Prod - Unidad I - Pronostico y Gestion de Stock

Capitulo I: Planeación y Programación de la
Producción
• Pronostico
• Gestión de Stock
Raúl Castillo Villagra

Pronóstico
Lectura de Caso Disney
Planeación de la Producción Raúl Castillo Villagra

Pronóstico
¿Qué es Pronosticar?
 Es el arte y la ciencia de predecir eventos futuros.

 Implica el uso de datos históricos y su proyección hacia el futuro
se realiza mediante un modelo matemático.
 Las proyecciones pueden ser subjetiva o intuitiva, o combinación
de ambas. (modelo matemático ajustado por el evaluador).
 No existe un modelo matemático mejor que otro.
 La preparación del pronostico siempre implica gasto de tiempo y
dinero.
 La planeación efectiva a corto y largo plazo dependen del
pronostico de la demanda de los productos de la compañía.

Pronóstico
• Sin importar el propósito del sistema para el que se utilizará el pronóstico, es muy importante comprender algunas de sus
características fundamentales:
• • 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.
Pronóstico
Regla de Oro de los Pronósticos:
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.

Pronóstico
Evolución del Pronóstico

• Enorme desconexión entre departamentos.
• Múltiples errores de pronósticos.
Etapa 1 • Precisión de pronósticos sin responsables. Pasado
• Existen reuniones, parcialmente dominadas sin lograr consenso real.

• pronósticos reside en una función específica.
Etapa 2 • Incentivos de performance para la función de pronósticos solamente.
• Comunicación y coordinación entre departamentos.

• Proceso de pronósticos de consenso.
Etapa 3 • Incentivos de performance para todo el personal involucrado.
• Función de pronósticos separada.

Presente
• Pronósticos integrados.
Etapa 4 • Incentivos de performance multidimensionales para todos los involucrados en el proceso.

Pronóstico
Horizonte de Tiempo de un Pronóstico:
• Corto Plazo: Periodo de hasta 1 año, pero casi

siempre es menor a 3 meses.
– Compras, programa de trabajo, determinar niveles
de mano de obra, asignación de trabajo y los
niveles de producción.
• Mediano Plazo: Se extiende de 3 meses a 3 años.
– Planeación de Ventas, producción, presupuesto,
flujo efectivo, analizar planes de operaciones.
• Largo Plazo: Se extiende de 3 años o más.
– Planeación de nuevos productos, gastos de capital,
ubicación o ampliaciones de las instalaciones y la
investigación y el desarrollo.

Pronóstico
Los pronósticos a mediano y largo plazos se distinguen de los pronósticos a corto plazo por tres
características:
1. Primero, los pronósticos a mediano y largo plazos manejan aspectos más generales y apoyan decisiones
administrativas relativas a la planeación y los productos, plantas y procesos. La implementación de
algunas decisiones sobre instalaciones, como la decisión que tomó GM de abrir una nueva planta de
manufactura en Brasilia, puede tomar de 5 a 8 años desde su concepción hasta su terminación.
2. Segundo, el pronóstico a corto plazo usualmente emplea metodologías diferentes que el pronóstico a
más largo plazo. Las técnicas matemáticas, como promedios móviles, suavizamiento exponencial y
extrapolación de tendencias, son comunes en las proyecciones a corto plazo. Los métodos más amplios y
menos cuantitativos resultan útiles para predecir asuntos tales como si un nuevo producto, por ejemplo
una grabadora de discos ópticos, debe introducirse en la línea de productos de una compañía.
3. Tercero, como podría esperarse, los pronósticos a corto plazo tienden a ser más precisos que los de
largo plazo. Los factores que influyen en la demanda cambian todos los días. Por lo tanto, a medida que
el horizonte de tiempo se alarga, es más probable que la exactitud del pronóstico disminuya. Entonces, es
necesario afirmar que los pronósticos de ventas deben actualizarse regularmente para mantener su valor
e integridad. Después de cada periodo de ventas, los pronósticos deben revisarse y corregirse.

Pronóstico
Pronósticos
Largo y Mediano Plazo Corto Plazo
Manejan situaciones y problemáticas

más globales y apoyan las decisiones Manejan situación más específicas y
administrativas acerca de la para proyecciones en ambitos mas
planeación y productos, plantas y operativos.
procesos.
Las técnicas matemáticas como

Los métodos más amplios y menos
promedios móviles, suavizamiento
cuantitativosresultan utiles para
exponencial y extrapolación de
predecir: nuevos productos,
tendencias; son comunes en los
ubicación de plantas, etc.
proyectos a corto plazo
Tienen mayor margen de
incertidumbre, por lo cual lleva, a Tienden a ser más precisos
veces, al error.

Pronóstico
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.

Pronóstico
Importancia Estratégica del pronósticos.
1. Un buen pronóstico es de importancia crucial para todos los aspectos del

negocio, debido a que es la única estimación de la demanda hasta que se
conoce la demanda real. Por lo cual gracias al pronóstico se impulsan
decisiones en variadas áreas.
I. RRHH: Contratación, capacitación, despido, horas extras, etc.
II. Producción - operaciones: Entregas poco confiables, perdida de clientes, perdida de
mercado, etc.
III. Adquisición – compras: Ventajas de precio en materias primas, stock de materias
primas, poder de negociación con los proveedores, logística, etc.

Pronóstico
Enfoques de los pronósticos
1. Pronóstico Cualitativo (subjetivos): Incorporan factores como la intuición, las

emociones, las experiencias personales y el sistema de valores de quién toma
la decisión para llegar al pronóstico.
2. Pronósticos Cuantitativos: Utilizan una variedad de modelos matemáticos que
se apoyan en datos históricos o en variables causales para pronosticar la
demanda.
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
Características claves de los pronósticos cualitativos

 Por lo general el pronóstico se basa en un juicio personal o en alguna información cualitativa
externa.
 El pronóstico tiende a ser subjetivo; toda vez que suele desarrollarse a partir de la experiencia de
las personas involucradas, con frecuencia estará sesgado con base en la posición
potencialmente optimista o pesimista de dichas personas.
 Una ventaja de este método radica en que casi siempre permite obtener algunos resultados con
bastante rapidez.
 En ciertos casos, la proyección cualitativa es especialmente importante, ya que puede constituir
el único método disponible.
 Estos métodos suelen utilizarse para productos individuales o familias de productos, y rara vez
para mercados completos.

