ADMINISTRACION DE LA

PRODUCCION

PRONOSTICOS

1
 QU ES PRONOSTICAR?

Es el arte y la ciencia de predecir los

Cuanto
eventos futuros . Puede involucrar el
vender?
manejo de datos histricos para
proyectarlos al futuro, mediante algn
tipo de modelo matemtico.
Puede ser una prediccin subjetiva o
intuitiva. O bien una combinacin de
ambas,es decir un modelo
matemtico ajustado por el buen
juicio de un administrador de
operaciones.
 PRONSTICOS PARTE INTEGRAL
DEL PLANEAMIENTO DE NEGOCIOS

Ingreso: Estimacin
Mtodos de
Mercado, de la
Pronstico
Economa, demanda
Otros

Pronstico Equipo de
de Ventas Administracin

Estrategia Pronstico de
de Negocios Recursos de Produccin 5
 EJEMPLOS DE PRONSTICOS DE
RECURSOS DE PRODUCCIN

Horizonte Comienzo Unidad de

Pronstico
Tiempo
del Pronstico Medida

Rango Lnea de Productos, Dolares,

Ao
Alto Capacidad de Planta Libras

Rango Grupos de Productos Dolares,

Meses
Medio Capacidad de Dptos. Libras

Rango Productos Especificos Prod. Units,

Semanas
Corto Capacidad de Maq. Unidades
6
 MARKETING OPERACIONES
Proporciona informacin
relacionada con el Se encarga de asegurar
mercado y las que los bienes y servicios
predicciones de la de la Empresa se
demanda. proporcionen cuando se
Administra la demanda necesiten.
mediante polticas de
fijacin de precio y
promociones p.e. los
descuentos de temporada
nivelan la demanda por un
producto o servicio.
 TIPOS DE PRONOSTICO POR
HORIZONTE DE TIEMPO
Pronstico a corto plazo
Hasta 3 meses.
Asignacin de trabajos
Pronstico a mediano plazo
Entre 3 meses y 3 aos.
Planeacin de Produccin y venta.
Pronstico a largo plazo
Mas de 3 aos
Planeacin de un nuevo producto.

8
TIPOS DE PRONSTICOS

Econmicos
Tecnolgicos
De demanda

9
 PRONOSTICOS ECONOMICOS

Sirven para pronosticar lo que

sern las condiciones
generales de los negocios
dentro de algunos meses o
aos.
Lo hacen los gobiernos, los
bancos y los servicios de
prediccin economtrica.
 PRONOSTICOS TECNOLOGICOS

Pronostican la probabilidad y
el significado de posibles
desarrollos futuros.Indican la
direccin de los cambios
tecnolgicos y la tasa de
cambios esperada.
 PRONOSTICOS DE LA DEMANDA

Las predicciones de
demanda pronostican la
cantidad y la duracin
de la demanda de los
bienes y servicios de
una empresa.
 ENFOQUES PARA PRONOSTICAR

Pronsticos Cualitativos
Pronsticos
Cuantitativos

13
 ENFOQUES CUALITATIVOS PARA
PRONOSTICAR LA DEMANDA

Las tcnicas cualitativas de prediccin dependen de

conjetura adquiridas con base en la institucin las
tcnicas cualitativas mas comunes son:

Jurado de opinin ejecutiva

Mtodo Delphi.
Fuerza de ventas
Encuestas a los clientes.
 JURADO DE OPININ EJECUTIVA
Permite la fusin de las opiniones de
una seccin de expertos
interfuncionales.
Esta tcnica es relativamente
econmica y mas utilizada a mediano y
largo plazo. METODO DELPHI
Este mtodo involucra a un grupo de
expertos que comparten informacin y
eventualmente llegan a un consenso
en una prediccin a largo plazo con
respecto a las tecnologa del futuro o a
las ventas futuras de un nuevo
producto
 FUERZA DE VENTAS
En muchas compaas la fuerza de ventas
entra en contacto directo con los clientes lo
cual constituye una buena fuente de
informacin que considera las intenciones de
los clientes a corto y a mediano plazos.
ENCUESTA A LOS CLIENTES
Una empresa tambin puede basar sus
predicciones en los planes establecidos de
compras futuras de sus clientes actuales y
otenciales mediante una encuesta a sus
clientes .Esta informacin puede obtenerse
directamente por medio de encuestas
personales, por telfono, correo o fax.
 ENFOQUES CUANTITATIVOS PARA
PRONOSTICAR LA DEMANDA

