Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Producción
• Pronostico
• Gestión de Stock
¿Qué es Pronosticar?
• • Los pronósticos casi siempre son incorrectos. Pocas veces tiene importancia si un pronóstico es correcto o no; lo sustancial
es concentrar nuestra atención en “qué tan equivocado esperamos que sea” y en “cómo planeamos darle cabida al error
potencial en el pronóstico”. Buena parte del análisis de la capacidad de almacenamiento y/o inventario temporal que la empresa
puede utilizar, se relaciona directamente con el tamaño del error de pronóstico.
• • Los pronósticos son más precisos para grupos o familias de artículos. Casi siempre es más fácil desarrollar un buen
pronóstico para una línea de productos que para un producto individual, ya que los errores de proyección respecto de productos
individuales tienden a cancelarse entre sí a medida que se les agrupa. Por lo general es más preciso, por ejemplo, pronosticar la
demanda de todos los sedanes familiares, que pronosticar la demanda de un modelo de sedán específico.
• • Los pronósticos son más precisos cuando se hacen para periodos cortos. En general son menos las perturbaciones
potenciales respecto del futuro próximo que pueden impactar la demanda de productos. La demanda en periodos futuros más
amplios casi siempre resulta menos confiable.
• • Todo pronóstico debe incluir un error de estimación. En la primera característica de este listado se indicó la importancia de
responder a la pregunta: “¿qué tan incorrecto es el pronóstico?” Por lo tanto, es muy importante que el pronóstico vaya
acompañado de una estimación numérica del error de pronóstico. Para estar
• completo, un buen pronóstico contiene tanto una estimación básica como una estimación de su error.
• • Los pronósticos no son sustituto de la demanda calculada. Si usted cuenta con información de la demanda real para un
periodo dado, no realice nunca cálculos con base en el pronóstico para ese mismo marco temporal. Utilice siempre la información
real cuando esté disponible.
Planeación de la Producción Raúl Castillo Villagra
Pronóstico
1. Los pronósticos pocas veces son perfectos, esto se debe a que factores
externos que no se pueden predecir o controlar suelen afectarlo.
2. La mayoría de las técnicas de pronóstico suponen la existencia de cierta
estabilidad subyacente en el sistema; por lo cual a medida que el horizonte de
tiempo aumenta, más dificultoso se vuelve el pronosticar.
3. A medida que el nivel de agregación disminuye, más aumenta la dificultad del
pronóstico. Por lo cual los pronósticos de familias de productos son más
precisos que los pronósticos por individuales.
Tipos de Pronósticos
1. Los pronósticos económicos abordan el ciclo del negocio al predecir tasas de inflación,
suministros de dinero, construcción de viviendas y otros indicadores de planeación.
2. Los pronósticos tecnológicos se refiere a los índices de progreso tecnológico, que pueden
dar lugar a nuevos productos interesantes, que requerirán nuevas plantas y equipos.
3. Los pronósticos de la demanda son proyecciones de la demanda de productos o servicios
de la compañía. Estos pronósticos también se conocen como pronósticos de ventas y ayudan
a orientar los sistemas de producción, capacidad y programación de la empresa, y sirven
como factores en la planeación financiera, marketing y personal.
La mayoría de las veces las empresas emplean uno u otro tipo de enfoque,
pero en la práctica, la combinación de ambos es casi siempre más efectiva.
Pronóstico Cualitativo.
• Se basa en el concepto de relación entre variables; es decir, en la suposición de que una variable medida “ocasiona” que la otra
cambie de una forma predecible.
• Parte de un supuesto importante de causalidad, y de que la variable causal puede ser medida de manera precisa. La variable
medida que ocasiona que la otra variable cambie con frecuencia se denomina “indicador líder”. Por ejemplo, el inicio de la
construcción de nuevas viviendas suele utilizarse como indicador líder para desarrollar pronósticos en muchos otros sectores de
la economía.
• Si se desarrollan indicadores líderes apropiados, este método con frecuencia ofrece excelentes resultados en cuanto a
pronósticos.
• Como un beneficio colateral, el proceso de desarrollar el modelo permite, muchas veces, que quienes se encargan de él
obtengan un importante conocimiento adicional de mercado. Por ejemplo, si usted se encuentra desarrollando un modelo causal
de viajes de vacaciones tomando como base el indicador líder del precio de la gasolina, es probable que aprenda sobre los
mecanismos que controlan los precios de la gasolina y los patrones de los viajes típicos de vacaciones.
• Este método rara vez se utiliza para un producto; es más común emplearlo para mercados o industrias completas.
• Muchas veces su puesta en práctica consume demasiado tiempo y resulta muy cara, principalmente debido a la necesidad de
desarrollar relaciones y obtener información causal.
• Modelos de entrada-salida. Pueden ser modelos muy grandes y complejos, ya que analizan el flujo de los bienes y servicios a través de la
economía completa. Desde este punto de vista, requieren una cantidad importante de información, lo que hace que su desarrollo sea largo
y costoso. Por lo general se utilizan para proyectar necesidades para mercados enteros o para segmentos de la economía, y no para
productos específicos.
• Modelos econométricos. Estos modelos implican el análisis estadístico de varios sectores de la economía. Su uso es similar al de los
modelos de entrada-salida.
• Modelos de simulación. La popularidad de la simulación de sectores de la economía mediante computadoras está creciendo, y su uso se
ha incrementado a partir del desarrollo de equipos de cómputo y modelos de simulación por computadora más potentes y menos costosos.
Se pueden utilizar para productos individuales pero, una vez más, la recopilación de información tiende a ser costosa y lenta. El valor real
de estos modelos radica en que son rápidos y económicos de utilizar una vez que la información ha “poblado” al modelo.
• Regresión. Es un método estadístico para desarrollar una relación analítica definida entre dos o más variables. El supuesto, como en otros
modelos causales, es que una de las variables “causa” que la otra se mueva. Con frecuencia la variable independiente, o causal, se
denomina indicador líder. Un ejemplo común son los informes noticiosos sobre construcciones de vivienda, ya que suelen considerarse un
indicador líder sobre la cantidad de actividad económica en varios mercados relacionados (por ejemplo, en la industria maderera o de
fabricación de cemento).