Pronóstico
Pronóstico Cualitativo.
1. Jurado de opinión de ejecutivos: Se analizan las opiniones de un grupo de expertos o ejecutivos

de alto nivel.
2. Método Delphi: Existen tres participantes en este método: los que toman decisiones, el personal y
los entrevistados.
 Grupo de “Toma decisiones”: Grupo de expertos que irán elaborando el pronóstico real.
 Grupo de “El personal”: Preparación, distribución, recolección y resumen la serie de cuestionarios y
los resultados de las encuestas.
 Grupo de “Los Entrevistados”: Grupo de personas, localizadas en distintas localidades, cuyos
juicios se valoran. Este último grupo proporciona la información para que el grupo que toma las
decisiones pueda generar el pronóstico.
3. Composición de la fuerza de venta: Cada vendedor estima cuales serán las ventas en su área.
4. Encuestas: Solicita información a los clientes o posibles clientes sobre sus planes de compra de
futuro. Este enfoque ayuda no solo a preparar el pronóstico, sino también a mejorar el diseño del
producto y la planeación de nuevos productos.

Pronóstico
Pronóstico Cuantitativos: Método Asociativo o causal.
Características:
• 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.

Pronóstico
Pronóstico Cuantitativos: Método Asociativo o causal.
Algunos enfoques más comunes:
• 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 métodos de pronóstico asociativos o causales en ocasiones se denominan pronósticos extrínsecos.”

Pronóstico
Pronóstico Cuantitativos: Series de Tiempo.
• 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.

Pronóstico
Los sietes pasos básicos de los Pronósticos
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.

Pronóstico
Los sietes pasos básicos de los Pronósticos
5. Recopilar los datos necesarios para elaborar el pronóstico: El equipo de pronósticos de

Disney emplea a 35 analistas y 70 trabajadores de campo para encuestar a 1 millón de
personas y/o negocios cada año. También utiliza una compañía llamada Global Insights para
elaborar los pronósticos de la industria de los viajes y recopilar datos sobre tasas de cambio,
llegadas a Estados Unidos, ofertas de aerolíneas, tendencias en Wall Street, y programas
vacacionales en las escuelas.
6. Realizar el pronóstico.
7. Validar e implementar los resultados: En Disney, los pronósticos se revisan diariamente a los
niveles más altos para asegurar la validez del modelo, de los supuestos y de los datos. Se
aplican las medidas de error, y después se usan los pronósticos en la programación del
personal a intervalos de 15 minutos.

Pronóstico
Componentes Pronósticos: Series de Tiempo
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.

Pronóstico
Descomposición de una Series de Tiempo

Analizar una serie de tiempo significa desglosar los datos históricos en componentes y después proyectarlos al
futuro. Una serie de tiempo tiene cuatro componentes:
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

Pronóstico
Descomposición de una Series de Tiempo
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.

Pronóstico
Pronósticos: Serie de Tiempo.
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.

Pronóstico
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.
𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑙𝑜𝑠 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑝𝑟𝑒𝑣𝑖𝑜𝑠

• Promedio Móvil =
𝑛
n= n° de periodos incluidos en el promedio móvil

Pronóstico
Ejemplo Promedios Móviles

• Una empresa contratista de suministros de EPP para la gran minería, quiere hacer un pronóstico con el promedio móvil
de 4 meses, incluyendo un pronóstico para las ventas de cascos para enero de 2015.
Ventas Reales Promedio Móvil

Mes Expresión
Cascos de cuatro meses
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

Pronóstico
Promedios Móviles Ponderados

• Cuando se presenta una tendencia o un patrón localizable, pueden utilizarse ponderaciones para dar más
énfasis a los valores recientes. Esta práctica permite que las técnicas de pronóstico respondan más rápido
a los cambios, puesto que puede darse mayor peso a los periodos más recientes. La elección de las
ponderaciones es un tanto arbitraria porque no existe una fórmula establecida para determinarlas. Por lo
tanto, decidir qué ponderaciones emplear requiere cierta experiencia. Por ejemplo, si el último mes o
periodo se pondera demasiado alto, el pronóstico puede reflejar un cambio grande inusual, demasiado
rápido en el patrón de demanda o de ventas.
𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛 (𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)

• Promedio Móvil Ponderado =
𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖ó𝑛
n= n° de periodos incluidos en el promedio móvil

Pronóstico
Ejemplo Promedios Móviles Ponderados

• Para el gerente de ventas de esta contratista de EPP, es de importancia la última venta realizada por lo cual es el triple de
importante que la antepenúltima, y la penúltima venta tiene el doble de importancia que la antepenúltima y la
antepenúltima es el doble de importante que la anterior a la antepenúltima. ¿Cuál sería el nuevo pronóstico de ventas
para el mes de enero 2015?
Ventas Reales Promedio Móvil

Mes Ponderación Expresión
Cascos de cuatro meses
diciembre 2014 90 0,5 Pronóstico de Vtas

diciembre 2014 92 1
diciembre 2014 95 2
diciembre 2014 98 3
diciembre 2014 102 (90x0,5+92x1+95x2+98x3)/6,5 96
diciembre 2014 103 (92x0,5+95x1+98x2+102x3)/6,5 99
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
diciembre 2014 106 (102x0,5+103x1+105x2+107x3)/6,5 105 Media Móvil Ponderada

diciembre 2014 100 (103x0,5+105x1+107x2+106x3)/6,5 106
80
agosto 2014 95 (105x0,5+107x1+106x2+100x3)/6,5 103
septiembre 2014 100 (107x0,5+106x1+100x2+95x3)/6,5 99
octubre 2014 102 (106x0,5+100x1+95x2+100x3)/6,5 99
noviembre 2014 104 (100x0,5+95x1+100x2+102x3)/6,5 100
diciembre 2014 106 (95x0,5+100x1+102x2+104x3)/6,5 102
enero 2015 104