Estos mtodos cuantitativos emplean los modelos

matemticos y los datos histricos para pronosticar
la demanda. As, el pasado se utiliza para predecir
el futuro.
Hay dos tipos generales de mtodos cuantitativos:
- Modelos de Series de tiempo
- Modelos Causales
 MODELOS DE SERIES DE TIEMPO
Incluye elaborar grficas de los datos de
demanda sobre una escala de tiempo y estudiar
las grficas para descubrir los modelos y las
figuras o los patrones consistentes. Luego, estos
patrones se proyectan hacia el futuro.

DEFINICION: Una serie de tiempo es una

secuencia de observaciones cronolgicamente
clasificadas que se toman a intervalos regulares
para una variable en particular.
COMPONENTES DE LAS SERIES DE
TIEMPO

Tendencia Cclica

Estacional Aleatorio

19
 METODOS CUANTITATIVOS

Mtodo
Cuantitativo

Modelos Modelos
Serie de Causales
Tiempos

Promedio Suavizado Proyeccin Regresin

Mvil Exponencial Tendencia Lineal

20
 DESCOMPOSICION DE UNA
SERIE DE TIEMPOS
Tedencia (T) es el movimiento gradual, ascendente o
descendente, de los datos a traves del tiempo.
Estacionalidad (S) es el patron de datos que se repite
a si mismo despues de un periodo de dias, semanas,
meses, trimestres, estaciones, etc. pero dentrol ao..
Ciclos (C) son patrones que ocurren enlos datos cada
varios aos.
Variacin al azar (R) son variaciones aleatorias que
no obedecen a ningun comportamiento.

21
 TENDENCIAS
Las tendencias reflejan los cambios en
la tecnologa, los estndares de vida,
los ndices de poblacin ,etc..
DEFINICION: Una tendencia es el
movimiento gradual hacia arriba o
hacia debajo de los datos en el tiempo.
Las tendencias son montonas , pero
no siempre lineales; pueden ser
logartmica o exponenciales.
 ESTACIONALIDAD
Las variaciones de temporada
pueden corresponder a las
estaciones del ao, a los das
festivos o a diferentes momentos
del da o la semana.
DEFINICION: La temporada es la
variacin que se repite a intervalos
fijos. Pueden durar un ao o solo
unas pocas horas.
 ESTACIONALIDAD

Perido de tiempo Nmero de

del Patrn donde Longitud de la Estaciones en
es repetido Estacin el Patrn

Ao Trimestre 4
Ao Mes 12
Year Semana 52
Mes Semana 4
Mes Dia 28-31
Semana Dia 7

24
 VARIACIONES CICLICAS

Las alzas y las bajas de la

economa o de una industria
especificas se representan en
variaciones cclicas . El ciclo de
negocios que se repite de cinco a
diez aos es un ejemplo.
DEFINICION: La variacin cclica
tiene una duracin de por lo
menos un ao; la variacin varia
de un ciclo a otro.
 VARIACIONES ALEATORIAS
Las variaciones aleatorias son variaciones
en la demanda que no pueden explicarse
mediante tendencias , variaciones de
temporada o variaciones cclicas. Un suceso
impredecible, como una guerra, una huelga,
un terremoto o partes de legislacin, puede
causar grandes variaciones aleatorias. A
diferencia de las otras tendencias , la
variacin aleatoria siempre esta presente.
 MODELOS DE
SERIE DE TIEMPOS

27
 MODELOS DE SERIE DE TIEMPO

Modelo Multiplicativo de una serie de tiempo:

At = Tt * St * Ct * Et
Modelo Aditivo de una serie de tiempo:
At = Tt + St + C + Et
Donde :
At=Demanda real en el perodo t
Tt= Componente de tendencia para el perodo t.
St= Componente de temporada para el perodo t.
Ct= Componente de ciclo para el perodo t.
Et= Componente aleatoria o error para el perodo t.
 PROMEDIO MOVIL SIMPLE