• Los pronósticos de series de tiempo se encuentran entre los más utilizados por los paquetes de
pronóstico vinculados con la proyección de demanda de productos. Todos ellos 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. Por último, esto
implica el supuesto de que la única variable real independiente en el pronóstico de series de
tiempo es, precisamente, el tiempo. Dado que se basan en información interna (ventas), en
ocasiones se les denomina pronósticos intrínsecos.
1. Determinar el uso del pronóstico: Disney usa los pronósticos de la asistencia al parque para
dirigir el personal, las horas de entrada, la disponibilidad de paseos y los suministros de comida.
2. Seleccionar los aspectos que se deben pronosticar: Para Disney World hay seis parques
principales. La cifra primordial que determina la mano de obra, el mantenimiento y la
programación es la asistencia diaria.
3. Determinar el horizonte de tiempo del pronóstico: ¿Es a corto, mediano o largo plazos?
Disney desarrolla pronósticos diarios, semanales, mensuales, anuales y quinquenales.
4. Seleccionar los modelos de pronóstico: Disney usa una variedad de modelos estadísticos
que analizaremos, incluyendo promedios móviles, suavizamiento exponencial y análisis de
regresión. También emplea modelos de juicio, o no cuantitativos.
Una serie de tiempo se basa en una secuencia de datos puntuales igualmente espaciados
(semanales, mensuales, trimestrales, etc.). Los ejemplos incluyen las ventas semanales de Nike Air
Jordans, los informes de ingresos trimestrales en Microsoft, los embarques diarios de cerveza
Cristal, y los índices anuales de precios al consumidor. Los datos para pronósticos de series de
tiempo implican que los valores futuros se predicen solamente a partir de los valores pasados y que
se pueden ignorar otras variables, sin importar qué tan potencialmente valiosas sean.
1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los datos en el tiempo. Los cambios en el ingreso, la población, la
distribución de edades o los puntos de vista culturales pueden ser causantes del movimiento en una tendencia.
2. La estacionalidad es un patrón de datos que se repite después de un periodo de días, semanas, meses o trimestres. Existen seis
patrones comunes de estacionalidad:
Ejemplo Estacionalidad:
Los restaurantes y las peluquerías, por ejemplo, experimentan
estaciones semanales, donde los sábados son el pico del
negocio. Los distribuidores de cerveza pronostican patrones
anuales, con estaciones mensuales.
Fuente: Principios de administración de operaciones, Render y Heizer
3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta cantidad de años.
Usualmente están sujetos al ciclo comercial y son de gran importancia para el análisis y la
planeación del negocio a corto plazo. La predicción de los ciclos de negocio es difícil porque
éstos pueden verse afectados por los acontecimientos políticos o la turbulencia internacional.
4. Las variaciones aleatorias son “señales” generadas en los datos por casualidad o por
situaciones inusuales. No siguen ningún patrón discernible y, por lo tanto, no se pueden
predecir.
Enfoque Intuitivo.
• La forma más simple de pronosticar es suponer que la demanda del siguiente
periodo será igual a la demanda del periodo más reciente. En otras palabras, si
las ventas de un producto, como por ejemplo teléfonos celulares, fueron de 68
unidades en enero, podemos pronosticar que en febrero las ventas también
serán de 68 teléfonos. ¿Tiene esto algún sentido? Resulta que para algunas
líneas de productos, este enfoque intuitivo es el modelo de pronóstico más
efectivo en costos y más eficiente con respecto al objetivo. Al menos ofrece un
punto de partida contra el cual comparar otros modelos más sofisticados que se
utilicen después.
Promedios Móviles
• Este pronóstico usa un número de valores de datos históricos reales para generar un
pronóstico. Los promedios móviles son útiles si podemos suponer que la demanda del
mercado permanecerá relativamente estable en el tiempo. Un promedio móvil de 4
meses se encuentra simplemente al sumar la demanda medida durante los últimos 4
meses y dividiéndola entre cuatro. Al concluir cada mes, los datos del mes más reciente
se agregan a la suma de los 3 meses previos y se elimina el dato del mes más antiguo.
Esta práctica tiende a suavizar las irregularidades del corto plazo en las series de datos.
octubre 2013 90
noviembre 2013 92
Pronóstico de Vtas
diciembre 2013 95
enero 2014 98
febrero 2014 102 (90+92+95+98)/4 94
marzo 2014 103 (92+95+98+102)/4 97
VTAS
abril 2014 105 (95+98+102+103)/4 100
mayo 2014 107 (98+102+103+105)/4 102 Vtas Reales
junio 2014 106 (102+103+105+107)/4 104 Promedio Movil
julio 2014 100 (103+105+107+106)/4 105
80
agosto 2014 95 (105+107+106+100)/4 105
septiembre 2014 100 (107+106+100+95)/4 102
octubre 2014 102 (106+100+95+100)/4 100
noviembre 2014 104 (100+95+100+102)/4 99
diciembre 2014 106 (95+100+102+104)/4 100
enero 2015 103
VTAS
diciembre 2014 105 (95x0,5+98x1+102x2+103x3)/6,5 101
diciembre 2014 107 (98x0,5+102x1+103x2+105x3)/6,5 103 Vtas Reales
VTAS
enero 2015 103 104
Vtas Reales
Media Móvil Ponderada
Promedio Movil
80
Suavizado Exponencial
• El suavizamiento exponencial es un sofisticado método de pronóstico de promedios móviles ponderado
que sigue siendo bastante fácil de usar. Implica mantener muy pocos registros de datos históricos.
• Pronóstico Nuevo = Pronóstico del periodo anterior + a * (Demanda Real del mes anterior – Pronóstico del periodo anterior)
Donde a (alpha) es la ponderación, o constante de suavizamiento, elegida por quien pronostica, que tiene un valor de entre 0 y 1.
