PLANIFICACIN Y CONTROL

DE LA PRODUCIN
PRONOSTICOS
INGENIERIA INDUSTRIAL
ING. GERARDO GOMEZ DE LA CRUZ

CONTENIDO DEL
PROGRAMA

PRONOSTICOS
2.1
2.2
2.3
2.4

Clasificacin e importancia.
Mtodos cualitativos.
Identificacin de patrones.
Anlisis de series de tiempos.

PRONOSTICOS
El pronstico es la base de la planeacin corporativa a largo
plazo. En las reas funcionales de finanzas y contabilidad, los
pronsticos proporcionan el fundamento para la planeacin
de presupuestos y el control de costos. El marketing depende
del pronstico de ventas para planear productos
nuevos, compensar al personal de ventas y tomar otras
decisiones clave.
El personal de produccin y operaciones utiliza los
pronsticos para tomar decisiones peridicas que
comprenden la seleccin de procesos, la planeacin de las
capacidades y la distribucin de las instalaciones, as como
para tomar decisiones continuas acerca de la planeacin de
la produccin, la programacin y el inventario.

Vocabulario
Pronstico de regresin lineal; Tcnica de pronstico en la que se presume que los
datos previos y las proyecciones a futuro caen sobre una recta.
Pronstico enfocado Mtodo de pronosticar en el que se ensayan varias tcnicas
mediante simulacin computarizada. La mejor tcnica o el mejor conjunto de
tcnicas se aplica al pronstico real.
Anlisis de series de tiempo Tipo de pronstico en que se anticipa la demanda
futura con datos relacionados a la demanda anterior.
Suavizacin exponencial Tcnica de pronstico por series de tiempo, en la que
cada incremento de los datos de la demanda anterior aminora en (1 ).
Constante de suavizacin alfa () Parmetro de la ecuacin de suavizacin
exponencial que controla la velocidad de reaccin a las diferencias entre los
pronsticos y la demanda real.
Constante de suavizacin delta () Parmetro adicional de la ecuacin
de suavizacin exponencial que comprende un ajuste de la tendencia.

Tipos de Pronsticos

Tipos de Pronsticos

Tipos de Pronsticos

Demanda histrica de productos que consiste en

una tendencia al crecimiento y una demanda
temporal

demanda durante un periodo de 4 aos, as como el promedio, la

tendencia y los componentes estacionales o la aleatoriedad alrededor de la
curva de la demanda

Los 4 tipos
comunes.

de

tendencias

ms

Los 4 tipos
comunes.

de

tendencias

ms

MODELO DE SERIES DE TIEMPO

MODELO DE SERIES DE TIEMPO

los modelos a corto plazo compensan la variacin aleatoria y se ajustan a

los cambios a corto plazo (como las respuestas del consumidor a un
producto nuevo). Los pronsticos a mediano plazo son tiles para efectos
estacionales, y los modelos a largo plazo detectan las tendencias generales
y son muy tiles para identificar los cambios ms importantes.
El modelo de pronstico que una empresa debe utilizar depende de:
1. El horizonte de tiempo que se va a pronosticar.
2. La disponibilidad de los datos.
3. La precisin requerida.
4. El tamao del presupuesto de pronstico.
5. La disponibilidad de personal calificado.

PROMEDIO MOVIL SIMPLE

PROMEDIO MOVIL SIMPLE

Ejercicio 1
Una empresa tiene una demanda de sus productos
por semana las cuales se presenta en la siguiente
tabla.
Calcular el periodo a 3 semanas y 9 semanas por el
mtodo de promedios mviles.:

A 9 meses

PROMEDIO MOVIL PONDERADO

Promedio Mvil ponderado

PROMEDIO MVIL PONDERADO
Mientras que el promedio mvil simple da igual importancia a cada uno de
los componentes de la base de datos del promedio mvil, un promedio
mvil ponderado permite asignar cualquier importancia a cada elemento,
siempre y cuando la suma de todas las ponderaciones sea igual a uno.
Ejemplo:
Tal vez una tienda departamental se d cuenta de que en un periodo de
cuatro meses, el mejor pronstico se deriva utilizando 40% de las ventas
reales durante el mes ms reciente, 30% de dos meses antes, 20% de tres
meses antes y 10% de hace cuatro meses. Si las ventas reales fueron

Promedio Mvil ponderado

Promedio Mvil ponderado

Promedio Mvil ponderado

Eleccin de ponderaciones
La experiencia y las pruebas son las formas ms sencillas de elegir las
ponderaciones. Por regla general, el pasado ms reciente es el indicador ms
importante de lo que se espera en el futuro y, por lo tanto, debe tener una
ponderacin ms alta. Los ingresos o la capacidad de la planta del mes
pasado, por ejemplo, seran un mejor estimado para el mes prximo que los
ingresos o la capacidad de la planta de hace varios meses.
No obstante, si los datos son estacionales, por ejemplo, las ponderaciones se
deben establecer en forma correspondiente. Las ventas de trajes de bao en
julio del ao pasado deben tener una ponderacin ms alta que las ventas de
trajes de bao en diciembre (en el hemisferio norte).
El promedio mvil ponderado tiene una ventaja definitiva sobre el promedio
mvil simple en cuanto a que puede variar los efectos de los datos pasados.
Sin embargo, es ms inconveniente y costoso de usar que el mtodo de
suavizacin exponencial, que se analiza a continuacin.

Ejercicio 2
UNA EMPRESA DE CHOCOLATE TIENE VENTAS EN MILES DE UNIDADES EL CUAL SE
PRESENTA A CONTINUACION
Mes

Ventas de chocolates en
miles de unidades

enero

20

febrero

21

marzo

15

abril

14

mayo

13

junio

16

julio

17

agosto

18

septiembr
e

20

octubre

20

noviembr
e
diciembre

a) El valor esperado de ventas de chocolate

para enero del 2015.
b) La tendencia de la demanda para el
producto de chocolate tabasqueo. Usar una
media mvil simple abarcando tres periodos
c) La tendencia de la demanda para el
producto de chocolate tabasqueo, use ahora
una media mvil simple de dos periodos
d) Determinar la desviacin promedio absoluta
de los valores anteriores y determine cual
genera el menor error de estimacin

21
23

e) cual es el valor mas confiable para enero

del 2015 sobre ventas de chocolate

SUAVIZACIN
EXPONENCIAL

Suavizacin exponencial
En los mtodos de pronsticos anteriores (promedios mviles
simple y ponderado), la principal desventaja es la necesidad de
manejar en forma continua gran cantidad de datos histricos
(esto tambin sucede con las tcnicas de anlisis de regresin,
que se estudiarn en breve). En estos mtodos, al agregar cada
nueva pieza de datos, se elimina la observacin anterior y se
calcula el nuevo pronstico. En muchas aplicaciones (quizs en
la mayor parte), las ocurrencias ms recientes son ms
indicativas del futuro que aquellas en el pasado ms distante. Si
esta premisa es vlida (que la importancia de los datos
disminuye conforme el pasado se vuelve ms distante), es
probable que el mtodo ms lgico y fcil sea la suavizacin
exponencial.