Pronóstico
Ejemplo Comparación Promedios Móviles y Promedios Móviles Ponderados

Ventas Reales Promedio Móvil Promedio Móvil
Mes Expresión Ponderación Expresión
Cascos de cuatro meses de cuatro meses
octubre 2013 90 0,5

noviembre 2013 92 1
diciembre 2013 95 2
enero 2014 98 3
febrero 2014 102 (90+92+95+98)/4 94 (90x0,5+92x1+95x2+98x3)/6,5 96
marzo 2014 103 (92+95+98+102)/4 97 (92x0,5+95x1+98x2+102x3)/6,5 99
abril 2014 105 (95+98+102+103)/4 100 (95x0,5+98x1+102x2+103x3)/6,5 101
mayo 2014 107 (98+102+103+105)/4 102 (98x0,5+102x1+103x2+105x3)/6,5 103
junio 2014 106 (102+103+105+107)/4 104 (102x0,5+103x1+105x2+107x3)/6,5 105
julio 2014 100 (103+105+107+106)/4 105 (103x0,5+105x1+107x2+106x3)/6,5 106 Pronóstico de Vtas
agosto 2014 95 (105+107+106+100)/4 105 (105x0,5+107x1+106x2+100x3)/6,5 103
septiembre 2014 100 (107+106+100+95)/4 102 (107x0,5+106x1+100x2+95x3)/6,5 99
octubre 2014 102 (106+100+95+100)/4 100 (106x0,5+100x1+95x2+100x3)/6,5 99
noviembre 2014 104 (100+95+100+102)/4 99 (100x0,5+95x1+100x2+102x3)/6,5 100
diciembre 2014 106 (95+100+102+104)/4 100 (95x0,5+100x1+102x2+104x3)/6,5 102
VTAS
enero 2015 103 104
Vtas Reales
Media Móvil Ponderada
Promedio Movil
80

Pronóstico
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

Pronóstico
Ejemplo Suavización Exponencial

• En enero, un vendedor de automóviles predijo que la demanda para febrero sería de 142 Ford Mustang. La demanda real
en febrero fue de 153 automóviles. Usando la constante de suavizamiento que eligió la administración de α = .20, el
vendedor quiere pronosticar la demanda para marzo usando el modelo de suavizamiento exponencial.
Nuevo Pronóstico = 142 + 0.2 (153 – 142)

Nuevo Pronóstico (Ft) = 144.2
La constante de suavizamiento, α, se encuentra generalmente en un intervalo de .05 a .50 para aplicaciones de

negocios. Puede cambiarse para dar más peso a datos recientes (cuando α es alta) o más peso a datos anteriores (si
α es baja).

Pronóstico
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.

Pronóstico
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.
Medición del Error de Pronóstico:

• La exactitud general de cualquier modelo de pronóstico ( promedios móviles, suavizamiento exponencial u otro) puede
determinarse al comparar los valores pronosticados con los valores reales u observados. Si Ft denota el pronóstico en el
periodo t, y At denota la demanda real del periodo t, el error de pronóstico (o desviación) se define como:
• Error del Pronóstico = Demanda Real – Valor Pronosticado

• Error del Pronóstico = At - Ft

Pronóstico
Desviación absoluta media – Mean Absolute deviation
• 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):
|𝑉𝑎𝑙𝑜𝑟 𝑅𝑒𝑎𝑙 −𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜|

• 𝑀𝐴𝐷 =
𝑛

Pronóstico
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

Pronóstico
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.
(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.
Pronóstico
Ejemplo MSE
Tonelaje real Pronostico Pronostico Pronostico

Trimestre
Trimestre MSE a =0,1 MSE a =0,5
descargado a =0,1 a =0,5 a =0,5
11 180 175,0 175,0

25,0 175,0 25,0
22 168 175,50 177,50
56,3 177,50 90,25
33 159 174,75 172,75
248,1 172,75 189,06
44 175 173,18 165,88
3,3 165,88 83,17
55 190 173,36 276,9
170,44 170,44 382,59
66 205 175,02 898,8
180,22 180,22 614,05
77 180 178,02 3,9
192,61 192,61 159,01
88 182 178,22 14,3
186,31 186,31 18,58
(𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜) 190,82 195,21

MSE =
𝑛
Pronóstico
Error porcentual absoluto medio
• 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

Pronóstico
Ejemplo MAPE
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
Suavizado Exponencial con ajuste de tendencia

• El suavizamiento exponencial, como cualquier técnica de promedios móviles, falla en su respuesta a las
tendencias. Sin embargo, como éste es un enfoque tan común en los negocios, se analizará con mayor
detalle.
• Unas de las razones por la que el SE debe modificarse cuando existe una tendencia, es la siguiente.
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:
a (alpha) : constante de suavizamiento, conocida en SE (0 ≤ a ≤ 1)

b (Beta) : para la tendencia (0 ≤ b ≤ 1)
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)
𝑭𝒕 = 𝜶 𝑨𝒕−𝟏 + (𝟏 − 𝜶)(𝑭𝒕−𝟏 + 𝑻𝒕−𝟏 )
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 )
• 𝑭𝒕 : Pronósticado suavizado exponencialmente de la serie de datos incluidos en el periodo t

• 𝑻𝒕 : Tendencia suavizada exponencialmente en el periodo t
• 𝑨𝒕 : Demanda real en el periodo t
• 𝜶: Constante de suavizamiento para el pronóstico (promedio).
• 𝜷: Constante de suavizamiento para la tendencia.
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.
• 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.
Paso 3, Suavizamiento Exponencial con