Matemáticamente se expresa:
𝑭𝒕 = 𝑭𝒕−𝟏 + 𝒂 (𝑨𝒕−𝟏 − 𝑭𝒕−𝟏 )
𝑭𝒕 = Nuevo Pronóstico
𝑭𝒕−𝟏 = Pronóstico del periodo anterior
𝒂 = Constante de suavizamiento
𝑨𝒕−𝟏 = Demanda real en el periodo anterior
Error de Pronósticos
Selección de la Constante de Suavizamiento:
• El enfoque de suavizamiento exponencial es fácil de usar y se ha aplicado con éxito en prácticamente todo tipo de
negocios. Sin embargo, el valor apropiado de la constante de suavizamiento, a, puede hacer la diferencia entre un
pronóstico preciso y uno impreciso. Se eligen valores altos de cuando el promedio subyacente tiene probabilidades de
cambiar. Se emplean valores bajos de cuando el promedio en que se basa es bastante estable. Al elegir los valores de la
constante de suavizamiento, el objetivo es obtener el pronóstico más preciso.
• El enfoque de suavizamiento exponencial es fácil de usar y se ha aplicado con éxito en prácticamente todo tipo de
negocios. Sin embargo, el valor apropiado de la constante de suavizamiento, a, puede hacer la diferencia entre un
pronóstico preciso y uno impreciso. Se eligen valores altos de cuando el promedio subyacente tiene probabilidades de
cambiar. Se emplean valores bajos de cuando el promedio en que se basa es bastante estable. Al elegir los valores de la
constante de suavizamiento, el objetivo es obtener el pronóstico más preciso.
• La primera medición del error global de pronóstico para un modelo es la desviación absoluta media (MAD). Su valor se
calcula sumando los valores absolutos de los errores individuales del pronóstico y dividiendo el resultado entre el número
de periodos con datos (n):
Ejemplo MAD
• Durante los últimos 8 semanas, en el puerto de Valparaíso se han descargado de los barcos grandes cantidades de
granos de poroto. El administrador de operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver
qué tan bien funciona la técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano descargado
durante el primer trimestre fue de 175 toneladas. Se examinan dos valores de : a = .10 y a = .50.
Tonelaje
Tonelaje rela
real Pronostico MAD Pronostico Pronostico Pronostico
MAD
Trimestre
Trimestre Expresión a =0.1
descargado
descargado a =0,1 a=0,1 a=0,5 a=0,5a =0,1 a =0,5
11 180
180 175,0 5,0 175,0 5,0 175,0 175,0
22 168
168175+0,1(180-175)
175,50 7,5 177,50 9,5175,50 177,50
33 159
159175,5+0,1(168-175,5)
174,75 15,8 172,75 13,8174,75 172,75
44 175
175174,75+0,1(159-174,75)
173,18 1,8 165,88 9,1173,18 165,88
55 190
190173,18+0,1(175-173,18)
173,36 16,6 170,44 19,6173,36 170,44
66 205
205173,36+0,1(190-173,36)
175,02 30,0 180,22 24,8175,02 180,22
77 180
180175,02+0,1(205-175,02)
178,02 2,0 192,61 12,6178,02 192,61
88 182
182178,02+0,1(180-178,02)
178,22 3,8 186,31 4,3178,22 186,31
9 178,22+0,1(182-178,22) 178,60 184,16
|𝑟𝑒𝑎𝑙 −𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜| 10,31 12,33
MAD = 𝑛
• 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.
(𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑠)2
• 𝑀𝑆𝐸 =
𝑛
• Una desventaja de emplear el MSE es que tiende a acentuar las desviaciones importantes debido al término
al cuadrado. Por ejemplo, si el error de pronóstico para el periodo 1 es dos veces más grande que el error
para el periodo 2, entonces el error al cuadrado en el periodo 1 es cuatro veces más grande que el del
periodo 2. Por lo tanto, el uso del MSE como medición del error de pronóstico usualmente indica que se
prefiere tener varias desviaciones pequeñas en lugar de una sola desviación grande.
Planeación de la Producción Raúl Castillo Villagra
Pronóstico
Ejemplo MSE
• Durante los últimos 8 semanas, en el puerto de Valparaíso se han descargado de los barcos grandes cantidades de
granos de poroto. El administrador de operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver
qué tan bien funciona la técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano descargado
durante el primer trimestre fue de 175 toneladas. Se examinan dos valores de : a = .10 y a = .50.
• Un problema tanto con la MAD como con el MSE es que sus valores dependen de la magnitud del elemento
que se pronostica. Si el elemento pronosticado se mide en millares, los valores de la MAD y del MSE
pueden ser muy grandes. Para evitar este problema, podemos usar el error porcentual absoluto medio
(MAPE). Éste se calcula como el promedio de las diferencias absolutas encontradas entre los valores
pronosticados y los reales, y se expresa como un porcentaje de los valores reales. Es decir, si hemos
pronosticado n periodos y los valores reales corresponden a esa misma cantidad de periodos, el MAPE se
calcula como:
𝑛 |𝑅𝑒𝑎𝑙 𝑖 −𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑖|
𝑖=1 100 ∗
• 𝑀𝐴𝑃𝐸 = 𝑅𝑒𝑎𝑙 𝑖
𝑛
Ejemplo MAPE
• Durante los últimos 8 semanas, en el puerto de Valparaíso se han descargado de los barcos grandes cantidades de
granos de poroto. El administrador de operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver
qué tan bien funciona la técnica para predecir el tonelaje descargado. Supone que el pronóstico de grano descargado
durante el primer trimestre fue de 175 toneladas. Se examinan dos valores de : a = .10 y a = .50.
