Enfoques de Pronósticos

1 2
Pronósticos Pronósticos
Cuantitativos Cualitativos

Utilizan modelos matemáticos

Incorporan factores como la
con datos históricos o variable
intuición ,las emocionan , las
causales para pronosticar la
experiencias personales
demanda

• JuradodeOpiniónejecutiva( Grupo de expertos 0

1
• Método Delphi( Expertos ,personal y entrevistados
2 )

• Composicióndela fuerzadeVentas( vendedores

3 estiman sus ventas)

• Encuestasenelmercadodeconsumo(Aclientes o
4 posibles consumidores)
 Pronósticos Cuantitativos
Modelos de
Series de • Enfoque intuitivo
Tiempo : • Promedios Moviles
• Suavizamiento
Predicen bajo el
supuesto de queel Exponencial
futuro es una • Proyeccion de tendencias
función delpasado

Modelos
Asociativos :
Incorpora variables
o factores que • Regresión Lineal
pueden influir enla
cantidad a
pronosticar
 Descomposición de una Serie
de Tiempos
➢ Tiene cuatro (4 ) componentes:
• Tendencia : Movimientos gradual hacia arribao
1 hacia debajo de los datos en el tiempo

• Estacionalidad : Es un patrón de datos que se

2 repite después de un periodo de días

• Los ciclos : Son patrones detectados en los

3 datos que ocurren cada cierta cantidad de años

• Las variaciones aleatorias : Son señalesgeneradas

en los datos por casualidad o por situaciones
4 inusuales
 Enfoques de Pronóstico
Modelos de Series de Tiempo Modelos de Serie de Tiempo

1 • Técnica de pronósticos
que supone que en el
Enfoque siguiente periodo la
demanda será igual a la
Intuitivo del periodo mas reciente

• Método de pronósticos
2 que utiliza un promedio
de los ‘n’ periodos mas
Promedios recientes de datos para
pronosticar el siguiente
Móviles periodo
 Enfoques de Pronóstico
Modelos de Serie de Tiempo

1. Modelo Intuitivo : Es la forma mas simple de pronosticar , es suponer

que la demanda el periodo siguiente será igual a la demanda el periodo mas
reciente.

Ejemplo: La venta de lavadoras para el mes de abril fue

de 43 unidades , por lo que se puede pronosticar que la
venta para el mes de mayo serán de 43 unidades

2.Promedios Móviles: Usa un numero de datos históricos de valores

reales para generar un pronóstico del siguiente periodo. Los promedios
móviles son útiles si podemos suponer que la demanda del mercado
permanecerá relativamente constante

Formula:
Promedio Móvil = Σ Demanda en los n periodos anteriores
n
Modelo : Promedios Móviles
Enfoques de Pronóstico
Modelos de Serie de Tiempo

Promedio ∑ demanda en los n periodosprevios

Móvil simple n
Ejercicio 4.1
La tabla siguiente da el numero de unidades de sangre tipo B
que el hospital Woodlawn utilizo en las ultimas 6 semanas :
a) Pronostique la demanda para la semana del 12de Octubre usando unpromedio
móvil de 3 semanas
Semana de Unidades Promedio = (374+368+381)
usadas Móvilsimple 3
Agosto 31 360 1,123
Promedio =
Septiembre 7 389 Móvilsimple 3
Septiembre 14 410
Promedio = 374.33
Septiembre 21 381
Móvil simple
Septiembre 28 368
Octubre 5 374
Modelo : Promedios Móviles
Enfoques de Pronóstico
Modelos de Serie de Tiempo

Promedio ∑ demanda en los n periodosprevios

Móvil simple n
Ejercicio 4.1
La tabla siguiente da el numero de unidades de sangre tipo B
que el hospital Woodlawn utilizo en las ultimas 6 semanas :
a) Pronostique la demanda para la semana del 12de Octubre usando unpromedio
móvil de 3 semanas
Semana de Unidades Promedio = (374+368+381)
usadas Móvilsimple 3
Agosto 31 360 1,123
Promedio =
Septiembre 7 389 Móvilsimple 3
Septiembre 14 410
Promedio = 374.33
Septiembre 21 381
Móvil simple
Septiembre 28 368
Octubre 5 374
Modelo : Promedios Móviles ponderado Enfoques de Pronóstico
Modelos de Serie de Tiempo