DemandaRealTonel Paso 1, Suavizamiento Exponencial Pronostico Paso 1 Paso 2, Tendencia Pronostico Paso 2 Pronóstico FIT Paso 3
Mes Tendencia
aje a=0,4 DemandaRealTonel b=0,4
Mes
aje
1 12 11,0 2,0 11 +2 13,00
2 17 0,2*12+ (1 - 0,2)*(11 + 2) 12,80 0,4* (12,8 - 11) + ( 1 -0,4) * 2 1,92 12,8 +1,92 14,72
3 20 0,2*17+ (1 - 0,2)*(12,8 + 1,92) 15,18 0,4* (15,18 - 12,8) + ( 1 -0,4) * 1,92 2,10 15,18 +2,1 17,28
4 19 0,2*20+ (1 - 0,2)*(15,18 + 2,1) 17,82
1 12
0,4* (17,82 - 15,18) + ( 1 -0,4) * 2,1 2,32 17,82 +2,32 20,14
5 24 0,2*19+ (1 - 0,2)*(17,82 + 2,32) 19,91 2 17 + ( 1 -0,4) * 2,32
0,4* (19,91 - 17,82) 2,23 19,91 +2,23 22,14
6 21 0,2*24+ (1 - 0,2)*(19,91 + 2,23) 22,51 0,4* (22,51 - 19,91) + ( 1 -0,4) * 2,23 2,38 22,51 +2,38 24,89
3 20
7 31 0,2*21+ (1 - 0,2)*(22,51 + 2,38) 24,11 0,4* (24,11 - 22,51) + ( 1 -0,4) * 2,38 2,07 24,11 +2,07 26,18
8 28 0,2*31+ (1 - 0,2)*(24,11 + 2,07) 27,14 4 19 + ( 1 -0,4) * 2,07
0,4* (27,14 - 24,11) 2,45 27,14 +2,45 29,59
9 36 0,2*28+ (1 - 0,2)*(27,14 + 2,45) 29,27 5 0,4* (29,27 - 27,14)
24 + ( 1 -0,4) * 2,45 2,32 29,27 +2,32 31,59
10 35,14 0,2*36+ (1 - 0,2)*(29,27 + 2,32) 32,47 0,4* (32,47 - 29,27) + ( 1 -0,4) * 2,32 2,67 32,47 +2,67 35,14
6 21
7 31
8 28
9 36
10

Suavizamiento Exponencial con Tendencia
40
35
30
25
TONELAJE
20 Demanda Real
Demanda SE con Tendencia
15 Demanda SE sin 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.
Método de Mínimos Cuadrados:

• Este enfoque resulta en una línea recta que minimiza la suma de los cuadrados de las diferencias verticales
o desviaciones de la recta hacia cada una de las observaciones reales.
Una recta de mínimos cuadrados se describe en términos de su

intersección con el eje y (la altura a la cual cruza al eje y) y su pendiente (el
ángulo de la recta). Si podemos calcular la intersección con el eje y y la
pendiente, podremos expresar la recta con la siguiente ecuación:
𝒚 = a + bx

Método de Mínimos Cuadrados: 𝑦 = a + bx

𝒚 = valor calculado de la variable que debe predecirse (variable dependiente)
a = Intersección con el eje y
b = Pendiente de la recta de regresión ( o la tasa de cambio en y para los cambios dados en x)
x = Variable Independiente.
• 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
• La intersección con el eje y, a, puede calcularse como sigue: a = 𝒚 - b𝒙


• En la tabla siguiente se muestra la demanda de energía eléctrica en N. Y. Edison durante el periodo 2008 a 2014, en megawatts. La
empresa quiere pronosticar la demanda para 2015 ajustando una recta de tendencia a estos datos.
Demanda de Energía Eléctrica

Demanda de
Año 160
Energía Electrica
140
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


• En la tabla siguiente se muestra la demanda de energía eléctrica en N. Y. Edison durante el periodo 2008 a 2014, en megawatts. La
empresa quiere pronosticar la demanda para 2015 ajustando una recta de tendencia a estos datos.
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
Así la ecuación de mínimos cuadrados quedará 𝑦 = a + bx = 10,54 + 56,70x
La proyección de la Demanda para el 2008 es: 𝑦 = a + bx = 10,54 + 56,70 (8) = 141,02

Método de Mínimos Cuadrados
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.

Variaciones Estacionales en los Datos
• 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.

Los pasos a seguir para una empresa con estacionalidad.
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.


• Un distribuidor de Zofri de laptop Sony quiere desarrollar índices mensuales para las ventas. Se dispone de los datos mensuales para los
años 2011 a 2013. Demanda Demanda Demanda
Índice
Promedio Promedio
2011 2012 2013 estacional
2011 - 2013 Mensual
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
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
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
Método Asociativo de Pronóstico:
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.

Análisis de Regresión Lineal.
• 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
𝒚 = valor de la variable dependiente

a = Intersección con el eje y
b = Pendiente de la recta de regresión
x = Variable Independiente.

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.
Ventas V/S Turistas

4,0
Ventas Heladería el Cantidad de Turistas 3,5

Años
VENTAS DE HELADOS (CH$MM)

Pingüino (ch$ MM) (Millares)
3,0
Verano 2009 2 1 2,5
Verano 2010 3 3
Verano 2011 2,5 4 2,0
Verano 2012 2 2 1,5
Verano 2013 2 1
1,0
Verano 2014 3,5 7
0,5
-
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
a = 𝑦 − b𝑥= 2,5 – 0,25(3) = 1,75
Así la ecuación de regresión lineal quedará 𝑦 = a + bx = 1,75 + 0,25x

Sernatur a declarado que la proyección de entrada de turistas a la región de Tarapacá será, para el Verano de 2015, de 6000 turistas
𝑦 = a + bx = 1,75 + 0,25 (6) = 3,25

Error Estandar de la Estimación:
• 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 = valor de y de cada dato puntual

• yc = valor calculado de la variable dependiente, a partir de la ecuación de regresión
• n = número de datos puntuales

Error Estándar de la Estimación:
• Otra forma matemáticamente factible para el cálculo de la desviación estándar es:
(𝑦 − 𝑦𝑐 )2 𝑦2 − 𝑎 𝑦 − 𝑏 𝑥𝑦
𝑆𝑦,𝑥 = =
𝑛−2 𝑛−2
• Para calcular el error de estimación de las ventas de la heladería El Pingüino es la siguiente:
𝑦 2 −𝑎 𝑦−𝑏 𝑥𝑦 39,5−1,75 15 −0,25(51,5)

𝑆𝑦,𝑥 = = = 0,306
𝑛−2 6−2

Coeficientes de correlación para rectas de regresión:
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.

