Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Módulo 5 Administración de La Producción I
Módulo 5 Administración de La Producción I
ADMINISTRACION DE LA PRODUCCIÓN
I. Datos Generales
Nombre de la Asignatura: Admón. de la Producción Código: APE-0909
Unidades valorativas: 4 Duración del Módulo: 10 días
Objetivos Específicos:
1. Explicar cómo se utiliza el cálculo del error del pronóstico para determinar el
modelo de pronóstico más adecuado.
2. Describir cómo se desarrollan los cálculos de pronósticos utilizando el modelo
de proyección de tendencias.
3. Explicar cómo se aplica la variación estacional para el ajuste de la demanda.
4. Describir como se emplea el análisis de regresión lineal para el cálculo de
pronósticos.
Competencias a alcanzar:
1. Selecciona el método de pronóstico más adecuado para predecir la demanda
mediante el uso de los métodos de cálculo de error de pronóstico.
2. Obtiene el pronóstico de la demanda utilizando el modelo de proyección de
tendencias.
3. Emplea los índices de variación estacional para ajustar la demanda.
4. Utiliza el análisis de regresión lineal para el cálculo de los pronósticos.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
INTRODUCCIÓN
En el módulo anterior discutimos algunos conceptos sobre los pronósticos, los tipos
de pronósticos y algunos modelos de pronósticos cualitativos y cuantitativos. En este
módulo desarrollaremos el tema de error en los pronósticos para determinar qué
modelo de pronóstico es el más adecuado para hacer una predicción de la demanda.
Además, conoceremos otros modelos de pronósticos cuantitativos, como ser: el
modelo de proyección de tendencia, el modelo de variación estacional, así como el
análisis de regresión lineal.
Existen varios métodos para hacer este análisis. Entre ellos tenemos:
1. Desviación absoluta media (MAD, por sus siglas en inglés)
2. Error cuadrático medio (MSC, por sus siglas en inglés)
3. Error porcentual absoluto medio (MAPE, por sus siglas en inglés)
Para los objetivos de este módulo solo se analizará el método de Desviación Absoluta
Media.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Ejemplo 1:
En la tabla siguiente se muestran los precios en los últimos meses de un chip
electrónico utilizado en ciertos tipos de computadoras. También se muestra el
pronóstico del precio utilizando promedio móvil simple y suavizamiento
exponencial con α = 0.3. Determine cuál de los dos modelos de pronóstico es
el más adecuado para predecir el precio del chip utilizando calculando la
desviación absoluta media para cada pronóstico.
Precio Suavizamiento
Promedio
Mes por chip exponencial
Móvil simple
($) (α=0.3)
Solución:
Para determinar la desviación absoluta media primero debemos calcular el error
de cada uno de los pronósticos calculados.
Para el promedio móvil tenemos el pronóstico del mes de abril, el error para ese
mes sería:
𝐸𝑟𝑟𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = |1.85 − 1.72| = 0.13
Observe que el cálculo se encuentra entre las barras del valor absoluto, lo que
significa que el error siempre lo consideramos como un valor positivo. El error
para el pronóstico de promedio móvil simple en mes de abril es de 0.13. Los
cálculos del error para los demás meses se muestran en la tabla de la siguiente
página.
Precio Promedio
Error porcentual S.E. Error porcentual
Mes por chip Móvil
absoluto (α=0.3) absoluto
($) simple
Una vez que se obtienen los errores absolutos de los pronósticos, se hace una
sumatoria de ellos. Para nuestro caso la sumatoria de errores absolutos para
promedio móvil simple es de 0.44 y la sumatoria para suavizamiento
exponencial con α = 0.3 es de 0.53.
Ahora debemos calcular el MAD para cada modelo de pronóstico. Para promedio
móvil simple el MAD se calcularía:
0.44
𝑀𝐴𝐷 = = 0.088
5
Se ha dividido la sumatoria los errores absolutos entre 5 debido a que solo
tenemos 5 datos de pronóstico de promedio móvil ponderado.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Respuesta:
Analizando los resultados de MAD para los modelos de pronósticos podemos
observar que de los dos modelos de pronósticos el que tiene el menor MAD es
el pronóstico con suavizamiento exponencial con α = 0.3, por tanto, de los dos
modelos, este es el más adecuado para predecir la demanda.
Algunas observaciones:
Para determinar el modelo de pronóstico más adecuado es necesario contar
con datos muy precisos de la demanda.
