos cuantavos uli(an una variedad de modelos matem*cos )ue se
apoyan en datos históricos o en variables causales para pronoscar la demanda.
Los pronós
pronóscos
cos cualita
cualitavos
vos o subjevos
subjevos incorpor
incorporan an a)uellos
a)uellos actor
actores
es como la
intuición, las emociones, las e&periencias personales y el sistema de valores de
)uien toma la decisión pata lle"ar al pronósco. Las empresas empican uno u otro
eno
eno)ue
)ue,, per
peroo en la pr*c
pr*cca
ca,, la combi
combinac
nación
ión de ambambos
os es cacasi
si siempr
siempree m*s
eecva.
. Id
Iden
ent)
t)*u
*ue
e los
los #r
#res
es /o
/or"
r"0o
0on#
n#es
es de temp
tempo
o p!r
p!r! pr
pron
onós
óst
tos
os.. Es#!
Es#!+l
+le0
e0!
! un!
un!
dur!"ón
Los !pro"m!
!pro"m!d!
tes de d!
hori(ontes
hori(on p!r! !d!
empo uno. an en corto,
se idenfc
idenfcan corto, mediano o intermed
intermedio,
io, o lar"o
pla(o. El de corto
corto ene una duración de hasta
hasta un a+o, el de mediano
mediano pla(o va de
meses hasta a+os, y es de lar"o pla(o son de a+os en adelante.
2. 3es
3esr"
r"+!
+! +r
+re$
e$em
emen
en#e
#e los
los p!so
p!soss ne
nee
es!
s!r"
r"os
os p!r!
p!r! des!
des!rr
rrol
oll!
l!rr un s"s#
s"s#em
em!! de
pronóstos.
-eterminar el uso del pronósco.
%eleccionar los aspectos )ue se re)uieren pronoscar.
-eterminar el hori(onte de empo del pronósco.
%eleccionar los modelos de pronósc
pronósco.o.
ecopilar los datos necesarios para elaborar el pronósco.
eali(ar pronósco.
/alidar e implementar los resultados.
4. Un !dm"n"s#
!dm"n"s#r!
r!dor
dor esé
esépt
pto
o pr
pre-u
e-un#
n#!! p!r!
p!r! *ué puede
puede us!rs
us!rsee un pronós
pronóst
too de
med"!no pl!0o5 su-"ér!le #res usos o propós"#os pos"+les.
Un pronósco de mediano pla(o se e&ende de meses a a+os, es 0l para
planear las ventas, la producción, el presupuesto, y el 1ujo de eecvo, as! como
para anali(ar los diversos planes de operaciones. %e consideran cuesones m*s
"lobales. Un método eecvo es el an*lisis de re"resión.
6. Epl
Epl"*
"*ue
ue *ué
*ué #é
#én
n"
"!s
!s de pr
pron
onós
óst
tos
os77 omo
omo pr
prom
omed
ed"o
"oss mó
mó$"
$"le
les7
s7 pr
prom
omed
ed"o
"oss
mó$"les ponder!dos % su!$"0! m"en#o eponen"!l7 no son !prop"!d!s p!r! l!s
ser"es de d!#os *ue presen#!n un! #enden"!.
El suavi(a miento e&ponencial a dierencia
dierencia de los promedios móviles, este
método pronosca otor"ando una ponderación a los datos dependiendo del peso
)ue ten"an dentro del c*lculo del pronósco. Esta ponderación se lleva a cabo
a través de otor"arle
otor"arle un valor a la constante de suavi(ación,
suavi(ación, )ue puede ser
mayor )ue cero y menor )ue uno.
8. ¿9u&l
¿9u&l es l! d",
d",er
eren
en"!
"! +&s
+&s"!
