Unidad-2-Exposición-Admón.-De-Las-Operaciones-Parte Uno

6
4 Serie 1
Serie 2
2 Serie 3
0
PRONSTICOS
Pronstico es una prediccin de eventos

futuros que se utiliza con propsitos de
planificacin.
Lee Krajewsky
(2008). Administracin De Operaciones. : Pearson
Los pronsticos son una forma de atenuar
la incertidumbre con la que deben convivir
los directivos de empresa.
Adrin Edelman
Es un clculo estimativo del nivel de la
demanda de un producto o productos por
un perodo de tiempo futuro. Todo
pronstico por ende es una hiptesis, pero
mediante el empleo de ciertas tcnicas
puede ser algo ms significativo que nos
dar un parmetro para tomar decisiones.
Otros autores expresan la importancia de diferenciar
entre los trminos de prediccin y pronstico, ya que de
acuerdo a su criterio, las predicciones se basan en la
consideracin de aspectos subjetivos dentro del proceso
de estimacin de eventos futuros, mientras que los
pronsticos se desarrollan a travs de procedimientos
cientficos, basados en datos histricos que son dados
mediante mtodos cuantitativos.
Tawfik & Chauvel, 1992, Adam & Eber, 1991, Kalenatic

& Blanco, 1993
Por qu es importante pronosticar?
Los pronsticos son vitales para toda organizacin de negocios
as como para cualquier decisin importante de la gerencia. El
pronstico es la base de la planeacin corporativa a largo plazo.
En las reas de finanzas y contabilidad, los pronsticos
proporcionan el fundamento para la planeacin de
presupuestos y control de costos.
El marketing depende del pronstico de ventas para planear
productos nuevos, compensar al personal de ventas y tomar
otras decisiones clave.
Se debe tener presente que no hay un pronstico perfecto, en
el ambiente de negocios hay demasiados factores que no se
pueden pronosticar con certeza.
IMPORTANCIA ESTRATEGICA DEL PRONSTICO
Vitales para todo organizacin mercantil y toda decisin
administrativa importante.
Representan la base de los planes a largo plazo
En rea de finanzas y contabilidad
a) Planeacin de presupuestos
b) Control de costos
En el departamento de marketing
a) Planes de productos nuevos
b) Remunerar el personal en ventas
El personal de produccin y el de operaciones
a) Toma de decisiones de manera peridica
b) Decisiones rutinarias
Por lo tanto, en lugar de buscar un pronstico
perfecto. Es mucho ms importante establecer la
prctica de una revisin continua de los pronsticos y
aprender a vivir con pronsticos imprecisos.
Esto no quiere decir que no se trate de mejorar el

modelo o la metodologa de pronosticar, pero lo que
debe hacerse es tratar de encontrar y usar el mejor
mtodo de pronsticos disponible, dentro de lo
razonable.
DEMANDA
La demanda se define como la cantidad y calidad de bienes
y servicios que pueden ser adquiridos en los diferentes
precios del mercado por un consumidor (demanda
individual) o por el conjunto de consumidores (demanda
total o de mercado), en un momento determinado.
En trminos generales, la "demanda" es una de las dos

fuerzas que est presente en el mercado (la otra es la
"oferta") y representa la cantidad de productos o servicios
que el pblico objetivo quiere y puede adquirir para
satisfacer sus necesidades o deseos.
DEFINICIN DE DEMANDA, SEGN EXPERTOS EN
MERCADOTECNIA Y ECONOMA:
El deseo que se tiene de un determinado producto pero que
est respaldado por una capacidad de pago.
Del libro: Direccin de Marketing, Edicin del Milenio, de Kotler Philip,

Cmara Dionicio, Grande Idelfonso y Cruz Ignacio, Prentice Hall, Pg. 10.
Las cantidades de un producto que los consumidores estn

dispuestos a comprar a los posibles precios del mercado" .
Del libro: Mercadotecnia, Tercera Edicin, de Fischer Laura y Espejo Jorge,

Mc Graw Hill, Pg. 240
Es la cantidad de bienes o servicios que el comprador o
consumidor est dispuesto a adquirir a un precio dado y en un
lugar establecido, con cuyo uso pueda satisfacer parcial o
totalmente sus necesidades particulares o pueda tener acceso
a su utilidad .
Del libro: Diccionario de Economa, Tercera Edicin, de Andrade Simn,

Editorial Andrade, Pgs. 215
La cantidad de un bien que los compradores quieren y

pueden comprar.
Del libro: Principios de Economa, Tercera Edicin, de Mankiw Gregory, Mc

Graw Hill, Pg. 42.
CARACTERISTICAS DE LA DEMANDA
La demanda tiene dos fuentes bsicas:

a) Demanda dependiente
b) Demanda independiente
DEMANDA INDEPENDIENTE:
Es una demanda que no se deriva directamente de otros productos.
DEMANDA DEPENDIENTE:
Es la demande de un producto o servicio que se deriva de otros productos
o servicios.
Una empresa no puede hacer gran cosa respecto de la demanda
dependiente, solo tiene que satisfacerla sin embargo, puede hacer
mucho respecto a la demanda independiente.
1. Adoptar un papel activo para influir en la demanda: La empresa

puede presionar a su fuerza de ventas, ofrecer incentivos tanto a los
clientes como a su personal, crear campaas para vender sus
productos y bajar precios.
2. Adoptar un papel pasivo y limitarse a responder de acuerdo con la