Promedio
∑ ( ponderación periodo n)(demanda periodo n)
Móvil
ponderado ∑ponderaciones

Ejercicio 4.1 La tabla siguiente da el numero de unidades de sangre tipo B que el

hospital Woodlawn utilizo en las ultimas 6 semanas :
b) Utilice un promedio móvil ponderado de tres semanas con ponderaciones de 1,3 y 6 .
Usando 6 para la semana mas reciente . Pronostique la demanda para la semana del 12 de
Octubre

Semana de Unidades usadas Ponderación

Agosto 31 360
Septiembre 7 389
Septiembre 14 410
Septiembre 21 381 1
Septiembre 28 368 3
Octubre 5 374 6

Promedio = (6*374)+(3*368)(1*381)
Móvil ponderado (6+3+1)
Promedio = 3,729 = 372.9
Móvil ponderado 10
Modelo : Suavizamiento Exponencial Enfoques de Pronóstico
Modelos de Serie de Tiempo

• Técnica de pronósticos
3 de promedio móviles
ponderados donde los
Suavizamiento datos se ponderan
Exponencial mediante una función
exponencial

Nuevo pronóstico =
Pronóstico del periodo anterior + α(Demandareal del mes
anterior – Pronóstico del periodo anterior )

Ft =Ft-1 + α(At-1- Ft-1)

Ft = Nuevo pronóstico
Ft-1 = Pronóstico periodo anterior
α= Constante de suavizamiento o ponderación ( entre 0 y 1 )
At-1= Demanda real en el periodo anterior
Modelo : Suavizamiento Exponencial Enfoques de Pronóstico
Modelos de Serie deTiempo

Ejemplo 3: En enero , un vendedor predijo que la demanda de febrero seria de

142 Ford Mustang. La demanda de febrero fue de 153 automóviles. Usando la
contantes de suavización exponencial que eligió la administración es de
α =0.20, el vendedor quiere pronosticar la demanda de marzo usando el método
de suavización exponencial
Solución Sustituirlos datos en la fórmula
Datos:
F = F +α (A - F )
t t-1 t-1 t-1
Ft =Nuevopronóstico
Ft-1 =142 F = 142 + 0.20(153-142)
t

α =0.20 F = 142+ 0.20(11)

t

At-1 = 153 F =142 + 2.2

t

F =144.2t

Lademanda de Marzo será de144

Modelo : Suavizamiento Exponencial Enfoques de Pronóstico
Modelos de Serie deTiempo

Ejemplo 3: En enero , un vendedor predijo que la demanda de febrero seria de

142 Ford Mustang. La demanda de febrero fue de 153 automóviles. Usando la
contantes de suavización exponencial que eligió la administración es de
α =0.20, el vendedor quiere pronosticar la demanda de marzo usando el método
de suavización exponencial
Solución Sustituirlos datos en la fórmula
Datos:
F = F +α (A - F )
t t-1 t-1 t-1
Ft =Nuevopronóstico
Ft-1 =142 F = 142 + 0.20(153-142)
t

α =0.20 F = 142+ 0.20(11)

t

At-1 = 153 F =142 + 2.2

t

F =144.2t

Lademanda de Marzo será de144

Modelo : Suavizamiento Exponencial Enfoques de Pronóstico
Modelos de Serie de Tiempo

Ejercicio 4.1
La tabla siguiente da el numero de unidades de sangre tipo B que el
hospital Woodlawn utilizo en las ultimas 6 semanas :

c) Calcule el pronóstico de la semana del 12 de Octubre usando suavizamiento exponencial con

un pronóstico de 360 para el periodo anterior y una constante α =0.2
Semana de Unidades Pronóstico
usadas
Agosto 31 360
Septiembre 7 389
Septiembre 14 410
Septiembre 21 381
Septiembre 28 368
Octubre 5 374 360

Calculo semanaOctubre12:
Ft =Ft-1 + α (At-1-Ft-1)
Ft =360 + 0.2 ( 374-360)
Ft =362.8
Mediciones del Error del Pronóstico
 Durante los últimos 8 trimestres, en el puerto de Baltimore
se han descargado de los barcos grandes cantidades de
Ejemplo4 grano. El administrador de operaciones del puerto quiere
probar el uso de la suavización exponencial para ver qué
Desviación Media tan bien funciona la técnica para predecir el tonelaje
descargado. Supone que el pronóstico de grano descargado
Absoluta(MAD) durante el primer trimestre fue de 175 toneladas. Se
examinan dos valores de α : α = 0.10 y α =0.50.