Tonelaje real
Tonelaje realPronostico PronosticoPronostico
Pronostico MAPE MAPE
Trimestre
Trimestre
descargado a =0,1
descargado a =0,1 a =0,5
a =0,1 a =0,5 a =0,5
1 1 180
180 175,0
175,0 2,78175,0 175,0 2,78
2 2 168
168 175,50
175,50 4,46
177,50 177,50 5,65
3 3 159
159 174,75
174,75 9,91
172,75 172,75 8,65
4 4 175
175 173,18
173,18 1,04
165,88 165,88 5,21
5 5 190
190 173,36
173,36 8,76
170,44 170,44 10,29
6 6 205
205 175,02
175,02 14,62
180,22 180,22 12,09
7 7 180
180 178,02
178,02 1,10
192,61 192,61 7,01
8 8 182
182 178,22
178,22 2,08
186,31 186,31 2,37
5,59 6,76
𝑛 100∗( 𝑅𝑒𝑎𝑙𝑖 − 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑖 𝑅𝑒𝑎𝑙𝑖 )
𝑖=1
Planeación de la Producción MAPE = Raúl Castillo Villagra
𝑛
Pronóstico, Serie de Tiempo
Tonelaje Pronostico
Trimestre Expresión a=0.1
descargado a=0,4
1 100 100,0
2 200 100+0,4(100-100) 100,00
3 300 100+0,4(200-100) 140,00
4 400 140+0,4(300-140) 204,00
5 500 204+0,4(400-204) 282,40
6 282,4+0,4(500-282,4) 369,44
Para mejorar nuestro pronóstico, ilustraremos un modelo de suavizamiento exponencial más complejo, uno que
hace ajustes de tendencia. La idea es calcular un promedio suavizado exponencialmente de los datos y después
ajustar el retraso positivo o negativo encontrado en la tendencia. La nueva fórmula es:
Pronóstico Nuevo (FITt) = Pronóstico suavizado exponencialmente (Ft) + tendencia suavizada exponencialmente (Tt)
Con el suavizamiento exponencial ajustado por la tendencia, las estimaciones del promedio y de la tendencia se
suavizan. Para la realización de esta estimación, se requieren de dos constantes:
Ft = a (Demanda Real del último periodo) + (1-a)(Pronóstico del último periodo + Tendencia estimada para el último periodo)
Tt = b (Pronóstico de este periodo – Pronóstico del último periodo) + (1-b)(Tendencia estimada para el último periodo)
Pronóstico Nuevo (FITt) = Pronóstico suavizado exponencialmente (Ft) + tendencia suavizada exponencialmente (Tt)
Ft = a (Demanda Real del último periodo) + (1-a)(Pronóstico del último periodo + Tendencia estimada para el último periodo)
Tt = b (Pronóstico de este periodo – Pronóstico del último periodo) + (1-b)(Tendencia estimada para el último periodo)
𝑻𝒕 = 𝜷 𝑭𝒕 − 𝑭𝒕−𝟏 + (𝟏 − 𝜷)(𝑻𝒕−𝟏 )
El valor de la constante de suavizamiento de la tendencia, β, se parece a la constante α porque una β alta responde más rápido a cambios recientes de una tendencia. Una β baja da menos peso a las
tendencias más recientes y tiende a suavizar la tendencia actual.
Planeación de la Producción Raúl Castillo Villagra
Pronóstico, Serie de Tiempo
• Un importante fabricante de productos para el consumo humano quiere pronosticar la demanda de un equipo para control
de la contaminación. Una revisión de las ventas histórica, como se muestra a continuación, indica que hay una tendencia
creciente. El Gte. De operaciones necesita pronosticar cuanto será la demanda del mes 10, por lo cual necesita saber ésta,
teniendo en cuenta que las constantes de suavizamiento se les asignan los valores α = .2 y β = .4. La compañía supone que
el pronóstico inicial para el mes 1 fue de 11 unidades y que la tendencia durante el mismo periodo fue de 2 unidades.
35
30
25
TONELAJE
20 Demanda Real
Demanda SE con Tendencia
10
0
1 2 3 4 5 6 7 8 9 10
MES
Proyecciones de Tendencias.
• Esta técnica ajusta una recta de tendencia a una serie de datos puntuales históricos, y después proyecta
dicha recta al futuro para obtener pronósticos de mediano y largo plazos.
𝒚 = a + bx
• Se han desarrollado ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de regresión. La pendiente b se
encuentra mediante:
𝑥𝑦 −𝑛𝑥𝑦
b=
𝑥 2 −𝑛𝑥 2
b = Pendiente de la recta de regresión
x = Valores conocidos de la variable independiente.
y = Valores conocidos de la variable dependiente
𝒙 = Promedio de los valores de x
𝒚 = Promedio de los valores de y
n = N° de datos u observaciones
2008 74 120
2009 79
100
2010 80
2011 90 80
2012 105
60
2013 142
2014 122 40
2015
20
0
2007 2008 2009 2010 2011 2012 2013 2014 2015
Demanda de 𝑥 28
Periodo 𝑥= = =4
Año
∑x
Energía
Electrica (y)
x² xy 𝑛 7
𝑦 692
2008 1 74 1 74 𝑦= = = 98,86
2009 2 79 4 158 𝑛 7
2010 3 80 9 240
2011 4 90 16 360 𝑥𝑦 −𝑛𝑥𝑦 3.063 −(7)(4)(98,86)
2012 5 105 25 525 b= = = 10,54
𝑥 2 − 𝑛𝑥 2 140 −(7)(4 2 )
2013 6 142 36 852
2014 7 122 49 854
∑x = 28 ∑y = 692 ∑x² = 140 ∑xy = 3.063
a = 𝑦 − b𝑥= 98,86 – 10,54(4) = 56,70
El empleo del método de mínimos cuadrados implica que se han cumplido tres requisitos:
1. Siempre deben graficarse los datos porque los datos de mínimos cuadrados suponen una relación lineal. Si
parece que exista una curva presente, probablemente sea necesario el análisis curvilíneo.
2. No se predicen periodos lejanos a la base de datos dada. Por ejemplo, si tenemos los precios promedio de
las existencias de Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4 meses hacia el futuro. Los
pronósticos de más tiempo tienen poca validez estadística. Por lo tanto, no pueden tomarse datos de 5 años
de ventas y proyectar 10 años hacia el futuro. El mundo es demasiado incierto.