"! en#r
en#re
e pr
prome
omed"o
d"oss mó
mó$"le
$"less pon
ponder
der!do
!doss % su!$"0
su!$"0!!
m"en#o eponen"!l'
El prome
promedio
dio móvil
móviles
es ponder
ponderado
ados#
s# Es
Este
te méto
método
do con
consis
siste
te en asi
asi"na
"narr un a
act
ctor
or de
ponderación disnto para cada dato. 2eneralmente, a la observación o dato m*s
reciente a parr del )ue se )uiere hacer el pronósco, se le asi"na el mayor peso, y
este peso disminuye en los valores de datos m*s an"uos.
. ¿9u&le
¿9u&less son los #res mé#
mé#odo
odoss emp
emple!
le!dos
dos p!r
p!r!! med"r
med"r l! e
e!t
!t#ud
#ud de u!l*u
u!l*u"er
"er
mé#odo de pronóstos' ¿9ómo de#erm"n!r;! us#ed s" es me<or un! re-res"ón de
ser"es de tempo o un su!$"0! m"en#o eponen"!l
eponen"!l p!r! un! !pl"!"ón espe;)!'
Las ventajas
ventajas de uli(ar el método de suavi(a
suavi(a miento por la re"ente
re"ente del cole"io es m*s
e&acto )ue los dem*s, pero la constante es determinado por ella por lo tanto es muy
probable )ue no se lle"
lle"ue
ue a una
una respuesta
respuesta confable, es por ello )ue se recomienda
)ue un consultor, determine el modelo de re"resión )ue se basa en datos históricos
)ue dar!an m*s confabilidad a los resultados.
=. In$est
In$est-ue
-ue % desr
desr"+!
"+! +re$em
+re$emen#e
en#e el mé#odo
mé#odo 3elp/".
3elp/". ¿9ómo
¿9ómo podr
podr;!
;! us!rlo !l-uno
!l-uno
de los <e,es p!r! los *ue us#ed /! #r!+!<!do'
El método
método -elphi
-elphi es )ue aapart
partee de su "rupo
"rupo de e&pe
e&perto
rtoss se ene un p pers
ersonal
onal )ue
ayuda en la toma de decisiones al preparar
preparar,, distribuir,
distribuir, recolectar
recolectar y resumir una
serie de cuesonarios
La técnica )ue seesreali(an
o método -elphi a un "rupo
un proceso de personas,
de "rupo )ue ene cuyos
como juicios
fn un se valora.
pronósco
por consenso. El proceso necesita de un "rupo de e&pertos internos o e&ternos de la
empresa )uienes recaban opiniones por escrito sobre el punto )ue se discute.
El an*lisis asociavo puede considerar muchos actores. :or ejemplo, las ventas de
computadoras personales ;<= se relacionan con el presupuesto para publicidad de
;<
;<=
= lo loss prec
precio
ioss de la comp
compa+a+!a
!a,, lo
loss prec
precio
ioss de la comp
compet
eten
enci
cia,
a, es
estr
trat
ate"
e"ia
iass
promocionales e incluso con la econom!a nacional y los !ndices de desempleo. En este
caso las ventas de computadoras se denominan la variable dependiente y las otras
va
varia
riable
bless se lla
llaman
man va
varia
riable
bless indepe
independi
ndien
ente
tes.
s. El trtraba
abajo
jo del admini
administ
stra
rador
dor es
desarrollar la mejor relación es estad!sca entre las ventas de : y las variables
independientes, El modelo de pronóscos asociavo uantavo m*s com0n es el
an*lisis de re"resión fnal.
El térmi
término
no ser
serie
ie de em
empopo se aplica
aplica por ejempl
ejemplo
o a dadato
toss re
re"is
"istr
trado
adoss en orma
orma
periódica )ue muestran, por ejemplo, las ventas
ventas anuales totales de almacenes, el valor
trimestral total de contratos de construcción otor"ados, el valor trimestral del :;<
se basa es
objevo es bastante estable.
obtener el @l ele"ir
pronósco m*s los valores de la constante de suavi(a miento, el
preciso.
1. Epl"
Epl"*ue
*ue el $!