demanda: Puede que la compaa no tenga el poder de cambiar la
demanda debido al gasto de publicidad; es probable que el mercado
sea fijo y esttico; o que la demanda este fuera de su control ( como
en el caso de un proveedor nico).
CLASIFICACIN DE LOS PRONSTICOS
1) Cualitativos
2) Anlisis de series de tiempos
3) Relaciones causales
4) Simulaciones
MTODOS CUALITATIVOS
La suposicin aqu es que la persona que est ms cerca del

cliente o del usuario final del producto conoce mejor sus
necesidades futuras. Aunque esto no es siempre cierto, en
muchos casos, se trata de una suposicin vlida y
constituyen la base de este mtodo.
1) INVESTIGACIN DE MERCADOS
Se utiliza sobre todo para la investigacin de

productos con el objetivo de buscar nuevas ideas,
conocer los gustos y disgustos relacionados con los
productos existentes, los productos competitivos
preferidos en una clase en particular, etc. Una vez
mas, los mtodos de recopilacin de datos son
sobre todo encuestas y entrevistas.
2) GRUPOS DE CONSENSO
En un grupo de consenso, la idea es que un grupo de

personas que ocupan diversas posiciones pueden
desarrollar un pronstico ms confiable que un grupo
ms reducido.
Los pronstico en grupo se realizan por medio de

reuniones abiertas con un intercambio libre de ideas de
todos los niveles gerenciales e individuales.
El problema con este estilo abierto es que los empleados

de niveles inferiores se sienten intimidados por los
niveles mas altos de la gerencia.
3) ANALOGA HISTORICA O
ANALOGA DE CICLO DE VIDA
Al tratar de pronosticar la demanda de un nuevo

producto, una situacin ideal seria que un producto
existente o genrico se pueda utilizar como modelo.
Relaciona lo pronosticado con un articulo similar. Es

importante al planear nuevos productos en los que las
proyecciones se pueden derivar mediante el uso del
historial de un producto similar.
4) MTODO DE DELPHI(DELFOS)
Es probable que la opinin de una persona de un nivel superior
pese ms que la de una persona de nivel inferior. El peor de
los casos se presenta cuando la gente de nivel inferior se
siente amenazada y no contribuye con lo que realmente cree.
Para evitar este problema , el mtodo Delfos oculta la
identidad de los individuos que participan en el estudio. Todos
tienen el mismo peso.
Un grupo responde un cuestionario. Un modelador recopila los
resultados y formula un cuestionario nuevo que se presenta al
grupo, por lo tanto, existe un proceso de aprendizaje para el
grupo mientras recibe informacin nueva y no existe ninguna
influencia por la presin del grupo o individuos dominantes.
PASOS PARA EL MTODO DELPHI
1) Elegir los expertos a participar. Debe haber gran variedad de

personas con conocimientos en distintas reas.
2) Por medio de un cuestionario (o correo electrnico) obtener
las proyecciones ( y cualquier premisa o calificacin para el
pronstico) de todos los participantes.
3) Resumir los resultados y redistribuirlos entre los participantes
con las preguntas nuevas apropiadas.
4) Volver a resumir los resultados, refinar las proyecciones y
condiciones, y una vez ms plantear preguntas nuevas.
5) Repetir el paso 4, si es necesario. Distribuir los resultados
finales entre todos los participantes.
5) LA FUERZA DE VENTAS O EQUIPO DE VENTAS
Es el conjunto de vendedores con que cuenta una

empresa. La fuerza de ventas acta como punto de enlace
entre una empresa y sus clientes actuales y potenciales.
Por un lado representa a la empresa ante los clientes,
brindndoles a stos ltimos informacin, asesorndolos y
aclarando sus dudas.
Mientras que por otro lado, representa a los clientes ante la
empresa, comunicndole o transmitindole a esta ltima las
necesidades, preferencias, gustos, dudas y preocupaciones de
los clientes.
Para que una fuerza de ventas funcione eficazmente y
cumpla as con los objetivos de ventas de la empresa, es
necesario gestionarla o administrarla adecuadamente.
El modelo de pronsticos 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 del pronstico.
5) La disponibilidad del personal calificado.

Al seleccionar un modelo de pronstico, existen otros
aspectos como el grado de flexibilidad de la empresa (
mientras mayor sea su habilidad para reaccionar con
rapidez a los cambios, menos preciso necesita ser el
pronstico).
Otro aspecto es la consecuencia de un mal pronstico.

Si una decisin importante sobre la inversin del capital
se basa en un pronstico, ste debe ser bueno.
Factores que se deben considerar para la
seleccin de una tcnica de pronstico:
a) Datos estacionarios:
Las fuerzas que generan la serie se han estabilizado y el medio

permanece relativamente sin cambios.
Se puede lograr la estabilidad haciendo correcciones sencillas a

factores como crecimiento de la poblacin o la inflacin.
La serie se puede transformar en una serie estable.