3. Se supone que las desviaciones calculadas alrededor de la recta de mínimos cuadrados son aleatorias. Por
lo general, están distribuidas normalmente, con la mayoría de las observaciones cerca de la recta y sólo
unas cuantas más lejos.
• Son movimientos regulares ascendentes o descendentes localizados en una serie de tiempo y que se
relacionan con acontecimientos recurrentes como el clima o las vacaciones. La demanda de carbón o
petróleo aumenta durante los meses de invierno. La demanda de helados o bronceadores puede ser mayor
durante el verano.
• La estacionalidad puede aplicarse en forma horaria, diaria, semanal, mensual o en otros patrones
recurrentes. Los restaurantes de comida rápida registran diariamente repuntes al medio día y nuevamente
después de las 17:00 hrs. Los cines aumentan su demanda los viernes y sábados por la noche.
• De manera similar, comprender las variaciones estacionales es importante para planear la capacidad en las
organizaciones que manejan picos en la carga de trabajo. Esto incluye a las compañías de energía eléctrica
durante los periodos de frío o calor intensos, a los bancos los viernes por la tarde, y a trenes subterráneos y
autobuses durante las horas de tráfico matutino o vespertino.
• La presencia de estacionalidad hace necesario ajustar los pronósticos con una recta de tendencia. Las
estaciones se expresan en términos de la cantidad en que difieren los valores reales de los valores
promedio en la serie de tiempo. Analizar los datos en términos de meses o trimestres suele facilitar la
detección de los patrones estacionales. Los índices estacionales pueden desarrollarse mediante varios
métodos comunes.
Planeación de la Producción Raúl Castillo Villagra
Pronóstico, Serie de Tiempo
1. Encontrar la demanda histórica promedio de cada estación (o mes en este caso) sumando la demanda medida en
ese mes de cada año y dividiéndola entre el número de años con datos disponibles. Por ejemplo, si en enero hubo
ventas de 8, 6 y 10 durante los últimos tres años, la demanda promedio de enero es igual a (8 + 6 + 10)/3 = 8
unidades.
2. Calcular la demanda promedio de todos los meses dividiendo el promedio total de la demanda anual entre el
número de estaciones. Por ejemplo, si el promedio total de la demanda de un año es de 120 unidades y hay 12
estaciones (una por mes), la demanda mensual promedio es de 120/12 = 10 unidades.
3. Calcular un índice estacional 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). Por ejemplo, si la demanda promedio histórica en enero
durante los últimos 3 años es de 8 unidades y la demanda promedio de todos los meses es de 10 unidades, el
índice estacional para enero es de 8/10 = .80. De igual forma, un índice estacional de 1.20 para febrero significaría
que la demanda de febrero es 20% mayor que la demanda promedio de todos los meses.
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.
1128
1128
94
12
• Si esperamos que la demanda de computadoras para el año 2014 sea de 1200 unidades, usaríamos estos índices estacionales para
pronosticar la demanda mensual como sigue:
Pronostico Pronostico
Demanda Demanda
Mes Calculo Mensual Mes Calculo Mensual
Mensual Mensual
Estacional Estacional
1200 1200
Enero x 0,96 96 Julio x 1,12 112
12 12
1200 1200
Febrero x 0,85 85 Agosto x 1,06 106
12 12
1200 1200
Marzo x 0,9 90 Septiembre x 0,96 96
12 12
1200 1200
Abril x 1,06 106 Octubre x 0,85 85
12 12
1200 1200
Mayo x 1,31 131 Noviembre x 0,85 85
12 12
1200 1200
Junio x 1,22 122 Diciembre x 0,85 85
12 12
Planeación de la Producción Raúl Castillo Villagra
Pronóstico, Serie de Tiempo
A diferencia del pronóstico de series de tiempo, los modelos de pronóstico asociativo casi siempre consideran
varias variables relacionadas con la cantidad que se desea predecir. Una vez determinadas dichas variables, se
construye un modelo estadístico que se usa para pronosticar el elemento de interés. Este enfoque es más
poderoso que los métodos de series de tiempo que incluyen sólo valores históricos para la variable a pronosticar.
En un análisis asociativo pueden considerarse muchos factores. Por ejemplo, las ventas de computadoras
personales Dell se relacionan con el presupuesto para publicidad de Dell, los precios de la compañía, los precios
y estrategias promocionales de la competencia, e incluso con la economía nacional y los índices de desempleo.
En este caso, las ventas de computadoras personales se denominan como la variable dependiente y las otras
variables son las variables independientes. El trabajo del administrador es desarrollar la mejor relación
estadística entre las ventas de computadoras personales y las variables independientes.
• Es el modelo de pronóstico asociativo más común. Para el desarrollo de éste, podemos usar el mismo
modelo matemático que empleamos con el método de mínimos cuadrados para efectuar la proyección de
tendencias. Las variables dependientes que deseamos pronosticar seguirán siendo 𝑦. Pero la variable
independiente, x, ya no necesita ser el tiempo.
𝑦 = a + bx
Regresión Lineal:
• La compañía heladería El Pingüino fabrica helados artesanales en la región de Tarapacá. Con el tiempo, esta heladería ha encontrado
que su volumen de ventas de helados artesanales depende de la cantidad de millares turistas que ingresan a la región. La administración
quiere establecer una relación matemática para ayudarse a predecir las ventas.
-
0 1 2 3 4 5 6 7 8
TURISTAS REGIÓN DE TARAPACÁ (MILLARES)
Regresión Lineal:
• La compañía heladería El Pingüino fabrica helados artesanales en la región de Tarapacá. Con el tiempo, esta heladería ha encontrado
que su volumen de ventas de helados artesanales depende de la cantidad de millares turistas que ingresan a la región. La administración
quiere establecer una relación matemática para ayudarse a predecir las ventas.