$!lor
lor *ue tenen los ;nd ;nd"e
"ess es#!
es#!"on
"on!le
!less !l pr
prono
onost!r
st!r.. ¿En *ué
d")eren los p!#rones ;l"os % los p!#rones eses#!"on!les'
#!"on!les'
Los ciclos son como las variaciones estacionales de los datos, pero ocurren cada varios
a+os, no semanas, meses o trimestres. El pronósco de variaciones c!clicas en una
serie de empo es dicil. Esto se debe a )ue los ciclos incluyen una variedad de
actores )ue
Da origen
industria a varias
entera, clases
a una dede
línea proyecciones. Por ejemplo,
productos o bien un pronóstico
a una marca individual.puede
Puedereferirse a una
aplicarse a la
totalidad de un mercado o a un segmento en particular. La estimación puede basarse en
factores generales o en un plan específico de comercialización. Por lo tanto, para que un
pronóstico se entienda y sea til, es importante aclarar e!actamente qu" cosa describe.
18
18.. Epl
Epl"*
"*ue
ue on
on sus
sus prprop
op"!
"!ss p!l!+
p!l!+r!
r!ss u&l
u&l es el s"-n
s"-n")
")!
!do
do del
del oe)
oe)"
"en
en#e
#e de
orr
orrel
el!
!"ó
"ón.
n. An!l
An!l"
"e
e el s"-n
s"-n")
")!
!do
do de un $! $!lo
lorr ne-!
ne-!t$
t$o
o del
del oe)
oe)"
"en
en#e
#e de
orrel!"ón.
El valor del coefciente de correlación interesa determinar si tal valor obtenido muestra
)ue las variables A e 6 est*n relacionadas en realidad o tan solo presentan dicha
relación como consecuencia del a(ar. En otras palabras, nos pre"untamos por la
si"nifcación de dicho coefciente de correlación.
Un coefciente
cierta de correlación
probabilidad, se dice de
)ue es dierente )uecero.
es si"nifcavo si se puede
=*s estrictamente, en afrmar,
términoscon una
estad!scos, pre"untarse por la si"nifcación de un cierto coefciente de correlación no
es otra cosa )ue pre"untarse por la probabilidad de )ue tal coefciente proceda de una
población cuyo valor sea de cero. @ este respecto, como siempre, tendremos dos
hipótesis posibles#
1
1.. ¿9u&
¿9u&ll es l! d",
d",er
eren
en"
"!! en
en#r
#re
e un!
un! $!
$!r"
r"!+
!+le
le depe
depend
nd"e
"en
n#e % un!
un! $!
$!r"
r"!+
!+le
le
"ndepend"en#e'
Variable independiente:
Fenómeno a la que se le va a evaluar su capacidad para influir, incidir o afectar a
otras variables.
Su nombre lo explica de mejor modo en el hecho que de no depende de algo para
estar allí:
Es aquella caracter
característic
ística
a o prop
propiedad
iedad que se supone ser la causa
la causa del fenómeno
estudiado.. En in
estudiado inve
vest
stig
igac
ació
ión
n ex
expe
peri
rime
ment
ntal
al se ll
llam
ama
a as
así,
í, a la vavari
riab
able
le qu
quee el
inve
invest
stig
igad
ador
or ma
mani
nipu
pula
la.. u
uee soson
n ma
mani
nipu
pula
lada
dass ex
expe
peri
rime
ment
ntal
alme
ment
ntee po
porr un
investigador.
Variable dependiente:
!ambios sufridos por los sujetos como consecuencia de la manipulación de la
variable independiente por parte del experimentador. En este caso el nombre lo
dice de manera explícita, va a depender de algo que la hace variar.
"ropiedad o característica que se trata de cambiar mediante la manipulación de la
variable independiente.
#as variables dependientes son las que se miden.