La serie es un conjunto de errores de pronstico, de una tcnica
que se considera adecuada.
b) Datos con tendencia
Productividad creciente y nueva tecnologa producen
cambios.
El incremento de la poblacin elevan la demanda por

productos.
El poder de compra se afecta por la inflacin.
Aumenta la aceptacin en el mercado de un producto.

c) Datos con estacionalidad
El clima influye en la variable de

inters.
El ao calendario influye en la
variable.
d) Series cclicas
Elciclo del negocio influye sobre la

variable.
Cambios en el gusto popular.
Cambios en la poblacin.
Cambios en el ciclo de vida del producto.
PROMEDIO MVIL SIMPLE
Libro: Administracin de
operaciones.
Procesos y cadenas de valor.
Autor: Lee J. Krajewski. Larry P.
Ritzman. Manoj K. Malhotra
Paginas: 532-535
El mtodo de promedio mvil simple se usa para estimar el
promedio de una serie de tiempo de demanda y, por lo tanto,
para suprimir los efectos de las fluctuaciones aleatorias. Este
mtodo resulta ms til cuando la demanda no tiene tendencias
pronunciadas ni influencias estacionales. La aplicacin de un
modelo de promedio mvil requiere simplemente calcular la
demanda promedio para los n periodos ms recientes, con el fin
de usarla como pronstico para el siguiente periodo. Para el
periodo siguiente, una vez que se conoce la demanda, la de-
manda ms antigua incluida en el promedio anterior se
sustituye por la demanda ms reciente y luego se vuelve a
calcular el promedio. De esta manera, se usan las n demandas
ms recientes y el promedio se mueve de un periodo a otro.
Libro: Administracin de operaciones.

Autor: Lee J. Krajewski. Larry P. Ritzman. Manoj K. Malhotra
Paginas: 532-535
En trminos especficos, el pronstico correspondiente al periodo t+1
se calcula como sigue:
suma de las ultimas n demandas Dt+Dt-1+Dt-2++Dt-n+1

Ft+1 = =
n n
Donde:
Dt = demanda real en el periodo t
n = nmero total de periodos incluidos en el promedio
Ft+1 = pronstico para el periodo t +1

Paginas: 532-535
Con el mtodo de promedio mvil, el pronstico de la demanda en
el periodo siguiente ser igual al promedio calculado al final de este
periodo. En cualquier mtodo de pronstico, es importante medir la
precisin de los pronsticos. El error de pronstico es simplemente la
diferencia que se obtiene al restar el pronstico de la demanda real en
cualquier periodo determinado, o
Et = Dt - Ft
Donde:
Et = error de pronstico en el periodo t
Dt = demanda real en el periodo t
Ft = pronstico para el periodo t

Paginas: 532-535
USO DEL MTODO DE PROMEDIO MVIL PARA ESTIMAR LA
DEMANDA PROMEDIO
a. Calcule un pronstico de promedio mvil de tres semanas para estimar la llegada
de pacientes a la clnica mdica durante la semana 4. Las cifras
correspondientes a las llegadas de pacientes en las ltimas tres semanas son las
siguientes:
SEMANA LLEGADA DE PACIENTES
1 400
2 380
3 411
b. Si el nmero real de llegadas de pacientes durante la semana 4 es de 415, cul
ser el error de pronstico para la semana 4?
c. Cul ser el pronstico para la semana 5?

Paginas: 532-535
Paginas: 532-535
SOLUCIN
a. El pronstico de promedio mvil al final de la semana 3 es:
F4 = 411+380+400/3
F4 = 397.0
b. El error de pronstico para la semana 4 es:

E4 = D4 - F4 = 415 - 397 =
E4=18
c. Para elaborar el pronstico correspondiente a la semana 5, es

necesario conocer las llegadas reales durante las semanas 2 a 4; es decir,
los datos de las tres semanas ms recientes.
F5=415+411+380/3=402 Libro: Administracin de operaciones.
Autor: Lee J. Krajewski. Larry P. Ritzman. Manoj K.
Malhotra
Paginas: 532-535
Punto de decisin: As, el pronstico al final de la semana 3 habra
sido de 397 pacientes para la semana 4,cifra inferior por 18
pacientes a la demanda real. El pronstico para la semana 5,
realizado al final de la semana 4, sera de 402 pacientes. Adems, al
final de la semana 4,el pronstico para la semana 6 y las siguientes
ser tambin de 402 pacientes.

Paginas: 532-535
La compaa R-FAST presenta en el siguiente tabulado el reporte de
ventas correspondiente al ao 2009.
MES VENTAS REALES (2009)

ENERO 80
FEBRERO 90
MARZO 85
ABRIL 70
MAYO 80
JUNIO 105
JULIO 100
AGOSTO 105
SEPTIEMBRE 100
OCTUBRE 105
NOVIEMBRE 100
DICIEMBRE 150
Teniendo en cuenta los datos anteriores, se debe calcular un pronstico
mediante la tcnica de Promedio Mvil utilizando:
Un perodo de 3 meses (a partir de abril de 2009)

Un perodo de 6 meses (a partir de julio de 2009)
El objetivo consiste en identificar con cul de los dos perodos del

pronstico se obtiene mayor precisin al compararse con las ventas
reales del reporte.
Solucin
Al ser un pronstico con un perodo mvil de 3 meses, este deber efectuarse a
partir del mes de abril, es decir que para su clculo tendr en cuenta tres perodos,
es decir, Enero, Febrero y Marzo.
Luego para efectuar la previsin del mes de Mayo, debern tenerse en cuenta los
ltimos tres perodos que anteceden al mes de Mayo, es decir Febrero, Marzo y
Abril.
De esta manera se efectan las previsiones restantes obteniendo el siguiente

resultado:
MES VENTAS REALES (2009) PRONSTICO 3 MESES
Enero 80
Febrero 90
Marzo 85
Abril 70 85
Mayo 80 82
Junio 105 78
Julio 100 85
Agosto 105 95
Septiembre 100 103
Octubre 105 102
Noviembre 100 103
Diciembre 150 102
El pronstico restante al ser un pronstico con un perodo mvil de 6
meses, este deber efectuarse a partir del mes de Julio, es decir que
para su clculo tendr en cuenta seis perodos, es decir, Enero,
Febrero, Marzo, Abril, Mayo y Junio.
De esta manera se efectan las previsiones
restantes obteniendo el siguiente resultado:
VENTAS REALES PRONSTICO 3 PRONSTICO 6

MES
(2009) MESES MESES
Enero 80
Febrero 90
Marzo 85
Abril 70 85
Mayo 80 82
Junio 105 78
Julio 100 85 85
Agosto 105 95 88
Septiembre 100 103 91
Octubre 105 102 93
Noviembre 100 103 99
Diciembre 150 102 103
PROMEDIO MVIL
PONDERADO
Libro: Direccin y administracin de la produccin y de las operaciones.