Coeficientes de correlación para rectas de regresión:
• 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 )]
Cantidad de Turistas Ventas Heladería el

Años
(Millares), X Pingüino (ch$ MM), y x² xy x²
Verano 2009 1 2,0 1 2 4,00
Verano 2010 3 3,0 9 9 9,00
Verano 2011 4 2,5 16 10 6,25
Verano 2012 2 2,0 4 4 4,00
Verano 2013 1 2,0 1 2 4,00
Verano 2014 7 3,5 49 24,5 12,25
∑x = 18 ∑y = 15 ∑x² = 80 ∑xy = 51,5 ∑y² = 39,5
• R = 0.901
Inventarios
“Lo sentimos, se nos acabó ese artículo”
• Los inventarios deben prevalecer el mundo de los negocios

• Todas las compañías, independiente de su tamaño, deben tener
mantenimiento de los inventarios.
• Los Japoneses fueron pioneras en la introducción del sistema de inventario
Just in Time (JIT), Filosofía que hace énfasis en la planeación y
programación de modo que los materiales necesarios llegan justo a tiempo
para su uso.
Gestión de Stock
• Que son los Stock:
– Llamamos stocks o existencias de una empresa al conjunto de materiales
y artículos que se almacenan, tanto aquellos que son necesarios para el
proceso productivo como los destinados a la venta.
• Composición de los Stock:
– Son los artículos que almacena la empresa, tanto a los necesarios para la
fabricación como a los que se van a vender. Así pues, bajo esta misma
rúbrica se encuentran productos muy diversos:
Gestión de Stock
– Materias primas: Productos que sirven para la fabricación y que se encuentran
en el almacén a la espera de ser empleados en el proceso de producción.
– Productos semi-terminados: En este apartado podemos considerar los
productos en curso, es decir, los que se encuentran a la espera de ser
reintegrados en la siguiente fase de un proceso de fabricación, o los fabricados
por la empresa que no se destinan a la venta mientras no se completa su
fabricación.
– Productos terminados o mercaderías: Se encuentran en los almacenes a la
espera de ser vendido
Gestión de Stock
– Bienes de equipo y recambios: Es la maquinaria y los equipos empleados por la empresa
para desarrollar su actividad, así como las piezas dedicadas a la sustitución de las que se
van deteriorando en las máquinas del proceso productivo.
– Materiales diversos: Sirven para mantener las máquinas a punto.
– Productos defectuosos u obsoletos: Son los que han salido con algún defecto de
fabricación o se han quedado desfasados por permanecer mucho tiempo sin venderse.
– Envases y embalajes: Los envases son aquellos recipientes destinados a la venta, esto es,
que servirán para comercializar el producto que contienen. Los embalajes sirven para
proteger el producto envasado durante la manipulación, el almacenamiento y el transporte.
– Residuos: En el proceso productivo se generan desechos o restos sobrantes a los que o
bien no se puede sacar ningún provecho (virutas), o bien se pueden aprovechar de alguna
manera (chatarra).
Importancia gestión de stock
– Escasez: En primer lugar, debemos considerar el stock como un recurso para evitar la escasez.
Ya los primeros graneros o almacenes faraónicos de Egipto se construyeron para afrontar el futuro
con mayor seguridad y evitar así posibles momentos de penuria. Esta acumulación sirve, pues,
para protegernos ante la posibilidad de que las provisiones lleguen tarde o la demanda sea mayor
de lo previsto.
– Economía de escala: En el caso de las empresas industriales, es necesario tener en cuenta que
el coste de producir cada artículo (el coste unitario) disminuye a medida que aumenta el número
de éstos. Así, la fabricación de grandes cantidades de producto puede servir para abaratar los
costes de producción y, finalmente, el precio de venta del producto. No obstante, esto puede
suponer un inconveniente si el coste de almacenaje aumenta tanto que deja de compensar el
ahorro obtenido.
– Razones comerciales: La acumulación de stocks es una garantía de que podremos cubrir la
demanda de un producto; dicho de otro modo, un motivo para almacenar es tener el artículo
disponible cuando lo demande el cliente. Hay que tener cuidado con esto, pues un stock excesivo
puede conllevar unos mayores costes de almacén, que repercutirán en el precio de venta y, en
consecuencia, en la demanda.
Funciones del Inventario
El inventario puede servir para diferentes funciones importantes que añaden flexibilidad a la operación de
una empresa.
1. Proporcionar un stock de artículos para satisfacer la demanda anticipada de los clientes.
2. Separar de los procesos de producción y distribución. Por ejemplo, si la demanda de un producto es elevada
solo durante el verano, una empresa puede crear existencias durante el invierno y, de esta manera, evitar los
costes de escasez y falta de inventario durante el verano. De forma similar, si los suministros de una
empresa fluctúan, se pueden necesitar materias primas extra de inventario para separar los procesos
productivos.
3. Sacar ventaja de los descuentos por cantidad, debido a que las compras de grandes cantidades pueden
reducir sustancialmente el costo de los artículos.
4. Protegerse de la inflación y los cambios de precio
5. Protegerse de las roturas de inventario que pueden producirse por mal tiempo, fallos de suministros de los
proveedores, problemas de la calidad o entregas inadecuadas. Los “Stock de Seguridad”, o sea, los artículos
extras disponibles, pueden reducir el riesgo de roturas de inventario.
6. Permitir que las operaciones continúen con suavidad, con el empleo del inventario de “trabajo en curso”.
Este inventario existe porque la producción de bienes necesita tiempo y porque se almacena una cantidad
de inventarios a través del proceso.
Tipos de Stock
– Stock de ciclo: Es el que sirve para atender la demanda normal de los clientes. Se suelen hacer
pedidos de un tamaño tal que permita atender la demanda durante un periodo de tiempo largo.
– Stock de seguridad: Es el previsto para demandas inesperadas de clientes o retrasos en las
entregas de los proveedores. Funciona como un «colchón» complementario al stock de ciclo.
Ayuda a evitar las roturas de stock.
– Stock de presentación: Es el que está en el lineal para atender las ventas más inmediatas, es
decir, las que están a la vista del consumidor. La cantidad dependerá de la venta media, del tipo
de producto y de la política comercial que se mantenga.
– Stock estacional: Su objetivo es hacer frente a aquellas ventas esperadas que se producen en
una determinada estación o temporada. Sería el caso de las verduras, los helados o las gafas de
sol. También se puede producir por huelgas, guerras o, simplemente, por razones comerciales (la
semana de las corbatas, el día del libro, etcétera).
Tipos de Stock
– Stock en tránsito: Es el que está circulando por las distintas etapas del proceso productivo y de
comercialización. También se llama así el stock acumulado en los almacenes de tránsito situados
entre los almacenes del comprador y del vendedor.
– Stock de recuperación: Son artículos o productos usados, pero que pueden ser reutilizados en
parte o en su totalidad para otros nuevos.
– Stock muerto: Son los artículos obsoletos o viejos que ya no sirven para ser reutilizados y deben
ser desechados.
– Stock especulativo: Si se prevé que la demanda de un determinado bien va a incrementarse en
una gran cuantía, se acumula stock cuando aún no hay tal demanda y, por tanto, es menos
costoso. Recuerda que el precio de un producto aumenta en proporción directa a la demanda que
hay de él.
Costos de los modelos de inventarios
• Costo de adquisición: se refiere al costo directo asociado con traer el
producto al inventario. El costo incurrido puede ser un costo unitario fijo; o se
pude transformar en variable si existen descuento por compra en volumen,
este formato reduce los costos de compra por unidad para órdenes más
grandes.
Costo adquisición = Costo directo de reabastecer el inventario, ya sea