1=. @en"one
@en"one !l-unos e<emp
e<emplos
los de "ndus#r"
"ndus#r"!s
!s !,e#!d
!,e#!d!s
!s por l! es#!"on!
es#!"on!l"d!d.
l"d!d. ¿Por
*ué es#os ne-o"os dese!r;!n no depender de l! es#!"on!l"d!d'
Las a"r!colas son un ejemplo de la variación de clima, los laboratorios de an*lisis, se
ene variación en tanto de empo, donde por la ma+ana se ene el mayor !ndice
de clientes. -e i"ual orma el turismo donde se observa en periodos espec!fcos del
a+o.
Un movo por lo )ue las empresas no desean depender de la estacionalidad es
por)ue le resulta un poco dicil pronoscar su demanda, donde se necesita ajustar
con una recta de tendencia.
tendencia.
4*brica de helados.
4*brica de panetones.
@"encia de trismo.
(1. ¿Qué
¿Qué ourr
ourree on nues#
nues#r!
r! !p!"
!p!"d!d
d!d p!r
p!r!! pr
prono
onost
st!r
!r u!ndo
u!ndo prprono
onost
st!
!mos
mos
per"odos !d! $e0 m&s le<!nos en el ,u#uro'
Los pronóscos a corto pla(o enden a ser m*s precisos )ue los de lar"o pla(o.
Los actores
actores )ue in1uyen
in1uyen en la demandan cambian todos los d!as, por tanto, en
la medida )ue el hori(onte de empo se alar"a, es m*s probable )ue la
precisión del pronósco disminuya.
PRBLE@AS
1.
A?o 5 D F G H I J 5B 55
3em!nd! H J F J 5 I 5D 5 J 55 H
a9 2r
2raf
af)ue
)ue los da
dato
toss an
ante
terio
riore
res.
s. 7Kbser
7Kbserva
va al"una
al"una tende
tendenci
ncia,
a, ciclos
ciclos o va
varia
riacio
ciones
nes
aleatorias
b9 o
ome
men(n(an
ando
do en el a+o y ha
hast
staa el a+o 5D
5D,, pron
pronos
os)
)ue
ue la dema
demand
ndaa usan
usando
do
promedios móviles de a+os. 2raf)ue su pronósco en la misma "r*fca )ue los
datos ori"inales.
JM5MINC5B
5MIM5DNC55
IM5DM5NC 55
5DM5MJNC55.
5MJM55NC55
JM55MHNCJ
c9 omen(
omen(and
andoo en el a+o y hasta
hasta el a+o 5D, pronos
pronos)u
)uee la demand
demandaa usand
usandoo un
promedio móvil de a+os con ponderaciones de .5, . y .G, usando G para el a+o
m*s reciente. 2raf)ue su pronósco en la misma "r*fca.
D J
F
J J8G9MF89MJ859N5B H.I
F 5 58G9MJ89MF859N5B 55
G I I8G9M589MJ859N5B J.G
H 5D 5D
5D8G9MI89M5859N5B 5B.J
I 5 5
58G9M5D89MI859N5B 5D.D
J J J8
J8G9M589M5D859N5B 5B.F
5B 55 55
558G9MJ89M5859N5B 5B.G
55 H H8G9M5589MJ859N5B I.
5D
d9 @l compa
comparar
rar cada
cada pronósco
pronósco con
contra
tra los datos ori"inales, 7cu*l parece
parece proporcionar
proporcionar
mejores resultados
=es /entas
E4enberreoro D
DB
5
=ar(o 5F
@bril 5
=ayo 5
Ounio 5G
Oulio 5H
@"osto 5I
%epembre DB
Kctubre DB
Poviembre D5
-iciembre D
a9 2raf)ue
2raf)ue los da
datos
tos de
de las ventas
ventas m
mensua
ensuales.
les.
%ea el cuadro#
ii
ii99 Un pr
promed
omedio io m
móv
óvil
il p
pon
onde
derrad
ado
o de G m
mes
eses
es emp
emple
lean
ando
do.. 5, B
B.5
.5,, B.5,
B.5, B.D
B.D,,
B.D y B., con las ponderaciones m*s altas a los meses m*s recientes.