Autor: Chase Aquilano
Paginas: 315-322
Mientras que el promedio mvil simple da igua
componente de la base de datos, el promedio mvil po
dar cualquier peso a un elemento, siempre y cuando la s
sea igual a 1.

= 1
=1
La frmula para un promedio mvil ponderado es:
F t = w1At1 + w2At2 + + wnAtn
Donde
Ft: pronostico para el periodo t
w1 = Ponderacin dada al hecho real para el periodo t
w2 = Ponderacin dada al hecho real para el periodo t
wn = Ponderacin dada al hecho real para el periodo t
n Chase
Autor: = Nmero
Aquilano total de periodos en el pronstico.
Paginas: 315-322
Por ejemplo, en un modelo con promedio
mvil ponderado de tres periodos, al periodo
ms reciente se le puede asignar una
ponderacin de 0.50, al segundo ms reciente
se le asigna una ponderacin de 0.30, y al
tercero ms reciente, una de 0.20. El
promedio se obtiene multiplicando la
ponderacin de cada periodo por el valor
correspondiente a dicho periodo y sumando
finalmente los productos:
Ft+1 = 0.50Dt + 0.30Dt1 + 0.20Dt2
Por ejemplo, una tienda departamental se da cuenta de que en un
periodo de cuatro meses el mejor pronstico se deriva con 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:
MES 1 MES 2 MES 3 MES 4 MES 5

100 90 105 95 ?
El pronostico para el mes 5 seria:

F5 = 0.40(95) + 0.30(105) + 0.20(90) + 0.10(100)
F5 = 38 + 31.5 + 18 + 10
F5= 97.5

Autor: Chase Aquilano
Paginas: 315-322
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 ende 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 que el
mtodo de suavizacin exponencial, que se analiza a continuacin.
La empresa GACE S.A DE C.V desea hacer un
pronostico de ventas usando un promedio mvil
ponderado de tres periodos. el gerente de la empresa
ha decidido dar una ponderacin del 50% al dato mas
reciente, al segundo mas reciente se le asigna una
ponderacin de 30% y 20% al tercero mas reciente.
MES VENTAS REALES PROMEDIO
PONDERADO
ENERO 80
FEBRERO 90
MARZO 85
ABRIL 70
MAYO 80
JUNIO 105
JULIO 100
AGOSTO 115
SEPTIEMBRE 95
OCTUBRE 105
NOVIEMBRE 110
DICIEMBRE 150
SUAVIZACIN
EXPONENCIAL
La suavizacin exponencial es un sofisticado mtodo de pronostico de
promedios mviles ponderado que sigue siendo bastante fcil de usar. Implica
mantener muy pocos registros de datos histricos. La formula bsica para el
suavizamiento exponencial se expresa como sigue:
Nuevo pronstico = pronostico del periodo anterior + (demanda real del

mes anterior pronostico del periodo anterior)
Donde es la ponderacin, o constante de suavizamiento, elegida
por quien pronostica, que tiene un valor de entre 0 y 1. La ecuacin
anterior tambin puede escribirse matemticamente como:
Ft = Ft1 + (At1 Ft1)
DONDE:
Ft = nuevo pronostico
Ft-1 = pronostico de periodo anterior
= constante de suavizamiento (o ponderacin)(0 1)
At-1 = demanda real en el periodo anterior
El concepto no es complicado. La ultima estimacin de la demanda
es igual a la estimacin anterior ajustada por una fraccin de
diferencia entre la demanda real del ultimo periodo y la estimacin
anterior. En el siguiente ejemplo se muestra como usar el
suavizamiento exponencial para obtener un pronostico.
En enero un vendedor de automviles predijo que la demanda para
febrero seria de 142 Ford Mustang. la demanda real en febrero fue de 153
automviles. usando la constante de suavizamiento que eligi la
administracin de =0.20, el vendedor quiere pronosticar la demanda
para marzo usando el modelo de suavizamiento exponencial.
Mtodo: se puede utilizar el modelo de suavizacin exponencial

Ft=Ft-1+ (At-1-Ft-1)
Solucin: al sustituir en la formula, los datos de la muestra se obtiene:
F =142+0.20(153-
(marzo)
142)=142+2.2=144.2
As, el pronostico de la demanda de marzo para los Ford Mustang se
redondea a 144.
EJERCICIO DE APRENDIZAJE:
Si la constante de suavizamiento se cambia a 0.30.cual es el nuevo

pronostico?
Respuesta 145.3
La constante de suavizacin, , se encuentra generalmente en
un intervalo de 0.5 a 0.50 para aplicaciones de negocios. puede
cambiarse para dar mas peso a datos recientes (cuando es alta)o
mas peso a datos anteriores (si es baja). Cuando llega al extremo
de 1.0, entonces en la ecuacin Ft=Ft-1+ (At-1-Ft-1), Ft=1.0At-1.
todos los valores anteriores se desechan y el pronostico se vuelve
idntico al modelo intuitivo (supone que la demanda del siguiente
periodo ser igual ala demanda del periodo mas reciente).
SELECCIN DE LA CONSTANTE DE SUAVIZAMIENTO
El enfoque de suavizamiento exponencial es fcil de usar y se ha
aplicado con xito en prcticamente todo tipo de negocios. Sin embargo el
valor apropiado de la constante de suavizamiento, , puede hacer la
diferencia entre un pronostico 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.
Eleccin del valor apropiado para alfa
Sera ideal poder proyectar qu alfa se debe usar.
La suavizacin exponencial requiere de dar a la constante de suavizacin