Se deben utilizar varios modelos de pronósticos considerando varias
condiciones, para obtener el modelo más adecuado para predecir la
demanda. No nos podemos basar en unos dos o tres escenarios se deben
considerar todas las posibilidades que se pueden presentar.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
PROYECCIONES DE TENDENCIA
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. Se pueden desarrollar varias ecuaciones matemáticas (por ejemplo,
exponencial y cuadrática), pero en esta sección veremos sólo tendencias lineales (en
línea recta).
ecuación:
𝑦̂ = 𝑎 + 𝑏𝑥
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Figura 1: Método de mínimos cuadrados para encontrar la recta que mejor se ajuste, donde los
asteriscos son las ubicaciones de las siete observaciones reales o de los puntos de datos. Fuente:
(Render, 2009)
Donde:
ŷ (que se lee “y gorro”) = valor calculado de la variable que debe predecirse
(llamada 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 (que en este caso es el tiempo)
Los estadísticos 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 − 𝑛𝑥̅ 𝑦̅
𝑏=
∑ 𝑥 2 − 𝑛𝑥̅ 2
Donde
b = pendiente de la recta de regresión
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Σ = signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
𝑥̅ = promedio de los valores de x
ȳ = promedio de los valores de y
n = número de puntos de datos u observaciones
Ejemplo 1:
En la tabla siguiente se muestra la demanda de energía eléctrica en N. Y. Edison
durante el periodo 2001 a 2007, en megawatts. La empresa quiere pronosticar
la demanda para 2008 ajustando una recta de tendencia a estos datos.
Demanda de Demanda de
energía energía
Año eléctrica Año eléctrica
2001 74 2005 105
2002 79 2006 142
2003 80 2007 122
2004 90
Solución:
Para realizar el cálculo del pronóstico numeramos cada año, asignando como
número 1 al año más lejano, en este caso 2001, número dos al siguiente y así
sucesivamente. La tabla nos quedaría de la siguiente manera:
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Demanda
de energía
Periodo eléctrica
Año (x) (y) x2 xy
2001 1 74 1 74
2002 2 76 4 152
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3057
∑ 𝑥 28
𝑥̅ = = =4
𝑛 7
𝑦̂ = 𝑎 + 𝑏𝑥
𝑦̂ = 56.70 + 10.54𝑥
A continuación se presentan los pasos que seguiría una compañía que tiene
“estaciones” de un mes:
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= 0.80. De igual forma, un índice estacional de 1.20 para febrero
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Ejemplo 2:
Un distribuidor de computadoras portátiles quiere desarrollar índices mensuales
para las ventas y a partir de ellos calcular el pronóstico de la demanda mensual,
suponiendo un pronóstico anual para 2008 de 1,440 computadoras. A
continuación se muestran los datos mensuales para los años 2005 a 2007.
Demanda
Mes 2005 2006 2007
Enero 80 85 105
Febrero 70 85 85
Marzo 80 93 82
Abril 90 95 115
Mayo 113 125 131
Junio 110 115 120
Julio 100 102 113
Agosto 88 102 110
Septiembre 85 90 95
Octubre 77 78 85
Noviembre 75 82 83
Diciembre 82 78 80
Solución:
Para iniciar debemos obtener la demanda promedio para cada periodo. Para el
mes de enero sería:
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
80 + 85 + 105
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝐸𝑛𝑒𝑟𝑜 = = 90
3
Demanda Demanda
Demanda Promedio para promedio Índice
Mes 2005 2006 2007 el periodo mensual Estacional
Enero 80 85 105 90 94 0.96
Febrero 70 85 85 80 94 0.85
Marzo 80 93 82 85 94 0.90
Abril 90 95 115 100 94 1.06
Mayo 113 125 131 123 94 1.31
Junio 110 115 120 115 94 1.22
Julio 100 102 113 105 94 1.12
Agosto 88 102 110 100 94 1.06
Septiembre 85 90 95 90 94 0.96
Octubre 77 78 85 80 94 0.85
Noviembre 75 82 83 80 94 0.85
Diciembre 82 78 80 80 94 0.85
Σ=1128
𝟗𝟎
𝑰𝒏𝒅𝒊𝒄𝒆 𝒆𝒔𝒕𝒂𝒄𝒊𝒐𝒏𝒂𝒍 𝑬𝒏𝒆𝒓𝒐 = = 𝟎. 𝟗𝟔
𝟗𝟒
Para determinar la demanda para cada mes del año 2008, dividimos la
demanda anual entre el número de períodos considerados:
1440
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 2008 = = 120 𝑐𝑜𝑚𝑝𝑢𝑡𝑎𝑑𝑜𝑟𝑎𝑠
12
Luego multiplicamos esta demanda promedio por cada índice estacional, como
sigue:
Enero 120 x 0.96 = 114.89 ≈ 115 computadoras
Febrero 120 x 0.85 = 102.13 ≈ 102 computadoras
Marzo 120 x 0.90 = 108.51 ≈ 109 computadoras
Abril 120 x 1.06 = 127.66 ≈ 128 computadoras
Mayo 120 x 1.31 = 157.02 ≈ 157 computadoras
Junio 120 x 1.22 = 146.81 ≈ 147 computadoras
Julio 120 x 1.12 = 134.04 ≈ 134 computadoras
Agosto 120 x 1.06 = 127.66 ≈ 128 computadoras
Septiembre 120 x 0.96 = 114.89 ≈ 115 computadoras
Octubre 120 x 0.85 = 102.13 ≈ 102 computadoras
Noviembre 120 x 0.85 = 102.13 ≈ 102 computadoras
Diciembre 120 x 0.85 = 102.13 ≈ 102 computadoras
Piense en estos índices como porcentajes de las ventas promedio. Las ventas
promedio (sin estacionalidad) serían de 94, pero con estacionalidad, las ventas
fluctúan entre 85% y 131% del promedio.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Por simplicidad, en el ejemplo anterior sólo se usaron 3 periodos para cada índice
mensual. En el ejemplo siguiente se ilustra la forma en que los índices ya preparados
pueden aplicarse para ajustar los pronósticos de la recta de tendencia a la
estacionalidad.