Toneladas
Trimestre reales de Pronóstico α=0.10 α=0.50
descarga
1 180 175 175
2 168 175.5 175 + 0.10(180-175) 177.5
3 159 174.75 175.50 + 0.10(168-175.50) 172.75
4 175 173.18 174.50 + 0.10(159-174.75) 165.88
5 190 173.36 173.18 + 0.10(175-173.18 170.44
6 205 175.02 173.36 + 0.10(175-173.36 180.22
7 180 178.02 175.02 + 0.10(205-175.02) 192.61
8 182 178.22 178.02 + 0.10(180-178.02) 186.3
 1. Desviación Media Absoluta(MAD)
Para evaluar la exactitud de cada constante de suavización, podemos calcular los errores de
pronóstico en términos de desviaciones absolutas y MAD.

Desviación Desviación
Toneladas reales de Pronóstico Pronóstico
Trimestre Absoluta para Absoluta para
descarga α=0.10 α=0.50
α=0.10 α=0.50
1 180 175 5 175 5
2 168 175.5 7.5 177.5 9.5
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.3 4.3
82.45 98.62

α = 0.10 α = 0.50
82.45 98.62
= = 10.31 = = 12.33
8 8

α=0.10 es preferible a α=0.50 porque su MAD es mas pequeña

 2. Error cuadrático medio El error cuadrático medio (MSE): es una segunda forma de
medir el error global de pronóstico. El MSE es el promedio de los cuadrados de las
diferencias encontradas entre los valores pronosticados y los observados.
Su fórmula es:

TONELAJE REAL PRONÓSTICO

Trimestre (ERROR)2
DESCARGADO PARA α=0.10
1 180 175 (5)²=25
2 168 175.5 (-7.50)²=56.25
3 159 174.75 (-15.75)²=248.06
4 175 173.18 (1.82)²=3.31
5 190 173.36 (16.64)²=276.89
6 205 175.02 (29.98)²=898.80
7 180 178.02 (1.98)²=3.92
8 182 178.22 (3.78)²=14.29
1,526.46

1526.46
= = 190.8
8

EL MSE para α = 0.50 es igual a 195.24. El resultado indica que α = 0.10 es una mejor
elección porque se busca el MSE más bajo.
 3. Error porcentual absoluto medio (MAPE) :El promedio de las diferencias
absolutas encontradas entre los valores pronosticados y los reales, expresado
como un porcentaje de los valores reales.

TONELAJE ERROR PORCENTUAL

PRONÓSTICO
Trimestre REAL ABSOLUTO
PARA α=0.10
DESCARGADO 100(|ERROR|/REAL)
1 180 175 100(5/180)=2.78%
2 168 175.5 100(7.5/168)=4.46%
3 159 174.75 100(15.75/159)=9.90%
4 175 173.18 100(1.82/175)=1.05%
5 190 173.36 100(16.64/190)=8.76%
6 205 175.02 100(29.98/205)=14.62%
7 180 178.02 100(1.98/180)=1.10%
8 182 178.22 100(3.78/182)=2.08%
44.75%

44.75%
= = 5.59%
8
EL MAPE cuando a es igual α= 0.50 es MAPE 5 6.75%. De igual forma que con la MAD y
el MSE, el α= 0.10 es preferible para esta serie de datos
 Enfoques de Pronóstico
Modelo : Proyección de Tendencias Modelos de Serie de Tiempo

• Método que ajusta una

recta de tendencia a
una serie de datos
4.- Modelo de históricos y después
Proyección de proyecta la recta al
Tendencias futuro para obtener
pronósticos(método de
mínimos cuadrados )

1.- Y = a + bx
y= Variable que debe predecirse (variabledependiente)
a= Intersección con en el eje Y
b= Pendiente de la recta
x= variable independiente ( el tiempo )
 Enfoques de Pronóstico
Modelo : Proyección de Tendencias Modelos de Serie de Tiempo

Para encontrar los valores de a y b para cualquier recta de regresión. La

pendiente b se encuentra mediante:

La intersección con el eje y, a, puede calcularse como sigue:

Modelo : Proyección de Tendencias Enfoques de Pronóstico
Modelos de Serie de Tiempo

Ejemplo
En la tabla siguiente se muestra la demanda de energía eléctrica en N.Y.Edison
durante el periodo 2001 a 2007, en megawatts. La empresa quiere pronosticar
la demanda para 2008 ajustando un recta de tendencia a estos datos

Año Demanda de energía

eléctrica
Y = a + bx
2001 74
2002 79 Paso 1: Identificar los valores de “X” , “Y”
2003 80 Paso 2: Calcular los valores de x² , XY
2004 90
2005 105
2006 142
2007 122
 Modelo : Proyección de Tendencias Enfoques de Pronóstico
Modelos de Serie de Tiempo

Paso 3: Una vez calculados los valores de “X” , “Y”, x² , XY Calculamos la Media de X y la
media de Y
28 692
= 7 =4 =
7
= 98.86

Paso 4: sustituir los valores encontrados en las fórmulas para “a” y “b”

3063−7(4)(98.86) 295
= = 28
= 10.54
140 −7(4)²

= 98.86 – 10.54(4) = 56.70

 Modelo : Proyección de Tendencias Enfoques de Pronóstico
Modelos de Serie de Tiempo

Paso 5: sustituir los valores encontrados de “a” y “b” en la fórmula de proyección de

tendencias
Y = a + bx

Y=56.70+10.54x

Paso 6: sustituir en la fórmula de proyección de tendencias en X el valor correspondiente

para pronosticare el año 2008 ; X=8

y =a+bx
y =56.70+10.54x
y =56.70+10.54(8)
y =141.2o141megawats

Demanda en el 2008 será :

Y = a + bx = 56.70+10.54(8)=141.02 megawatts
 Ejercicio de Clase
4.25 La tabla siguiente presenta los datos del número de accidentes ocurridos en la
carretera estatal 101 de Florida durante los últimos 4 meses.

Pronostique el número de accidentes que ocurrirán en mayo usando Proyección

por mínimos cuadrados para obtener una ecuación de tendencia.
 Modelo : Proyección de Tendencias Enfoques de Pronóstico
Modelos de Serie de Tiempo

MES PERIODO (X) NUMERO DE X² XY

ACCIDENTES (y)
ENERO 1 30 1 30

FEBRERO 2 40 4 80

MARZO 3 60 9 180

ABRIL 4 90 16 360

10 220 30 650
Una vez calculados los valores de “X” , “Y”, x² , XY Calculamos la Media de X y la media de Y

10 220
= =2.5 = = 55
4 4

Paso 4: sustituir los valores encontrados en las fórmulas para “a” y “b”

650−4(2.5)(55) 100
= = 5
= 20
30 −4(2.5)²

= 55 – 20(2.5) = 5
 Modelo : Proyección de Tendencias Enfoques de Pronóstico
Modelos de Serie de Tiempo

Paso 5: sustituir los valores encontrados de “a” y “b” en la fórmula de proyección de

tendencias
Y = a + bx

Y=5+20x

Paso 6: sustituir en la fórmula de proyección de tendencias en X el valor correspondiente

para pronosticare el mes de mayo ; X=5

y =a+bx
y =5 +20x
y=5 + 20(5)
y =105

Demanda en el may0 será :

Y = a + bx = 5+20(5)=105
 VARIACIÓN DE ESTACIONES EN LOS DATOS
Variaciones estacionales : Movimientos regulares ascendentes o descendentes en
una serie de tiempo que están asociados con eventos recurrentes.
A continuación se presentan los pasos que seguiría una compañía que tiene
“estacionalidad” de un mes:
1)Encontrar la demanda 2)Calcular la demanda 3)Calcular un índice
histórica promedio de promedio de todos los estacional
cada estación meses

Dividiendo el Para cada estación

Sumando la demanda
medida en ese mes de
cada año y dividiéndola
entre el número de años
con datos disponibles
dividiendo la demanda
promedio total de la
histórica real de ese mes
demanda anual
(del paso 1) entre la
entre el número de demanda promedio de
estaciones. todos los meses (del
paso 2).

4) Estimar la demanda total anual para el siguiente año.