El su!$"0!
su!$"0! m"en
m"en#o
#o po#en"!l.
. L!s #emper!#ur!s m&"m!s d"!r"!s en S!"n# Lou"s dur!n#e l! Fltm! sem!n! ,ueron
l!s s"-u"en#es: =7 =27 =7 =47 =67 7 => !%erH.
a9 :ronos)ue
:ronos)ue la ttempera
emperatura
tura m*&ima
m*&ima para
para hoy usando un promedio móvil de d!as.
3;!s #emper!#ur! promed"o mó$"l en d;!s
L J
= J
= J
O JG DIB J.
/ II DI J.
% JB DHH JD.
- DH =1.
b9 :ronos)u
:ronos)uee la te
tempera
mperatura
tura m*&ima
m*&ima para
para hoy usando
usando un promedio
promedio móvil de D d!as.
3;!s #emper!#ur! promed"o mó$"l en ( d;!s (
L J
= J
= J 5IH J.F
O JG 5IH J.F
/ II 5IJ J.F
% JB 5I JD
- 5HI =
c9 alcule
alcule la desviac
desviación
ión absolut
absolutaa media con base
base en un promedi
promedio
o móvil de D d!as.
d!as.
d9 alc
alcule
ule el error
error cuadr*
cuadr*co
co medio
medio para un promed
promedio
io móvil de D d!a
d!as.
s.
3;!s #!emper!#ur pr
prom
omed
d;!s ed"o
"o mó$"
mó$"ll en ( des$"!"ón
med"! !+solu#! error
u!dr&to
L J
= J
= J J.F B.F B.DF
O JG J.F D.F G.DF
/ II J.F G.F D.DF
% JB JD D
- = 11.4 FD.HF
(.84 1.184
e9 alcule
alcule el error
error porcent
porcentual
ual abso
absoluto
luto medio
medio para el pro
promedi
medio
o móvil de D d!as.
3;!s #emper!#ur pr
prom
omed
ed"o
"o mó$"
mó$"ll en ( des$"!"ón !+solu#! error
! d;!s med"! poren#u!l
L J
= J
= J J.F B.F B.FHGBJ
O JG J.F D.F D.GB5GGGGH
/ II J.F G.F H.IGGGG
% JB JD D D.DDDDDDDDD
- = 11.4 5D.HFBIGJ
(.84 .184=68
Pronóstos
Sem!n! @é#odo 1 @é#odo ( 3em!nd! re!l
5 B.JB B.IB B,HB
D 5.BF 5.DB 5.BB
B.JF B.JB 5.BB
5.DB 5.55 5.BB
-onde#
=@-# B.NCB.5B
D
5
B..D
J 5
5 B.D
QB.5
5.55 5 B.55
>.1
-onde#
=@-# B.5NCB.HH
Kbservando los dos métodos de =@- para estos métodos podemos observar )ue de
los métodos el )ue ene menor =@- es el método D por lo tanto es el m*s adecuado.
produ#o:
a9 2raf)ue
2raf)ue concon esto
estoss datos par
paraa saber si una ecuación
ecuación lineal
lineal podr!a describi
describirr la
relación )ue hay entre las apariciones en televisión del "rupo y la venta de
tambores bajos.
b9 Use el mét
método
odo de re"resión
re"resión por m!ni
m!nimos
mos cuadrad
cuadradosos para obtener
obtener una ecuación
ecuación
de pronósco.