alfa () un valor entre 0 y 1. Si la demanda real es estable (como la
demanda de electricidad o alimentos), sera deseable una alfa pequea
para reducir los efectos de los cambios a corto plazo o aleatorios. Si la
demanda real aumenta o disminuye con rapidez (como en los artculos de
moda o los aparatos electrodomsticos menores), se quisiera una alfa
alta para tratar de seguirle el paso al cambio.
Pero para poder proyectar un alfa que sea adecuada a las condiciones
de la empresa se toman en cuenta dos elementos que se tienen en
contra:
En primer lugar, tomara tiempo determinar la constante alfa que

se adapte mejor a los datos reales y el proceso sera tedioso.
En segundo lugar, como la demanda cambia, quiz pronto sea

necesario revisar la constante alfa que se eligi esta semana.
Por lo tanto se tienen dos estrategias para controlar el valor de alfa
1. Dos o ms valores predeterminados de alfa. Se mide la cantidad

de error entre el pronstico y la demanda real. Dependiendo del
grado de error, se utilizan distintos valores de alfa. Si el error es
grande, alfa es 0.8; si el error es pequeo, alfa es 0.2
2. Valores calculados de alfa. Una constante de rastreo alfa calcula si
el pronstico sigue el paso a los cambios genuinos hacia arriba o
hacia abajo en la demanda (en contraste con los cambios
aleatorios). En esta aplicacin, la constante de rastreo alfa se
define como el error real suavizado exponencialmente dividido
entre el error absoluto suavizado exponencialmente. Alfa cambia de
un periodo a otro en el rango posible de 0 a 1.
MEDICIN DE
ERROR DE
PRONOSTICO
La exactitud general de cualquier modelo de pronostico
promedios mviles, suavizamiento exponencial, u otro- puede
determinarse al comparar los valores pronosticados con los valores
reales u observados. Si Ft denota el pronostico en el periodo t, y At
denota la demanda real del periodo t, el error de pronostico (o
desviacin) se define como:
Error de pronostico=demanda real valor pronosticado

EF=At-Ft
En la practica se usan varias medidas para calcular el
error global de pronostico. Estas medidas pueden usarse para
comparar distintos modelos de pronostico, as como para
vigilar los pronsticos y asegurar su buen desempeo. Las tres
medidas mas populares son la MAD (desviacin absoluta
media), el MSE (error cuadrtico medio), y el MAPE (error
porcentual absoluto medio). A continuacin se describen estas
medidas y se da un ejemplo de cada una de ellas.
DESVIACIN ABSOLUTA MEDIA
La primera medicin del error global de pronostico para un modelo es la desviac

(MAD). Su valor se calcula sumando los valores absolutos de los errores individua
dividiendo el resultado entre el numero de periodos con datos (n):

MAD=
EJEMPLO
Durante los ltimos ocho trimestres, en el puerto de Baltimore se han
descargado de los barcos grandes cantidades de grano. El administrador de
operaciones del puerto quiere probar el uso de suavizamiento exponencial
para ver que tan bien funciona la tcnica para predecir el tonelaje
descargado. Supone que el pronostico de grano descargado durante el
primer trimestre fue de 175 toneladas. Se examinan dos valores de : =.10
y =.50.
Mtodo: compare los datos reales con los pronsticos (usando cada uno de
los dos valores de ) y despus encuentre la desviacin absoluta y la MAD.
trimes Tonelaje Pronostico con =.10 Pronostico con =.50
tre real
descarga
do
1 180 175 175
2 168 175+.10(180- 175+.50(180-
175)=175.50 175)=177.50
3 159 175.50+.10(168- 175.50+.50(168-
175.50)=174.75 175.50)=172.75
4 175 174.75+.10(159- 174.75+.50(159-
174.75)=173.18 174.75)=165.88
5 190 173.36 170.44
6 205 175.02 180.22
7 180 178.02 192.61
8 182 178.22 186.30
9 ? 178.59 184.15
Para evaluar la exactitud de cada constante de suavizamiento,
podemos calcular los errores de pronostico en trminos de
desviaciones absolutas y MAD.
TRIMESTRE TONELAJE PRONOSTICO DESVIACIN PRONO
REAL CON =.10 ABSOLUTA CON
DESCARGAD PARA =.10
O
1 180 175 5.0 17
2 168 175.50 7.50 177
3 159 174.75 15.75 172
4 175 173.18 1.82 165
5 190 173.36 16.64 170
6 205 175.02 29.98 180
7 180 178.02 1.98 192
8 182 178.22 3.78 186
Suma de 82.45
desviaciones
absolutas
MAD=

10.31
MNIMOS
CUADRADOS
LIBRO: SISTEMAS DE PRODUCCIN.

PLANEACIN, ANLISIS Y CONTROL
AUTOR: JAMES L. RIGGS
PAGINAS: 71-74
En una grafica siempre que los puntos de los datos parezcan seguir una
lnea recta, podemos emplear el mtodo de mnimos cuadrados para
determinar la recta de mejor ajuste. Esta recta es la que mas se
aproxima a pasar por todos los puntos.
Otra manera de expresar lo mismo es que la recta deseada minimiza

las diferencias entre la recta y cada uno de los puntos.