mediante compra o fabricación del producto.
C : costo de adquisición unitario
Costo inicial o de preparación: Consiste en los diversos costos administrativos directos
asociados con el inicio y procesamiento del pedido de compra, la recepción de la orden y el
procesamiento del pago.
Cuando un fabricante reabastece su inventario de un producto terminado mediante la
fabricación de ese producto, el costo de preparación consiste en el costo de iniciar el proceso
de fabricación para otra corrida de producción
Costo de preparación = costo de preparación para iniciar el reabastecimiento

del inventario, ya sea a través de adquisición o fabricación del producto.
k : costo inicial
Costo de mantener o almacenar inventario: Representa los costos
asociados con mantener en inventario los artículos hasta que se necesitan en
otra parte. Este costo incluye el costo del capital comprometido en inventario,
así como el costo del espacio, seguros, protección e impuestos atribuidos al
almacenaje.
Costo de almacenar = Costo de mantener unidades en inventario

h : Costo anual de mantenimiento por unidad mantenida - Costo unitario de
mantenimiento.
Costo por faltantes: Es el costo incurrido cuando hay necesidad de retirar unidades del
inventario y no hay existencia. Por lo común, los faltantes ocurren cuando entran más pedidos
de clientes de los que pueden surtirse con el inventario actual. La consecuencia de no poder
satisfacer las ordenes de inmediato es que se pueden perder las ventas porque estos clientes
compren en otra parte. Incluso si los clientes están dispuesto a esperar que se surta de nuevo
el inventario.
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.
o Costo anual de adquisición = c x número de unidades agregadas al inventario por año.

o Costo inicial anual = k x número de inicios anuales.
o Costo de mantener anual = h x número promedio de unidades en inventario durante un año.
o Costo de faltantes anual = p x número promedio de unidades faltantes durante un año.
Desarrollo de modelos de Inventarios
o Costo anual de adquisición = c x número de unidades agregadas al inventario por año.
o Costo inicial anual = k x número de inicios anuales.
o Costo de mantener anual = h x número promedio de unidades en inventario durante un año.
o Costo de faltantes anual = p x número promedio de unidades faltantes durante un año.
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.
Un inventario cuyo nivel de inventario actual se vigila de manera continua, se

conoce como un Sistema de revisión continua. En contraste, un sistema
cuyo nivel de inventario solo se verifica en forma periódica se llama Sistema
de revisión periódica.
Por lo cual el sistema de revisión continua calza en el supuesto requerido para
la aplicación del Modelo EOQ.
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.
Punto de Reorden = (Demanda diaria) x (tiempo de entrega)

Objetivo Modelo de Lote Económico - EOQ
El propósito del modelo EOQ es elegir la cantidad a ordenar que sea más económica. Así este
modelo tiene solo una variable.
Q = cantidad a ordenar
El objetivo específico al seleccionar Q es maximizar CVT.

El modelo básico EOQ no contempla los costos del producto y los costos por faltantes, ya que
se consideran como costos fijos.
CVT = costo inicial anual + costo de mantener anual.
Donde,
Costo inicial anual = k x número de inicios o preparaciones anuales
Costo de mantener anual = h x nivel promedio de inventario.
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.
Número de inicios por año = tasa de demanda anual = D

cantidad a ordenar Q
Nivel promedio de inventario = nivel máximo inv. + nivel mínimo inv = Q + 0 = Q

2 2 2
CVT = costo inicial anual + costo de mantener anual = K*D + h*Q

Q 2
$ 8.000,0
$ 7.000,0
$ 6.000,0
$ 5.000,0 CVT = costo inicial anual = costo de mantener anual

K
$ 4.000,0
h
h*Q = K*D
$ 3.000,0 CVT
2 Q
$ 2.000,0
$ 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
2. La cantidad a ordenar para reabastecer el inventario llega toda a la vez
cuando se desea.
El modelo EOQ con faltantes planeados toma en cuenta este tipo de

situación y sustituye solo el tercer supuesto del modelo básico EOQ por el
siguiente:
3. Ahora se permiten faltantes planeados. Cuando ocurre un faltante, los

clientes afectados esperan que el producto este nuevamente disponible.
Sus ordenes pendientes se satisfacen de inmediato cuando llega la
cantidad ordenada para reabastecer el inventario.
Modelo EOQ con faltantes planeados
Objetivo Modelo de EOQ con faltantes planeados
Este modelo tiene dos variables de decisión, las cuales son la cantidad a ordenar y el faltante
máximo. El objetivo principal es seleccionar
Q = cantidad a ordenar y S = faltante Máximo
Además en este caso los niveles de inventario se extienden a valores negativos que reflejan el
número de unidades del producto que faltaron o que están pendientes de entregar.
Donde:
p = costo de faltantes por unidad que falta por unidad de tiempo que falta,
S = nivel de inventario justo después de recibir un lote de Q unidades,
Q – S = faltante en inventario justo antes de recibir un lote de Q unidades.
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
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.
ℎ+𝑝 2𝐾𝐷
Entonces Modelo EOQ con faltantes planeadas: Q* =
𝑝 ℎ
ℎ
S* = x Q*
ℎ+𝑝
Nivel máximo de inventario: Q* - S*
Punto de Reorden: (Demanda Diaria)x(tiempo de entrega)-S*