𝑥 18
𝑥= = =3
𝑛 6
Cantidad de Turistas Ventas Heladería el
Años
(Millares), X Pingüino (ch$ MM), y x² xy 𝑦=
𝑦
=
15
= 2,5
Verano 2009 1 2,0 1 2
𝑛 6
Verano 2010 3 3,0 9 9
Verano 2011 4 2,5 16 10
Verano 2012 2 2,0 4 4 𝑥𝑦 −𝑛𝑥𝑦 51,5 −(6)(3)(2,5)
Verano 2013 1 2,0 1 2 b= = = 0,25
Verano 2014 7 3,5 49 24,5 𝑥 2 − 𝑛𝑥 2 80 −(6)(32 )
∑x = 18 ∑y = 15 ∑x² = 80 ∑xy = 51,5
• El pronóstico de ventas para Heladería el Pingüino es de ch$MM 3,25, esto se conoce como estimación puntual de y. La
estimación puntual es en realidad la media, o el valor esperado, de una distribución de valores posibles de ventas.
• Para medir la exactitud de las estimaciones de regresión, debemos calcular el error estándar de la estimación, Syx. Este
cálculo se llama desviación estándar de la regresión, y mide el error desde la variable dependiente, y, hasta la recta de
regresión, en lugar de hasta la media. La ecuación de la desviación estándar más utilizada es:
(𝑦 − 𝑦𝑐 )2
𝑆𝑦,𝑥 =
𝑛−2
(𝑦 − 𝑦𝑐 )2 𝑦2 − 𝑎 𝑦 − 𝑏 𝑥𝑦
𝑆𝑦,𝑥 = =
𝑛−2 𝑛−2
En la regresión lineal, simplemente describen relaciones entre las variables. La ecuación de regresión muestra la forma en que
una variable se relaciona con el valor y los cambios de otra variable.
Una forma de evaluar la relación entre dos variables consiste en calcular el coeficiente de correlación. Esta medida expresa el
grado o la fuerza de la relación lineal. Usualmente identificado como r, el coeficiente de correlación puede ser cualquier número
entre +1 y –1.
• Para calcular r, usamos casi los mismos datos necesarios para calcular a y b para la recta de regresión. La ecuación para r
resulta más larga, y es:
𝑛 𝑥𝑦 − 𝑥 𝑦
𝑟=
2 2
[𝑛 𝑥 2 − ( 𝑥 )][𝑛 𝑦 2 − ( 𝑦 )]
• R = 0.901
Planeación de la Producción Raúl Castillo Villagra
Inventarios
“Lo sentimos, se nos acabó ese artículo”
Costo por faltantes = Costo de tener un faltante de unidades, esto es, de necesitar unidades
del inventario cuando no hay.
p : Costo anual por faltantes por unidad que falta – costo unitario por faltante.
Desarrollo de modelos de Inventarios
• Los modelos de inventario se centran en la determinación de una política de
inventario óptima, que prescribe cuándo debe reabastecerse un inventario y en
cuánto.
• El objetivo es minimizar el costo total de inventario por unidad de tiempo.
• Comúnmente se toma como unidad de tiempo de 1 año.
• Para lo anterior, cada costo identificado (c, k, h y p) deben tener base anual.
TC = Costo total de inventario por año = suma de los cuatros costos anuales anteriores.
A veces no es necesario considerar el primero de los cuatro costos anuales (c, costo anual de adquisición) para
determinar una política de inventario óptima. Este costo no se analiza cuantitativamente cuando es un costo
fijo. El costo anual de adquisición se analizará como costo fijo, si el costo unitario de adquisición es fijo ( ya
que el número de unidades que debes agregarse al inventario por año también es una cantidad dada). Por lo
tanto, para encontrar una política óptima de inventarios, los modelos de inventarios se centran en minimizar los
Costos variables totales.
CVT = Costo variable total del inventario anual = suma de los costos variables anuales.
Modelo de Lote Económico - EOQ
• Introducido por Ford W. Harris en 1913.
• El modelo inventario EOQ (economic order quantity), es la mayor
herramienta de la administración de inventarios utilizado en gestión de
operaciones.
• Un modelo simple de aplicar.
• Este modelo esta diseñado para el tipo de situación donde el producto debe
retirarse del inventario a una tasa constante. Día a día, semana a semana,
mes a mes, las unidades se usan a una tasa fija. Esto se conoce como tasa
de demanda constante.
D = Tasa de demanda anual = número de unidades retiradas del inventario por año
Suposiciones modelo de Lote Económico - EOQ
1. Una tasa de demanda constante.
2. La cantidad a ordenar para reabastecer el inventario llega toda a la vez
cuando se desea.
3. No se permiten faltantes.
La cantidad de tiempo entre la colocación de una orden y su recepción se conoce como el tiempo de entrega
Se llama punto de reorden el nivel de inventario en el cual se coloca la orden.
K = costo inicial cada vez que ocurre un pedido / h = costo unitario de mantener el inventario
Desarrollo Modelo de Lote Económico - EOQ
La fórmula de la raíz cuadrada ofrece una forma mucho más rápida para encontrar la cantidad
óptima a ordenar, la cual minimiza el costo variable total para cualquier aplicación del modelo
básico EOQ.
$ 8.000,0
$ 7.000,0
$ 6.000,0
$ 1.000,0 Despejando.
$-
1000 900 800 700 600 500 400 300 200 100 Q* = √(2KD/h)
Ejercicios Modelo de Lote Económico - EOQ
Modelo EOQ con faltantes planeados
• Uno de los inconvenientes en la administración de cualquier sistema de inventarios es que ocurran
faltantes (también llamados órdenes pendientes), que no es otra cosa que la demanda que no se
satisface debido a que el inventario se ha agotado. Esta situación causa muchos dolores de cabeza,
que incluyen tratar con clientes molestos y realizar el trabajo adicional de registros para cumplir esa
demanda mas tarde (se permiten faltantes) al reabastecer el inventario. Si se supone que no se
permite planear que ocurran faltantes, el modelo básico EOQ que se presento satisface el deseo
común de los administradores para evitar los faltantes lo mas posible. (De cualquier forma, los
faltantes no planeados pueden ocurrir si la tasa de demanda y las entregas no se ajustan a lo
programado.).