Ejemplo 3
Un hospital quiere mejorar sus pronósticos aplicando tanto tendencia como
índices estacionales a datos recopilados durante 66 meses. Se pronosticarán
los “días-paciente” para el año próximo.
Solución:
Se obtuvo una recta de tendencia; después se calcularon los índices
estacionales. Por último, se usa un modelo estacional multiplicativo para
pronosticar los meses del 67 al 78.
Usando los datos recopilados en 66 meses de los días que pasa cada paciente
adulto en el hospital, se calculó la siguiente ecuación:
𝑦̂ = 8,090 + 21.5𝑥
Donde:
𝑦̂ =días-paciente
x = tiempo, en meses.
Con base en este modelo, que refleja sólo datos de tendencia, el hospital
pronostica que para el siguiente mes (periodo 67) los días-paciente serán:
𝐷í𝑎𝑠 − 𝑝𝑎𝑐𝑖𝑒𝑛𝑡𝑒
= (𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑐𝑜𝑛 𝑎𝑗𝑢𝑠𝑡𝑒 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 )(Í𝑛𝑑𝑖𝑐𝑒 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑚𝑒𝑛𝑠𝑢𝑎𝑙)
= (9,530)(1.04) = 9,911
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
Mes Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Pronóstico con 9,911 9,265 9,764 9,691 9,520 9,542 9,949 10,068 9,411 9,724 9,355 9,572
tendencia y
estacionalidad
Ejemplo:
A partir de los seis puntos de datos, parece haber una ligera relación positiva
entre la variable independiente (nómina) y la variable dependiente (ventas): A
medida que se incrementa la nómina, las ventas tienden a ser más altas.
1 2 1 74
3 3 4 152
4 2.5 9 240
2 2 16 360
1 2 25 525
7 3.5 36 852
Σx = 18 Σy = 15 Σx = 80
2
Σxy = 51.5
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN
La parte final del ejemplo muestra una debilidad central de los métodos de
pronóstico asociativo como el de regresión. Aun cuando calculamos una ecuación de
regresión, debemos dar un pronóstico para la variable independiente x —en este
caso, la nómina— antes de estimar la variable dependiente y para el siguiente
periodo. Aunque éste no es un problema para todos los pronósticos, es posible
imaginar la dificultad que implica determinar los valores futuros de algunas variables
independientes comunes (como índices de desempleo, producto nacional bruto,
índices de precios, y otros).
EJERCICIOS
1. Se aplicó cierto modelo de pronóstico para anticipar un periodo de seis
meses. Aquí están la demanda pronosticada y la real:
Mes Pronóstico Real
Marzo 50 54
Abril 66 61
Mayo 75 74
Junio 70 68
Julio 68 73
Agosto 72 71
Pronósticos
Demanda
Semana Método 1 Método 2 real
1 12 13 14
2 14 15 16
3 13 14 15
4 15 16 17
Demanda Demanda
Mes (miles) Mes (miles)
Enero 21 Julio 31
Febrero 22 Agosto 29
Marzo 25 Septiembre 28
Abril 21 Octubre 31
Mayo 23 Noviembre 32
Junio 27 Diciembre 33
Demanda Demanda
Mes (miles de unid.) Mes (miles de unid.)
Enero 17 Junio 20
Febrero 16 Julio 23
Marzo 18 Agosto 25
Abril 20 Septiembre 24
Mayo 21
Asistencia Asistencia
Mes (en miles) Mes (en miles)
Trimestre 1 Trimestre 3
2010 210 2011 312
Trimestre 2 Trimestre 4
2010 245 2011 147
Trimestre 3 Trimestre 1
2010 289 2012 222
Trimestre 4 Trimestre 2
2010 153 2012 255
Trimestre 1 Trimestre 3
2011 198 2012 323
Trimestre 2 Trimestre 4
2011 238 2012 156
Precio Venta de
(Lempiras) café
(unidades)
22 720
32 432
20 866
40 175
30 545
38 268
BIBLIOGRAFIA:
1. Chase, R., Aquilano, N. y Jacobs, (2009). Administración de Operaciones:
Producción y cadena de suministros, México: McGraw Hill.
2. Render, B. y J. Haizer. (2009). Principios de Administración de Operaciones.
(7a ed). México: Editorial Pearson/Prentice Hall.
3. Schroeder, R. (2011). Administración de Operaciones. (8a ed). México:
McGraw-Hill.