PAGINAS: 71-74
135
130
125
120
115
110
105
10 11 12 13 14
15


PAGINAS: 71-74
Una lnea recta esta definida por la ecuacin:
Y= a + bx
donde
Y = variable dependiente
X = variable independiente
a = interseccin de la recta con el eje Y
b = pendiente de la recta
Se emplean dos ecuaciones para determinar a y
se obtiene si se multiplica la ecuacin de la
coeficiente de a y despus se suman los tr
coeficiente de a igual a 1 y N LIBRO:
como elDE PRODUCCIN.
SISTEMAS numero
ecuacin se convierte en PLANEACIN, ANLISIS Y CONTROL
PAGINAS: 71-74
= +
La segunda ecuacin se desarrollo en
semejante. El coeficiente de b es x.
multiplicar cada termino por x y suman
trminos, tenemos:
= + 2
Las dos ecuaciones as obtenidas se llama

normales.
PAGINAS: 71-74
Las cuatro sumas requeridas para resolver las ecuaciones son: y, x, xy,
y x^2, se obtienen por medio de un mtodo tabular.
Podemos simplificar los clculos seleccionando cuidadosamente el
punto base. Debido a que x es igual al numero de periodos a partir del
punto base, se selecciona un punto medio en la serie temporal, conforme la
base hace que x sea igual a cero. Los nmeros mas pequeos resultantes
de un punto base centrado hacen tambin que otros productos y sumas
requeridas sean mas fciles de manipular.
Aos x
1964 -2
1965 -1
1966 0**
1967 +1
1968 +2 LIBRO: SISTEMAS DE
x= 0 PRODUCCIN.
PLANEACIN, ANLISIS Y
**punto base CONTROL
PAGINAS: 71-74
Despus de que se obtienen las cuatro sumas, se sustituyen en las
ecuaciones normales y se calculan los valores de a y b. Entonces estos
valores se sustituyen en la ecuacin de la recta para completar la formula
del pronostico:
yF = a+ bx

PAGINAS: 71-74
Para ilustrar las diferentes versiones del mtodo de mnimos cuadrados,
empleamos primero1964 como el punto base y despus 1966. Utilizando un
formato tabular con Y como ventas en incrementos de 10,000 dlares para
determinar y, x, xy, y x^2, tenemos
ao y x X^2 xy
2011 108 0 0 0 (punto
base)
2012 119 1 1 119
2013 110 2 4 220
2014 122 3 9 366
2015 130 4 16 520
sumas 589 10 30 1225
La cual da las ecuaciones normales
589=5 a +10b
1225=10 a +30b
Estas ecuaciones se resuelven simultneamente para dar:
a= 108.4 $1,084,000
b=4.7 $47,000

PAGINAS: 71-74
Una ecuacin de pronostico se desarrolla sustituyendo los valores de a y
b en la ecuacin de la recta. El pronostico para 2016 esta a 5 aos del
punto base de 2011 de la primera versin que nos dio la ecuacin:
YF= a + bx
yF= $1,184,000 + $47,000 x
Y el pronostico
F2016= $1,084,000 + $47,000 (5)= 1,319,000

PAGINAS: 71-74
Empleando los mismos datos y formato, pero cambiando el punto base de
1964 a 1966, obtenemos:
ao y x X^2 xy
2011 108 -2 4 -216
2012 119 -1 1 -119
2013 110 0 0 0 (punto
base)
2014 122 1 1 122
2015 130 2 4 260
sumas 589 0 10 47
Los cuales permiten que a y b se calculen como:
a=y = 589 = 117.8 $1,178,000

n 5
b= xy = 47 = 4.7 $47,000
x^2 10

PAGINAS: 71-74
El pronostico para 2016 esta a 3 aos del punto base de 2013 de la
segunda versin que nos dio la ecuacin
yF= $1,178,000 + $47,000 x
Y el pronostico
F2016= $1,178,000 + $47,000 (3)= 1,319,000

PAGINAS: 71-74
Conclusin
Una comparacin de los dos pronsticos y los
clculos incluidos en el desarrollo de las ecuaciones
confirma que centrado el periodo base se reduce la
aritmtica sin alterar los valores del pronostico.

PAGINAS: 71-74
Una recta inclinada parece ser un ajuste razonable para los datos de la fig.
3.5 para ilustrar las diferentes versiones del mtodo de mnimos
cuadrados, emplearemos primero 1994 como el punto base y despus
1996. utilizando un formato tabular con Y como ventas en incrementos de
10,000 dlares para determinar Y, X, X2, , XY, tenemos:
Ao Y X X2 XY
1994 108 0 0 0
PUNTO BASE
1995 119 1 1 119
1996 110 2 4 220
1997 122 3 9 366
1998 130 4 16 520
Sumas 589 10 30 1225
la cual de las ecuaciones normales

589 = 5a + 10b
1225= 10a + 30b
Estas ecuaciones se resuelven simultneamente para dar
a= 108.4 $1,084,000
b= 4.7 $47,000
Empleando los mismos datos y formato, pero cambiando el punto base de
1994 a 1996, obtenemos:
Ao Y X X2 XY
1994 108 -2 4 -216
1995 119 -1 1 -119
1996 110 0 0 0 PUNTO BASE
1997 122 1 1 122