Se utiliza para calcular la demanda promedio de

los ltimos n perodos y como prediccin para el
siguiente perodo.
Promedio mvil simple:
Ft= (At + A t-1 + A t-2 +....+A t-n +1 )
n
Donde :
Ft = prediccin para el perodo t+1
At = demanda real para el perodo
n = nmero de perodos por promediar
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving

Time
Yi (n = 3) Avg. (n = 3)
1993 4 NA NA
1994 6 NA NA
1995 5 NA NA
1996 3 4 + 6 + 5 = 15
1997 7
1998 NA
30
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving

Time
Yi (n = 3) Avg. (n = 3)
1993 4 NA NA
1994 6 NA NA
1995 5 NA NA
1996 3 4 + 6 + 5 = 15 15/3 = 5.0
1997 7 6 + 5 + 3 = 14
1998 NA
31
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Movil Total Movil

Ao
Yi (n = 3) Prom.(n = 3)
1993 4 NA NA
1994 6 NA NA
1995 5 NA NA
1996 3 4 + 6 + 5 = 15 15/3 = 5.0
1997 7 6 + 5 + 3 = 14 14/3 = 4.7
1998 NA 5 + 3 + 7 = 15 15/3 = 5.0
32
GRAFICO DEL PROMEDIO MOVIL SIMPLE

Ventas
8 Actual
6
4 Pronstic
2 o
0
93 94 95 96 97 98
Ao
33
 PROMEDIO MOVIL PONDERADO

Se utiliza cuando existe una tendencia o patrn,

los pesos pueden ser utilizados para poner mayor
enfsis en datos recientes.
Promedio de mvil ponderado:
Ft= (Peso para el periodo n)(Demanda periodo n)
pesos
Donde :
Ft = prediccin para el perodo n
n = nmero de perodos por promediar
DESVENTAJAS DEL PROMEDIO MOVIL

Al incrementar n pronsticos, hace a este

sensitivo a los cambios.
No pronostica tendencias.
Requiere muchos datos histricos

35
MODELOS DE SUAVIZADO
EXPONENCIAL

36
 MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio de
desplazamiento simple y la suavizacin exponencial,
pueden proporcionar predicciones razonables a
corto plazo con rapidez y a bajo costo.
Suavizacin exponencial:

Ft= Ft-1 + (A t-1 - F t - 1)

Donde :
Ft = prediccin para el perodo t
F t - 1 = prediccin para el perodo t - 1
At 1 = Demanda real para el perodo t - 1
= constante de suavizacin (0<= 1<=1)
EJEMPLO DE SUAVIZADO EXPONENCIAL

Se esta organizando una reunin en Kwanza.

Se espera pronosticar la atencin del ao
2008 usando el suavizado exponencial.
( = .10). En 2003 el pronstico fu 175.
2003 180
2004 168
2005 159
2006 175
2007 190

38
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

PronsticoFt
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 +
2005 159
2006 175
2007 190
2008 NA
39
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(
2005 159
2006 175
2007 190
2008 NA
40
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 -
2005 159
2006 175
2007 190
2008 NA
41
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00)
2005 159
2006 175
2007 190
2008 NA
42
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
( = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159
2006 175
2007 190
2008 NA
43
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175
2007 190
2008 NA
44
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175 174.75 + .10(159 - 174.75) = 173.18
2007 190
2008 NA
45
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175 174.75 + .10(159 - 174.75) = 173.18
2007 190 173.18 + .10(175 - 173.18) = 173.36
2008 NA
46
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Pronstico Ft
Ao Actual
(a = .10)
2003 180 175.00 (Base)
2004 168 175.00 + .10(180 - 175.00) = 175.50
2005 159 175.50 + .10(168 - 175.50) = 174.75
2006 175 174.75 + .10(159 - 174.75) = 173.18
2007 190 173.18 + .10(175 - 173.18) = 173.36
2008 NA 173.36 + .10(190 - 173.36) = 175.02
47
GRAFICO DE SUAVIZADO EXPONENCIAL

Ventas
190 Actual
180
170 Pronstico
160
150
140
03 04 05 06 07 08
Ao
48
 DESVIACIN MEDIA ABSOLUTA
(MAD)