Modelo EOQ con descuentos por volumen
• Cuando se especificaron las componentes de costos, los modelos anteriores suponen que el costo por
unidad de un articulo es el mismo sin importar la cantidad que compone el lote. En realidad, este
supuesto da como resultado que las soluciones optimas sean independientes del costo unitario. El
modelo EOQ con descuentos por cantidad sustituye ese supuesto con el siguiente.
– El costo unitario de un articulo depende de la cantidad de unidades que integren el lote. En particular, se
proporciona un incentivo para colocar una orden grande al cambiar el costo unitario de cantidades pequeñas
por un costo unitario menor en lotes mas grandes y quizá un costo unitario todavia mas pequeno para lotes
aún mas grandes
• Básicamente, el modelo de descuentos por cantidad, se basa en la comparación de costos, en donde
la cantidad optima a pedir, es aquella donde se reduzcan los costos totales.
• 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.
• 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.
Una corrida de producción

reabastece el inventario No hay Producción
La cantidad a ordenar Q es el número de unidades producidas durante una corrida de
producción. Este número se conoce como tamaño del lote de producción.
Excepto por el cambio de la manera de reabastecer, las suposiciones de este modelo son las
mismas que para el modelo básico EOQ.
2. La cantidad a ordenar para reabastecer el inventario llega toda a la vez cuando se desea.
2. Se programa que una corrida de producción inicie cada vez que el nivel de inventario llega
a 0 y esta producción reabastece el inventario a una tasa constante durante toda la corrida.
3. No se permiten faltantes.
La nueva fórmula de este modelo, se obtiene de la misma forma que el modelo básico EOQ,
con la salvedad de que el costo de mantener anual para el modelo básico EOQ ahora se
multiplica por el facto (1- D/R).
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.
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.
R = (tasa de producción diaria)(número de días hábiles por año)

𝐷 𝑄 𝐷
CVT = costo inicial anual + costo de mantener anual = k + h (1 - )
𝑄 2 𝑅
• Ejemplo:
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.
Los costos asociados de Pyoneer a la política actual es de:

• Costo unitario de producción = us$12 por parlante producido.
• Costo de preparación de una corrida de producción de parlantes = us$12000
• Costo unitario de mantener el inventario = us$3.60 por parlante por año.
Política actual de inventario:
• Tasa de demanda diaria = 1000 parlantes por día.

• Tasa de producción diaria = 3000 parlantes por día.
• Las instalaciones de producción se preparan para comenzar una corrida de producción cada vez que el inventario está programado para llegar a 0
• Cada corrida de producción fabrica 30000 parlantes en un periodo de 10 días hábiles, de modo que pasan otros 20 días laborables antes de que se
necesiten la siguiente corrida de producción.
• El nivel de inventario fluctúa entre 0 y un nivel máximo de inventario que es un poco menor que 30000 parlantes. La razón para no llegar a 30000 es
que los parlantes se retiran del inventario para ensamblarse en el minicomponente al mismo tiempo que se realizan una corrida de producción. (EOQ
con reabastecimiento gradual)
Modelo probabilístico e Inventarios de Seguridad
Todos los modelos de inventario analizados anteriormente, suponen que la demanda de un producto es constante y cierta.
Ahora, los siguientes modelos de inventario, se aplican cuando la demanda del producto no se conoce pero puede especificarse
mediante una distribución de probabilidad. Este tipo de modelos se llaman modelos probabilísticos.
Una preocupación importante de la administración es mantener un nivel de servicio adecuado ante la demanda incierta. El nivel
de servicio es el complemento de la probabilidad de un faltante. Por ejemplo, si la probabilidad de que ocurra un faltante es de
0.05, entonces el nivel de servicio es de 0.95. La demanda incierta eleva la posibilidad de faltantes. Un método adecuado para
reducir los faltantes consiste en mantener en inventario unidades adicionales. Como se indicó, tal inventario suele denominarse
inventario de seguridad o stock de seguridad. Implica agregar cierto número de unidades al punto de reorden, como un
amortiguador.
𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑅𝑒𝑜𝑟𝑑𝑒 = 𝑅𝑂𝑃 = 𝑑 ∗ 𝑙

d = Demanda diaria
l = Tiempo de entrega de la orden (Lead time)
La inclusión del inventario de seguridad (ss) en la fórmula es:
𝑃𝑢𝑛𝑡𝑜 𝑑𝑒 𝑅𝑒𝑜𝑟𝑑𝑒 = 𝑅𝑂𝑃 = 𝑑 ∗ 𝑙 + 𝑠𝑠
• 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.
Número de Unidades Probabilidad

30 0,2
40 0,2
50 0,3
60 0,2
70 0,1
¿Cuánto inventario de seguridad debería mantener la óptica?

Modelo de inventarios con demanda variable con el tiempo
Una de las variaciones de los modelos de inventarios con demanda determinística, es aquella en la cual se elimina el supuesto
de que la demanda es constante a lo largo del horizonte de planeación, es decir, que la demanda puede variar con el tiempo.
Si bien esta sigue siendo determinística, por su grado de conocimiento, esta consideración de variabilidad es mucho más real,
ajustándose con gran precisión en situaciones tales como:
• Productos que presentan demanda periódica bien establecida.

• Contratos de venta o producción, donde se conocen con certeza las cantidades a producir y/o despachar.
• Partes y repuestos destinados a un programa de mantenimiento preventivo, en los cuales axiomáticamente existe
gran grado de certeza.
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:
• Lote a Lote (L4L ó LFL)