c9 7u*l
7u*l ser!a su es
esmac
maciónión de las venta
ventass de tambores
tambores bajos
bajos si los %tone
%tone Rempl
Remplee
:ilots hubiesen aparecido nueve veces en televisión el mes anterior
d9 7u*
7u*les
les son el coefc
coefcient
ientee de correla
correlación
ción 8r9 y el coefcient
coefcientee de determi
determinaci
nación
ón
D
8r 9 para este modelo, y )ué si"nifcan
C G M .&
Tr"mes#re 1 ( 2 4 6 8
/entas de servicios de I 5B 5F J 5D 5 5D 5G
:E 8en miles de dólares9
ontratos frmados 5F 5HD 5H 5HI 5IF 5JJ DBF DDG
8en miles de dólares9
a9 Usando
Usando estos
estos dat
datos,
os, desarrol
desarrolle
le una ecuació
ecuaciónn de re"resió
re"resión
n para predec
predecir
ir el niv
nivel
el de
demanda de los servicios de :E.
b9 -et
-etermi
ermine
ne el coefcie
coefcient
ntee de corr
correlac
elación
ión y el error
error est*nda
est*ndarr de la esmación.
esmación.
PRBLE@AS
5. Las venta
ventass del popular <eetle
<eetle de /ols
/olsVa"
Va"enen 8/W9 han crecido
crecido de manera
manera estable
estable
duran
durante
te los 0lmos
0lmos F a+os
a+os en los esesta
table
blecim
cimien
iento
toss de Pev
Pevada
ada 8v
8vea
ea la ta
tabla
bla
si"uiente9. El "erente de ventas pronoscó en DBBD )ue las ventas de DBB ser!an
de 5B /W. Use suavi(aQmiento e&ponencial con una ponderación a C .B para
desarrollarr los pronóscos de DBB a DBBI.
desarrolla
Rarea de diaposiva#
@ connuación se desarrollar* un ejemplo )ue permir* visuali(ar cómo se determinan
las tresPX
R@<L@ (onas 8@Q<Q9
5# Datos en un inventario
inventario constuido por DB ar>culos#
a obtener del inventario
#olución$
. Para este ejemplo, como tenemos un inventario constituido por %& artículos, cada artículo
representa el '( dentro del total )*&&(+ %& art. '(-
#e debe determinar la participación monetaria de cada artículo en el valor total del inventario.
Para ello se debe construir una tabla )ver tabla %- de acuerdo a lo siguiente$
/olumna
/olum na n0 %$ Lo
Loss po
porce
rcenta
ntaje
jes
s de par
partic
ticipa
ipació
ción
n de cad
cada
a ar
artíc
tículo
ulo en la can
cantid
tidad
ad tot
total
al de
artículos. Para nuestro ejemplo, como tenemos un inventario constituido
constituido por %& artículos, cada
artículo representa el '( dentro del total )*&&(+ %& art. '(-
/olumna n0 3$ 4os muestra el ( que representa cada una de las valorizaciones en el valor total
del inventario.
%. 25ora se deben reordenar las columnas * y 3, tomando las participaciones de cada artículo
en sentido decreciente, lo que dar6 origen a la tabla 3.
2 partir
partir de los datos de la tabla % y la gr6fica se puede
puede observar que
que unos pocos artículos
artículos son
los de mayor valorización. #i solo se controlaran estrictamente los tres primeros, se estaría
controlando apro!imadamente el 9&( del valor del inventario.
#e ve claramente en la gr6fica que el *'( del inventario justifica el 9&( del valor, mientras que
el &( del mismo justifica el :%( de dic5o valor< a su vez, el =&( del inventario justifica el *:(
del valor. #i se tiene en cuenta los costos de mantenimiento y de control de estos ltimos, se
llega a la conclusión que no es necesario controlarlos estrictamente, ya que son de poca
valorización, y que debe mantenerse el mínimo stoc> posible de los mismos.
?bservando las zonas 2 y 8 de la gr6fica que se da a continuación, se puede ver que el 3'(
del inventario justifica alrededor del @&( de su valor y que el ''( del inventario justifica,
apro!imadamente, el *&( del mismo valor
UNIVERSIDAD NACIONAL DE SAN
ANTONIO ABAD DEL CUSCO
FACULT
ACULTAD DE INGENIERÍA
INGENIERÍA DE PROCESOS
PROCESOS
Ingeniería de prod!!i"n
CUSCO'PERU
()*+