Suma de Desviacin absoluta para n periodos

MAD =
n

i =1
Demanda actual- Demanda pronosticada
MAD =
n

49
 SUAVIZADO EXPONENCIAL CON
TENDENCIA

La suavizacin exponencial simple falla al responder a las

tendencias. Para suavizar nuestras correcciones por
tendencias se calcula un promedio de suavizacin
exponencial simple como el anterior, y se ajusta para
retrasos positivos y negativos. La ecuacin de la tendencia
emplea una constante de suavizacin Beta, de la misma
manera que el modelo simple utiliza Alfa.
 PROYECCIONES DE TENDENCIA
Las tendencias pueden ser o no lineales.Sin embargo, las
tendencias lineales son imparciales y la mayora de las
personas encuentra fcil trabajar con ellas.
Linea de tendencia lineal:
Ft = a+bt

b = (xy-nxy) a = y - bx
(x2 nx2)

Donde:
t = nmero de perodos siguientes al perodo base.
Ft = demanda estimada para el perodo t
a = demanda para el periodo base.
b = pendiente de la lnea de tendencia.
 PROYECCIONES DE TEMPORADA

Las proyecciones de temporada se dan para un

perodo dado:
IBM al igual que muchas empresas, experimenta la
demanda de temporada, como puede observarse en
el ejemplo 6 de la pagina 61.
Pronstico=Indice Estacional *Pronostico de la
tendencia
Estacional
 MODELO CAUSAL

A diferencia de los modelos de serie, los

modelos causales identifican y miden
directamente los efectos de las fuerzas
especificas que influyen en la demanda.
Por tanto, son mas apropiados para
predecir y evaluar los efectos de las
decisiones que toma la empresa (p.e.
cambios en la publicidad o en los precios
) que las tcnicas de series de tiempos.
Dentro de los modelos causales tenemos
a la regresin lineal.
 MODELOS DE
SERIE DE REGRESION LINEAL

54
 ANALISIS DE REGRESION LINEAL

La relacin entre una variable independiente, X, y

una variable dependiente, Y.
Asumido para ser lineal (una lnea recta)
Ecuacin: Y = a + bX
Y = variable dependiente
X = variable independente
a = intercepta al eje y
b = pendiente de la regresin

55
GRAFICO DE REGRESION LINEAL

Ventas
Ventas Vs Tiempo
4
3
2
1
0
92 93 94 95 96

Tiempo
57
ANALISIS DE REGRESION LINEAL

Equacin: Yi a bx i

n
x i y i nx y
Constante: b i n
x i n x
i

Y-Intercepta: a y bx

58
TABLA DE REGRESION LINEAL

2 2
Xi Yi Xi Yi XiYi
2 2
X1 Y1 X1 Y1 X1Y1
2 2
X2 Y2 X2 Y2 X2Y2
: : : : :
2 2
Xn Yn Xn Yn XnYn
Xi Yi Xi Yi XiYi
2 2

59
 EJEMPLO DE REGRESION LINEAL
Ud. Tiene que hacer un anlisis de mercado para
producir y vender un osito de la cadena Hasbro Toys.
Ud. Tirene los siguientes datos:
Aos Ventas (Miles de Unidades)
1992 1
1993 1
1994 2
1995 2
1996 4
Cul es la tendencia de la ecuacin?

60
 EJEMPLO DE REGRESION LINEAL

Al hacer los calculos tenemos que es Yi = -.1 + .7Xi.

Ao Ventas (Miles de Unidades)
1992 1
1993 1
1994 2
1995 2
1996 4
Pronostico de Ventas en 1997

61
 DESVIACIN MEDIA ABSOLUTA
(MAD)

Suma de Desviacin absoluta para n periodos

MAD =
n

i =1
Demanda actual- Demanda pronosticada
MAD =
n

62
ERROR ESTANDAR ESTIMADO (MSE)

Syx = = (y -yc)2
n-2

Donde:
y = el valor de y para cada punto de dato.
yc = el valor calculado para la variable
dependiente
a partir de la ecuacin de regresin.
n = el nmero de puntos de datos

63
APLICACIONES DE REGRESION

64