• Sin embargo, existen situaciones limitadas en las que permitir faltantes planeados tiene sentido desde
el punto de vista administrativo. El requisito mas importante es que los clientes, en general, estén
dispuestos a aceptar un retraso razonable en la recepción de sus pedidos si es necesario. Además, si
el costo de mantener inventarios es alto en relación con los costos de faltantes, bajar el nivel
de inventarios y permitir faltantes breves ocasionales puede ser una buena decisión.
Suposiciones Modelo EOQ con faltantes planeados
1. Una tasa de demanda constante.
2. La cantidad a ordenar para reabastecer el inventario llega toda a la vez
cuando se desea.
El modelo EOQ con faltantes planificadas contempla los mismos costos del modelo EOQ
básico más el costo de incurrir en los faltantes..
CVT = costo inicial anual + costo de mantener anual + costo de faltante anual.
Modelo EOQ con faltantes planeadas
Igual que para el modelo básico EOQ,
Costo inicial anual = K D
Q
Costo de mantener anual = h x (nivel de inventario promedio cuando el nivel es positivo) x (fracción de
tiempo que el nivel de inventario es positivo)
𝑄−𝑆 𝑄−𝑆 (𝑄−𝑆)
=h( )( ) = h( )
2 𝑄 2𝑄
Costo por faltante anual = p x (nivel promedio de faltante cuando ocurre un faltante) x( fracción de
tiempo que ocurre el faltante)
𝑆 𝑆 𝑆
=p ( )( )=p( )
2 𝑄 2𝑄
Modelo EOQ con faltantes planeadas
Por lo cual el costo variable total:
𝐷 𝑄−𝑆 2 𝑆
CVT = K +h +p ( )
𝑄 2𝑄 2𝑄
ℎ+𝑝 2𝐾𝐷
Entonces Modelo EOQ con faltantes planeadas: Q* =
𝑝 ℎ
ℎ
S* = x Q*
ℎ+𝑝
Donde:
D = Tasa de demanda anual
K = Costo inicial o preparación
h = Costo de mantener anual
p = Costo unitario por faltante.
Modelo EOQ con faltantes planeadas
ℎ+𝑝 2𝐾𝐷
Entonces Modelo EOQ con faltantes planeadas: Q* =
𝑝 ℎ
ℎ
S* = x Q*
ℎ+𝑝
• Forma de Cálculo.
1. Para cada categoría de descuento, se calcula un Q* usando la formula básica de , basados en el costo
unitario asociado para cada categoría de descuento.
2. En caso de que el Q* sea demasiado pequeño para clasificar entre una categoría de descuento que se quiere
tomar, ajustarlo, acercándolo al mínimo de cantidad que se puede pedir para clasificar en el descuento. Y si
por el contrario este es demasiado grande, ajustarlo, a la cantidad máxima que se puede pedir para clasificar
en la categoría de descuento.
3. Para cada cantidad, ordenar el resultante de los pasos 1 y 2, calcular el costo total anual usando el costo
unitario para la categoría de descuento apropiada. Y de esta forma la cantidad que produzca el costo total
anual mínimo es la cantidad óptima a ordenar.
Modelo EOQ con descuentos por volumen
• Ejemplo:
Lubricentro Esmeralda se especializa en cambios de aceite por automóvil. Este taller compra el aceite para automóvil
por volumen, a $12.500 pesos el galón. Hay un descuento de $ 2.500 por galón, si Lubricentro Esmeralda compra más
de 3.000 galones. El taller le da servicio aproximadamente a 550 automóviles al mes y cada cambio requiere 1,25
galones. Este lubricentro almacena el aceite que compra por volumen a una relación del costo de 3% del costo del
galón por mes. Además el costo de colocar el pedido de aceite por volumen es de $120.000 pesos. Castrol, empresa
que suministra el aceite a Lubricentro Esmeralda, tiene por contrato que entregar el aceite en 3 días, teniendo en
cuenta solo se consideran 20 días hábiles al mes.
Modelo EOQ con reabastecimiento gradual
Unas de las suposiciones del modelo básico EOQ es que la cantidad a ordenar para reabastecer el inventario llega
toda a la vez justo cuando se desea. No obstante, la situación a menudo es diferente con los fabricantes cuando surten
de nuevo sus inventarios de productos terminados y en proceso en forma interna mediante corridas de producción
intermitentes. Si se supone que la corrida de producción toma un tiempo significativo y que los artículos se transfieren
al inventario conforme se fabrican ( en lugar de todos juntos al final de la corrida), esta suposición no se cumple. El
modelo EOQ con reabastecimiento esta diseñado para ajustarse a esta situación.
2𝐾𝐷
Q*=Lote de Producción óptimo= 𝐷
ℎ (1 − )
𝑅
Donde:
D = Tasa de demanda anual.
R = Tasa anual de producción si se produce en forma continua.
K = Costo de preparación.
h = costo anual de mantener.
Modelo EOQ con reabastecimiento gradual
2𝐾𝐷
Q*=Lote de Producción óptimo= 𝐷
ℎ (1 − 𝑅)
Donde:
D = Tasa de demanda anual.
R = Tasa anual de producción si se produce en forma continua.
K = Costo de preparación.
h = costo anual de mantener.
Pyoneer, un empresa fabricante de minicomponentes, produce sus propios parlantes para ensamblar en sus aparatos de radios. Para mantener a tiempo su
programa de fabricación de minicomponentes, la empresa necesita 1000 parlantes por día disponibles para ensamble (suponer que no existe faltantes y la
entrega del producto es bajo la filosofía de Just in Time). Cada vez que se coloca una orden para fabricar más parlante, la tasa de producción es de 3000
parlantes diarios (suponer que la empresa trabaja en turnos de 24 horas, y la cantidad de días que trabaja al año es de 360.) hasta que se surte la orden,
después de lo cual las instalaciones de producción se usan para otros fines hasta que se necesita otra corrida de producción de parlantes. Como esta tasa
de producción es tres veces la tasa a la que se necesitan las bocinas, sólo se fabrican las bocinas una tercera parte del tiempo.