1998 130 2 4 260
Sumas 589 0 10 47
Los cuales permiten que a y b se calculen como:
a= = = 117.8 $1,178,000

b=

=

= 4.7 $47,000
Una ecuacin de pronstico se desarrolla substituyendo los valores de a
y b en la ecuacin de la recta. El pronstico para 1999 est a 5 aos del
punto base de 1994 de la primera versin que nos dio la ecuacin
YF= $1,084,000 + $47,000X

Y el pronstico
Y1999= $1,084,000 + $47,000(5) = $1,319,000
De manera semejante, empleando la frmula desarrollada desde un

punto base en 1996
YF= $1,178,000 + $47,000X
El pronstico para 1999 se encuentra a 3 aos del punto base y se calcula
como:
Y1999= $1,178,000 + $47,000(3) = $1,319,000
Una comparacin de los dos pronsticos y los clculos incluidos en el

desarrollo de las ecuaciones confirma que centrado el periodo base se
reduce la aritmtica sin alterar los valores del pronstico.
ANLISIS DE REGRESIN
LINEAL SIMPLE: UNA
REGRESIN LINEAL
Anlisis de regresin:
Puede definirse la regresin como una relacin funcional entre dos o
ms variables correlacionadas. Se utiliza para pronosticar una
variable con base en la otra.
Primero es necesario graficar los datos para ver si aparecen lineales o
si por lo menos partes de los datos son lineales. La regresin lineal
se refiere a la clase de regresin especial en la que la relacin entre
las variables forma una recta.
La recta de la regresin lineal tiene la forma Y = a + bX, donde:
Y= es el valor de la variable dependiente que se despeja.
a= es la secante en Y.
b= es la pendiente y
X= es la variable independiente (en el anlisis de serie de tiempo, las
X son las unidades de tiempo).
Specific Motors produce motores electrnicos para vlvulas
automticas para la industria de la construccin. durante mas de un
ao, la planta de produccin de specific ha operado a casi plena
capacidad. Jim White, el gerente de planta, estima que el
crecimiento de ventas continuara y desea desarrollar un pronostico a
largo plazo que se usara para planear las necesidades de las
instalaciones para los siguientes tres aos. se han totalizado las cifras
de ventas correspondientes a los ltimos diez aos.
VENTAS VENTAS
ANUALES ANUALES
AO AO
(MILES DE (MILES DE
UNIDADES) UNIDADES)
1 1000 6 2000
2 1300 7 2200
3 1800 8 2600
4 2000 9 2900
5 2000 10 3200
Estudiamos las formulas y la definicin de las variables, y
despus construimos la tabla siguiente para establecer los valores
a utilizar en las formulas.
VENTAS ANUALES PERIOD
AO (MILES DE UNIDADES) O X^2 XY
(Y) (X)
1 1000 1 1 1000
2 1300 2 4 2600
3 1800 3 9 5400
4 2000 4 16 8000
5 2000 5 25 10000
6 2000 6 36 12000
7 2200 7 49 15400
8 2600 8 64 20800
9 2900 9 81 26100
10 3200 10 100 32000
TOTAL
21000 55 385 133300
ES
(10)(133300)-(55)(21000) 178000
b= =
825 825
b= 215.757
Ahora que conocemos los valores de a y de b, podemos utilizar la
ecuacin de regresin para pronosticar las ventas de aos futuros:
Y= a + bx
Y=913.333+ 215.757x
Si deseamos pronosticar las ventas en miles de unidades para los tres aos
siguientes, podramos reemplazar 11, 12 y 13, que son los tres valores
siguientes de x, en la ecuacin de regresin de x:
Y=913.333+ 215.757(11)= 3,286.6 3,290 miles de unidades

Y=913.333+ 215.757(12)=3,502.4 3500 miles de unidades
Y=913.333+ 215.757(13)=3,718.1 3720 miles de unidades.
MINIMOCUADRADO : EXPONENCIAL
Algunas veces una curva suave suministra un mejor ajuste para los datos que una
lnea recta. Una curva suave implica un crecimiento o disminucin porcentual
uniforme en lugar del incremento o decremento constantes ejemplificados por
una recta. La ecuacin para una curva puede tomar la forma exponencial , Y=
abx, la cual indica que Y vara con la tasa constante b en cada periodo.
Podemos determinar los valores para a y b por medio del mtodo de mnimos
cuadrados si convertimos la ecuacin exponencial a su forma logartmica:
Log Y = log a + x log b
La versin logartmica se indica como una recta en papel semilogartmico; la
escala Y es logartmica y la escala X es aritmtica. Esta propiedad nos permite
establecer ecuaciones normales en la forma descrita del ejemplo anterior.
En esta forma, las ecuaciones normales
(log Y) = N (log a) + X (log b)
( X log Y)= X (log a) +X2 (log b)
puede resolverse formando una tabla para establecer (log Y),

X, (X logY) y X2. cuando el punto base se escoge para hacer
X= 0, la solucin se reduce a calcular
log a =(

)
y log b =( )

Despus de resolver las ecuaciones anteriores, o resolviendo

simultneamente las ecuaciones normales cuando X no es igual a
cero, la ecuacin exponencial se establece tomando los
antilogaritmos de a y b.
Ejemplo:
Como no es obvio si una recta o una curva se ajustarn mejor a los
datos dados, una curva suave es un substituto legtimo. El
procedimiento de ajuste es anlogo al empleado para las rectas; la
variacin es el empleo de logaritmos para los valores de Y:
Ao Y X X2 log Y X log Y
1994 108 -2 4 2.0334 -4.0668
1995 119 -1 1 2.0755 -2.0755
1996 110 0 0 2.0414 0
1997 122 1 1 2.0864 2.0864
1998 130 2 4 2.1139 4.2278
Sumas 0 10 10.3506 0.1719
Debido a que X = 0, podemos resolver para a y b en la forma siguiente :
log a = (

)
= = 2.0701
.