5) Dividir esta estimación de la demanda total anual entre el número de estaciones, después
multiplicarla por el índice estacional para ese mes. Esto proporciona el pronóstico estacional.
 Ejemplo
4.9 Un distribuidor Des Moines de computadoras portátiles Sony quiere
desarrollar índices mensuales para las ventas. Se dispone de los datos
mensuales de los tres últimos años.

a) Calcule los índices estacionales.

b) Pronostique la demanda mensual por mes para el próximo año Si se
espera que la demanda de computadoras anual para el próximo año sea de
1200 unidades
Demanda
Mes Año 1 Año 2 Año 3
Enero 80 85 105
Febrero 70 85 85
Marzo 80 93 82
Abril 90 95 115
Mayo 113 125 131
Junio 110 115 120
Julio 100 102 113
Agosto 88 102 110
Septiembre 85 90 95
Octubre 77 78 85
Noviembre 75 82 83
Diciembre 82 78 80
 Ejemplo 4.9
Demanda Paso 1
Mes Año 1 Año 2 Año 3 Demanda Promedio Anual
Enero 80 85 105 90
Febrero 70 85 85 80
Marzo 80 93 82 85
Abril 90 95 115 100
Mayo 113 125 131 123
Junio 110 115 120 115
Julio 100 102 113 105
Agosto 88 102 110 100
Septiembre 85 90 95 90
Octubre 77 78 85 80
Noviembre 75 82 83 80
Diciembre 82 78 80 80
1128

Demanda promedio mensual :

1128 = 94
12 meses
 Ejemplo 4.9
Demanda Paso 1 Paso 2
Mes Año 1 Año 2 Año 3 Demanda Promedio Anual Demanda Promedio Mensual
Enero 80 85 105 90 94
Febrero 70 85 85 80 94
Marzo 80 93 82 85 94
Abril 90 95 115 100 94
Mayo 113 125 131 123 94
Junio 110 115 120 115 94
Julio 100 102 113 105 94
Agosto 88 102 110 100 94
Septiembre 85 90 95 90 94
Octubre 77 78 85 80 94
Noviembre 75 82 83 80 94
Diciembre 82 78 80 80 94

Paso 3) Para cada estación dividiendo la demanda histórica real de ese mes (del paso 1)
entre la demanda promedio de todos los meses (del paso 2).

Enero = 90/94 = 0.957

Febrero= 80/94= 0.851
…
Diciembre= 80/94= 0.851
 Demanda
Ejemplo 4.9
Paso 1 Paso 2 Paso 3 Paso 4
Mes Año 1 Año 2 Año 3 Demanda Promedio Anual Demanda Promedio Mensual Indice Estacional Estimar la demanda anual
Enero 80 85 105 90 94 0.957
Febrero 70 85 85 80 94 0.851
Marzo 80 93 82 85 94 0.904
Abril 90 95 115 100 94 1.064
Mayo 113 125 131 123 94 1.309
Junio 110 115 120 115 94 1.223 Se estiman 1200 computadoas
Julio 100 102 113 105 94 1.117
Agosto 88 102 110 100 94 1.064
Septiembre 85 90 95 90 94 0.957
Octubre 77 78 85 80 94 0.851
Noviembre 75 82 83 80 94 0.851
Diciembre 82 78 80 80 94 0.851
b) Para pronosticar la demanda mensual por mes :

Paso 4) Estimar la demanda anual para el próximo año el ejercicio nos plantea que será de 1200
Paso 5)Pronosticar para el próximo año :
Primero dividirá la cantidad de computadoras anuales 1200 / 12 y se multiplicara por el índice
correspondiente a cada mes:

Enero= (1200/12)x0.957= 96
Febrero= (1200/12)x0.851=85
…
Diciembre = (1200/12)x0.851=85
 Demanda
Ejemplo 4.9
Paso 1 Paso 2 Paso 3 Paso 4 Paso 5
Estimar la
Demanda Demanda Promedio Indice demanda
Mes Año 1 Año 2 Año 3 Promedio Anual Mensual Estacional anual Demanda
Enero 80 85 105 90 94 0.957 96
Febrero 70 85 85 80 94 0.851 85
Marzo 80 93 82 85 94 0.904 90
Abril 90 95 115 100 94 1.064 106
Mayo 113 125 131 123 94 1.309 Se estiman 131
Junio 110 115 120 115 94 1.223 1200 122
Julio 100 102 113 105 94 1.117 computadoas 112
Agosto 88 102 110 100 94 1.064 106
Septiembre 85 90 95 90 94 0.957 96
Octubre 77 78 85 80 94 0.851 85
Noviembre 75 82 83 80 94 0.851 85
Diciembre 82 78 80 80 94 0.851 85