Suavizacin exponencial

Suavizacin exponencial
constante de uniformidad alfa ().
Esta constante de suavizacin determina el nivel de uniformidad y la velocidad de
reaccin a las diferencias entre los pronsticos y las ocurrencias reales. El valor de
una constante se determina tanto por la naturaleza del producto como por el sentido
del gerente de lo que constituye un buen ndice de respuesta. Por ejemplo, si una
empresa produjo un artculo estndar con una demanda relativamente estable, el
ndice de reaccin a las diferencias entre la demanda real y pronosticada
presentaran una tendencia a ser pequeas, quiz de slo 5 o 10 puntos
porcentuales. No obstante, si la empresa experimentara un crecimiento, sera mejor
tener un ndice de reaccin ms alto, quiz de 15 o 30 puntos porcentuales, para dar
mayor importancia a la experiencia de crecimiento reciente. Mientras ms rpido sea
el crecimiento, ms alto deber ser el ndice de reaccin. En ocasiones, los usuarios
del promedio mvil simple cambian a la suavizacin exponencial pero conservan las
proyecciones similares a las del promedio mvil simple. En este caso, se calcula:
2 (n + 1), donde n es el nmero de periodos.

Tendencias

Observe que mientras ms alto sea el valor de alfa, el pronstico ser ms

cercano a la realidad.

Suavizacin exponencial
Ejercicio 1
Con una exponencial aminorada con alfa=.1 calcule el pronostico para el
mes de enero del 2015 por medio del mtodo de Suavizacin exponencial.
2015

20

EJEMPLO
Week
1
2
3
4
5
6
7
8
9
10

Demand
820
775
680
655
750
802
798
689
775

Question: Given the weekly demand data,

what are the exponential smoothing
forecasts for periods 2-10 using =0.10
and =0.60?
Assume F1=D1

Answer: The respective alphas columns denote

the forecast values. Note that you can only
forecast one time period into the future.

Exponential Smoothing Problem (1) Plotting

Note
Notehow
howthat
thatthe
thesmaller
smalleralpha
alpharesults
resultsin
inaa smoother
smootherline
line
in
inthis
thisexample
example

Demand

900
800

Demand

700

0.1

600

0.6

500
1

Week

10

MAD
La desviacin absoluta media (MAD; mean absolute
deviacin) se utilizaba con mucha frecuencia en el pasado,
pero posteriormente fue reemplazada por la desviacin
estndar y las medidas de error estndar. En aos recientes,
la MAD regres por su simplicidad y utilidad al obtener
seales de rastreo. La MAD es el error promedio en los
pronsticos, mediante el uso de valores absolutos. Es valiosa
porque, al igual que la desviacin estndar, mide la
dispersin de un valor observado en relacin con un valor
esperado. La MAD se calcula utilizando las diferencias entre
la demanda real y la demanda pronosticada sin importar el
signo. Es igual a la suma de las desviaciones absolutas
dividida entre el nmero de puntos de datos o, en forma de
ecuacin.

MAD

MAD
Cuando los errores que ocurren en el pronstico tienen una distribucin
normal (el caso ms comn), la desviacin absoluta media se relaciona
con la desviacin estndar como:

MAD

MAD
La desviacin estndar es la medida ms grande. Si la MAD de un conjunto
de puntos es 60 unidades, la desviacin estndar es 75 unidades. En la
manera estadstica normal, si los lmites de control se establecen en ms o
menos 3 desviaciones estndar (o 3.75 MAD), entonces 99.7% de los
puntos caeran dentro de estos lmites. Una seal de seguimiento es una
medida que indica si el promedio pronosticado sigue el paso de cualquier
cambio hacia arriba o hacia abajo en la demanda. Como se utiliza en el
pronstico, la seal de seguimiento es el nmero de desviaciones absolutas
medias que el valor pronosticado se encuentra por encima por debajo de la
ocurrencia real. La ilustracin 15.7 muestra una distribucin normal con una
media de 0 y una MAD igual a 1. Por lo tanto, si se calcula la seal de
seguimiento y se encuentra que es igual a menos 2, se puede ver que el
modelo de pronstico ofrece pronsticos por encima de la media de las
ocurrencias reales. Es posible calcular una seal de seguimiento (TS,
tracking signal) utilizando la suma aritmtica de
las desviaciones
pronosticadas dividida entre la desviacin absoluta media:

Tarea 1
Problema 1

Tarea 1
Problema 2

REGRESION LINEAL

Regresin Lineal