• Método de Periodo Constante
• Cantidad Periódica de Pedido (POQ)
• Costo Total Mínimo (LTC)
• Costo Unitario Mínimo (LUC)
Modelo de inventarios Lote a Lote (L4L)
La técnica del lote a lote es la más sencilla de todas, consiste en realizar pedidos o
corridas de producción iguales a las necesidades netas de cada periodo, minimizando
así los costos de mantenimiento del inventario. Sus características principales son:
• Producir exactamente lo necesario sin tener que trasladar inventario a

periodos futuros.
• Minimizar al máximo los costos de mantenimiento.
• Desprecia los costos y las restricciones de capacidad de ordenar.
• Este es el modelo de control de inventarios predilecto al aplicar programas de
PMP y MRP, además es totalmente acorde con los sistemas productivos
enfocados estratégicamente en el proceso.
Modelo del Periodo Constante
Este método fija un intervalo entre los pedidos de manera arbitraria (sea empírica o
intuitivamente). Esto permite que la cantidad económica de ordenar y producir se ajuste
en cada pedido. Esto significa que los lotes se igualan a las sumas de las necesidades
netas en el intervalo elegido por la organización como fijo.
Cantidad Periódica de Pedido (POQ)
Este método se calcula mediante la cantidad económica de pedido (EOQ), y ajusta en la práctica la cantidad
que se manufactura o se compra en cada pedido. La mecánica del método parte del cálculo del EOQ y luego
se calcula la cantidad de pedidos que se hacen al año.
Para este método se tienen en cuenta las siguientes variables:
• N: Número de períodos considerados
• D: Suma de la demanda de los N periodos.
• Q*: Cantidad económica del pedido (EOQ)
• f: Frecuencia de pedido
• T*: Periodo óptimo de pedido.
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
1 50 110 60 $ 3,00 $ 47,00 $ 50,00

2 60 0 0 $ - $ - $ 50,00
3 70 130 60 $ 3,00 $ 47,00 $ 100,00
4 60 0 0 $ - $ - $ 100,00
5 95 170 75 $ 3,75 $ 47,00 $ 150,75
6 75 0 0 $ - $ - $ 150,75
7 60 115 55 $ 2,75 $ 47,00 $ 200,50
8 55 0 0 $ - $ - $ 200,50
9 70 150 80 $ 4,00 $ 47,00 $ 251,50
10 80 0 0 $ - $ - $ 251,50
11 65 135 70 $ 3,50 $ 47,00 $ 302,00
12 70 0 0 $ - $ - $ 302,00
13 65 125 60 $ 3,00 $ 47,00 $ 352,00
14 60 0 0 $ - $ - $ 352,00
15 55 55 0 $ - $ - $ 352,00
Cantidad Periódica de Pedido (POQ)
• N: Número de períodos considerados
• D: Suma de la demanda de los N periodos.
• Q*: Cantidad económica del pedido (EOQ)
• f: Frecuencia de pedido
• T*: Periodo óptimo de pedido.
𝑫 𝑁 2𝐾𝐷
𝒇= 𝑻= 𝑬𝑶𝑸 = 𝑸 ∗=
𝑸∗ 𝒇 ℎ
Capitulo I: Planeación y Programación de la
Producción
Producción

Prod - Unidad I - Pronostico y Gestion de Stock

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Prod - Unidad I - Pronostico y Gestion de Stock

Cargado por

Copyright:

Formatos disponibles

Capitulo I: Planeación y Programación de la

Raúl Castillo Villagra

Lectura de Caso Disney

Planeación de la Producción Raúl Castillo Villagra

 Es el arte y la ciencia de predecir eventos futuros.

Planeación de la Producción Raúl Castillo Villagra

Regla de Oro de los Pronósticos:

Planeación de la Producción Raúl Castillo Villagra

Evolución del Pronóstico

• Existen reuniones, parcialmente dominadas sin lograr consenso real.

• Comunicación y coordinación entre departamentos.

• Función de pronósticos separada.

Planeación de la Producción Raúl Castillo Villagra

Horizonte de Tiempo de un Pronóstico:

• Corto Plazo: Periodo de hasta 1 año, pero casi

Planeación de la Producción Raúl Castillo Villagra

Planeación de la Producción Raúl Castillo Villagra

Manejan situaciones y problemáticas

Las técnicas matemáticas como

Planeación de la Producción Raúl Castillo Villagra

Planeación de la Producción Raúl Castillo Villagra

Importancia Estratégica del pronósticos.

1. Un buen pronóstico es de importancia crucial para todos los aspectos del

Planeación de la Producción Raúl Castillo Villagra

Enfoques de los pronósticos

1. Pronóstico Cualitativo (subjetivos): Incorporan factores como la intuición, las

Planeación de la Producción Raúl Castillo Villagra

Características claves de los pronósticos cualitativos

Planeación de la Producción Raúl Castillo Villagra

1. Jurado de opinión de ejecutivos: Se analizan las opiniones de un grupo de expertos o ejecutivos

Planeación de la Producción Raúl Castillo Villagra

Planeación de la Producción Raúl Castillo Villagra

 “Los métodos de pronóstico asociativos o causales en ocasiones se denominan pronósticos extrínsecos.”

Pronóstico Cuantitativos: Series de Tiempo.

Planeación de la Producción Raúl Castillo Villagra

Los sietes pasos básicos de los Pronósticos

Planeación de la Producción Raúl Castillo Villagra

Los sietes pasos básicos de los Pronósticos

5. Recopilar los datos necesarios para elaborar el pronóstico: El equipo de pronósticos de

Planeación de la Producción Raúl Castillo Villagra

Componentes Pronósticos: Series de Tiempo

Planeación de la Producción Raúl Castillo Villagra

Descomposición de una Series de Tiempo

Raúl Castillo Villagra

Descomposición de una Series de Tiempo

Planeación de la Producción Raúl Castillo Villagra

Pronósticos: Serie de Tiempo.

Planeación de la Producción Raúl Castillo Villagra

Pronósticos: Serie de Tiempo.

𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑙𝑜𝑠 𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑝𝑟𝑒𝑣𝑖𝑜𝑠

n= n° de periodos incluidos en el promedio móvil

Ejemplo Promedios Móviles

Ventas Reales Promedio Móvil

Planeación de la Producción Raúl Castillo Villagra

Pronósticos: Serie de Tiempo.

Promedios Móviles Ponderados

𝑃𝑜𝑛𝑑𝑒𝑟𝑎𝑐𝑖ó𝑛 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛 (𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑛)

n= n° de periodos incluidos en el promedio móvil

Planeación de la Producción Raúl Castillo Villagra

Ejemplo Promedios Móviles Ponderados

Ventas Reales Promedio Móvil

diciembre 2014 90 0,5 Pronóstico de Vtas

diciembre 2014 106 (102x0,5+103x1+105x2+107x3)/6,5 105 Media Móvil Ponderada