Las ventas promedio (sin estacionalidad) serían de 94, pero

con estacionalidad, las ventas fluctúan entre 85% y 131% del
promedio.
Modelo Asociativos : Análisis de Enfoques de Pronóstico
Modelos de Serie de Tiempo

Regresión y correlación

• Modelo matemático de
línea recta usado para
1.- Modelo de describir las relaciones
regresión y funcionales que hay
correlación entre las variables
dependiente e
independiente

1.- Y = a + bx
y= Valor de la variable dependiente
a= Intersección con en el eje Y
b= Pendiente de la recta
x= variable independiente
Modelo Asociativos : Análisis de Enfoques de Pronóstico
Modelos de Serie de Tiempo

Regresión y correlación

Ejemplo 12
La compañía constructora Nodel renueva casas antiguas en West Bloomfield ,Michigan. Con
el tiempo, la compañía ha encontrado que su volumen de dólares por su trabajo de
renovación dependen de la nomina del área (ingreso del área )de West Bloonfield.La
administradora quiere establecer una relación matemática para ayudarse a predecir las
ventas
Ventas de Nodel(en Nomina local ( en miles de
millones de dólares ) millones de dólares )
2.0 1
3.0 3
2.5 4
2.0 2
2.0 1
3.5 7
 Ejemplo 12
El vicepresidente necesita determinar si existe una relación lineal (en línea recta)
entre la nómina del área y las ventas. Para ello, grafica los datos conocidos en un
diagrama de dispersión:

4.00
Ventas de Nodel (enmillones

3.50

3.00
de dólares)

2.50

2.00

1.50

1.00

0.50

-
- 8

1 2 3 4 5 6 7
Nónima del área (en miles de millones de
dólares
 Enfoques de Pronóstico
Modelo Asociativos : Análisis de Regresión y Modelos de Serie de Tiempo

correlación
Nomina Local (en miles
de millones de dolares)2 Ventas de Nodel X² XY
1 2 1 2
3 3 9 9
4 2.5 16 10
2 2 4 4
1 2 1 2
7 3.5 49 24.5
18 15 80 51.5

18 15
= 6 =3 =
6
= 2.5

51.5−6(3)(2.5) 6.5
= = 26 = 0.25
80 −6(3)²

=2.5 – 0.25(3) = 1.75

 Enfoques de Pronóstico
Modelo Asociativos : Análisis de Modelos de Serie de Tiempo

Regresión y correlación
Ecuación de la recta( regresión)
Y = a + bx
Y= 1.75+0.25X

Se estima que la nomina para el siguiente añoserá de 6 ( mil millones ) ; De cuantoserán

las ventas ?

Y= 1.74 + 0.25 ( 6 ) = 3.25 ( millones de $ )

4.00
Ventas de Nodel (en millonesde

3.50 y=0.25x+1.75
3.00

2.50
dólares)

2.00

1.50

1.00

0.50
-
- 1 2 3 4 5 6 7 8
Nónima del área (enmiles de millones dedólares
Desarrollar en clase Ejercicios 4.28 y 4.32

Ejercicio en Clase
 Desarrollar en clase Ejercicios 4.28 y 4.32

Demanda Paso 1 Paso 2 Paso 3

Demanda Demanda Promedio Indice

Mes Año 1 Año 2 Año 3 Promedio Anual Mensual Estacional
Inverno 73 65 89 75.67 106.67 0.709
Primavera 104 82 146 110.67 106.67 1.038
Verano 168 124 205 165.67 106.67 1.553
Otoño 74 52 98 74.67 106.67 0.700
426.67

Demanda promedio mensual : 426.67 = 106.67

4 estaciones
BIBLIOGRAFÍA

Heizer,J.,&Render,B.(2009).Estrategiade
procesos.Principios de Administración de
Operaciones (Novena ed.). México:
PearsonEducación, pp 57-150.