• La cantidad de inventario de seguridad depende del costo de incurrir en un faltante y del costo de mantener el inventario adicional.
• Costo anual por faltantes = La suma de las unidades faltantes para cada nivel de demanda +la probabilidad de ese nivel de demanda + el costo
de faltantes/unidad + el número de órdenes por año
Modelo probabilístico e Inventarios de Seguridad
Una óptica regional ha determinado que su punto de reorden para armazones de lentes es de 50 unidades. Su costo de
mantener por armazón por año es de $5, y el costo por faltantes (o pérdida de una venta) es de $40 por armazón. La
tienda ha experimentado la siguiente distribución de probabilidad para la demanda del inventario durante el periodo de
reorden. El número óptimo de órdenes por año es de seis.
Cuando la demanda suele variar de forma significativa con el tiempo, es descabellado pretender mantener como óptima una
cantidad constante de pedido. Esta cantidad debe recalcularse cada vez que una orden o corrida va a ser procesada.
Es importante establecer un horizonte de planeación, es decir un periodo determinado para la aplicación del control de
inventarios. El horizonte y sus respectivas divisiones van a depender tanto de la naturaleza del problema, como del enfoque
estratégico del sistema productivo
Modelo de inventarios con demanda variable con el tiempo
El objetivo respecto a la evaluación de estos modelo de política de inventario final del periodo de
planeación, por una parte, existe la consigna mayoritaria de que este inventario sea llevado a cero, dada
la oportunidad que brinda el grado de certeza establecido en un contrato de venta o producción. En otras
ocasiones, la cantidad correspondiente al inventario final no tiene restricción alguna, debido a que este se
tomará como inventario inicial de planeación del periodo inmediatamente posterior.
Los métodos de inventarios con demanda determinística variable con el tiempo más utilizados en la
actualidad son:
𝑫 𝑁 2𝐾𝐷
𝒇= 𝑻= 𝑬𝑶𝑸 = 𝑸 ∗=
𝑸∗ 𝒇 ℎ
Costo Total Mínimo (LTC)
La política de lotificación de costo total mínimo corresponde a una técnica iterativa que
compara los costos de emisión de pedidos y costos de almacenamiento de inventario
para distintos tamaños de pedidos y selecciona aquel pedido donde la diferencia (en
valor absoluto) sea menor.
Este método se basa en el fundamento de la cantidad económica de pedido, en el cual
entre más se asemejen los costos de mantenimiento y los costos de preparación, más
cerca se estará de determinar la cantidad óptima de pedido. Sin embargo una de las
variantes más significativas en esta técnica consiste en que tal semejanza se determina
luego de costear los diferentes tamaños de lotes, y luego se determina el lote en el cual
los costos mencionados son más similares. El tamaño del lote corresponde a la suma
de los requerimientos, por ende existe un ahorro respecto al costo de mantenimiento en
el que se incurriría en un inventario final, que en este método sería inexistente.
Costo Unitario Mínimo (LUC)
La política de del costo unitario mínimo en el plan de requerimientos de materiales
(MRP) al igual que la alternativa de Costo Total Mínimo consiste en una técnica iterativa
que compara los costos de realizar pedidos con los costos de almacenamiento de
inventario para distintos tamaños de pedido, seleccionando aquel donde al prorratear el
costo total en el tamaño del lote solicitado se alcanza el menor costo unitario.
Costo Unitario Mínimo (LUC)
La política de del costo unitario mínimo en el plan de requerimientos de materiales
(MRP) al igual que la alternativa de Costo Total Mínimo consiste en una técnica iterativa
que compara los costos de realizar pedidos con los costos de almacenamiento de
inventario para distintos tamaños de pedido, seleccionando aquel donde al prorratear el
costo total en el tamaño del lote solicitado se alcanza el menor costo unitario.
Una empresa desea determinar el tamaño de lote óptimo y la política de inventario que
más se ajuste a su programa de producción. Los costos asociados para las próximas
15 semanas son los siguientes. Se consideran 52 semanas laborales al año.
Costo de adquisición c : $ 10
Costo de preparación K: $ 47
Costo semanal de mantenimiento h: 0,5% del costo de adquisición.
Requerimientos Semanales
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
50 60 70 60 95 75 60 55 70 80 65 70 65 60 55
Modelo de inventarios Lote a Lote (L4L)
Cantidad de
Deamanda o Costo de
Semanas Producción o Inventario Final Costo de Preparación Costo Total
Requerimientos Manteniemiento
Solicitud Requerida
1 50 50 0 $ - $ 47 $ 47
2 60 60 0 $ - $ 47 $ 94
3 70 70 0 $ - $ 47 $ 141
4 60 60 0 $ - $ 47 $ 188
5 95 95 0 $ - $ 47 $ 235
6 75 75 0 $ - $ 47 $ 282
7 60 60 0 $ - $ 47 $ 329
8 55 55 0 $ - $ 47 $ 376
9 70 70 0 $ - $ 47 $ 423
10 80 80 0 $ - $ 47 $ 470
11 65 65 0 $ - $ 47 $ 517
12 70 70 0 $ - $ 47 $ 564
13 65 65 0 $ - $ 47 $ 611
14 60 60 0 $ - $ 47 $ 658
15 55 55 0 $ - $ 47 $ 705
Modelo del Periodo Constante
La organización ha definido un periodo de dos semanas: T = 2 semanas.
Cantidad de
Deamanda o Costo de
Semanas Producción o Inventario Final Costo de Preparación Costo Total
Requerimientos Manteniemiento
Solicitud Requerida
𝑫 𝑁 2𝐾𝐷
𝒇= 𝑻= 𝑬𝑶𝑸 = 𝑸 ∗=
𝑸∗ 𝒇 ℎ
Capitulo I: Planeación y Programación de la
Producción
Producción
Raúl Castillo Villagra