Y, por tanto, a= 117.5 1,175,000 dlares, y
log b = ( ) =

.

= 0.0172
Haciendo b = 1.0405 o un aumento de 4.05% en cada periodo. En esta forma, la

ecuacin de pronstico es
log Y= 2.0701 + 0.0172X
YF= $1,175,000 (1.0405)X
Los valores resultantes de una recta y de una curva deben compararse con los
datos observados. En la siguiente tabla aparece que cualquiera ecuacin se
ajusta bastante bien a los datos. Las diferencias entre las rectas ajustadas se
vuelven ms pronunciadas conforme los pronsticos se llevan ms hacia el
futuro. La frmula exponencial muestra continuamente valores superiores ms
all de 1998.
Real Ajuste de la recta Ajuste curva-recta
Ao X Y YF= 117.8 + 4.7 x YF= 117.5 (1.0405)X
1994 -2 108 108.4 108.5
1995 -1 119 113.1 112.9
1996 0 110 117.8 117.5
1997 1 122 122.5 122.3
1998 2 130 127.2 127.2
1999 3 131.9 132.3
2000 4 136.6 137.7
Cinco observaciones son muy pocos datos como para
recomendar definitivamente el ajuste de una recta sobre
la otra. En la etapa presente, quien hace el pronstico
tendra que basarse en su criterio. Si es optimista,
probablemente escoger la ecuacin exponencial que
predice un futuro ms brillante. Conforme se acumulan
datos histricos, la tendencia debe volverse mejor
definida y la validez de cualquier ecuacin ser evidente
por las desviaciones del pronstico con respecto a los
valores reales.
PROMEDIO SIMPLE
Cuando b en la ecuacin de la recta Y= a + bX es igual a

cero, la recta es horizontal. El pronstico para el
siguiente periodo se convierte entonces en el promedio
simple de todos los valores de Y hasta la fecha:
YF = Y
N
El calculo de un promedio simple para el pronstico de
tendencia es entonces un caso especial del mtodo de
mnimos cuadrados.
Los clculos del valor promedio se asocian ms a menudo con
variaciones estacionales que tienen lugar dentro de una
tendencia general. Por definicin, las variaciones de las
temporadas estn limitadas a fluctuaciones durante un solo
ao. Por tanto, debemos recoger datos para varios periodos
dentro del ao a fin de determinar los patrones de las
temporadas.
Los registros mensuales o trimestrales son los ms comunes.

Cuando se dispone de datos que cubren un nmero substancial
de aos, la media aritmtica de cada periodo dentro de un ao
tiende a amortiguar y promediar los efectos cclicos entre los
aos.
Despus de ordenar los datos de acuerdo con trimestres,
meses o cualesquiera incrementos temporales que sean
apropiados, los valores Y representativos de cada periodo
se totalizan, y la suma se divide entre el nmero de aos,
N.
La media resultante para cada periodo es la estimacin

para el prximo periodo si la tendencia incremental tiene
efectos que no son pronunciados. Cuando la tendencia es
significativa, el promedio simple puede corregirse para un
crecimiento o disminucin general.
Un patrn de fluctuaciones de las temporadas a menudo
permanece relativamente constante, aun cuando la
tendencia pueda aumentar o disminuir. El patrn puede
definirse fcilmente dividiendo el promedio simple de cada
periodo entre la suma de los promedios. La cifra resultante
es una estimacin porcentual de la magnitud de la actividad
esperada durante cada periodo.
Este ndice de temporadas se convierte en ventas u otras
unidades de demanda multiplicando el porcentaje del
periodo por el pronstico de la tendencia anual.
Ejemplo: Un examen detenido de los datos trimestrales de la Generox
inc., nos conduce a examinar las ventas del primer ao. La fase
introductoria de un nuevo producto presenta, a menudo, un patrn
muy peculiar. Despus de que han transcurrido el esfuerzo inicial de
publicidad y la respuesta del consumidor, las variaciones de las
temporadas tienden a ser ms estables. Como las ventas durante 1964
no son marcadamente diferentes con respecto a los patrones
trimestrales subsecuentes, los incluiremos como datos limpios.
Una comprobacin posterior de la conveniencia de los promedios
simples se obtiene al graficar las ventas peridicas y ajustando
visualmente una lnea de tendencia a cada periodo. Si las lneas
ajustadas son aproximadamente paralelas, no se est desarrollando un
cambio radical en la demanda experimentada en cada periodo. Cuando
las lneas ajustadas divergen significativamente los promedios para los
periodos afectados deben ser corregidos. En algunos casos, una suma
equivalente al desplazamiento aproximado puede sumarse y restarse
de los promedios afectados. En casos ms extremos puede ser
necesario calcular una formula para el periodo de la demanda.
Las lneas trazadas para las ventas trimestrales de generox
parecen ser aproximadamente paralelas en la figura
siguiente. Por tanto, podemos calcular sin correcciones las
ventas promedio para cada trimestre y el promedio para
todos los trimestre combinados:
Ao Q1 Q2 Q3 Q4 Anual
1994 190 370 300 220 1080
1995 280 420 310 180 1190
1996 270 360 280 190 1100
1997 300 430 290 200 1220
1998 320 440 320 220 1300
Sumas 1360 2020 1500 1010 5890
Promedios 272 404 300 202 294.5

Los promedios trimestrales aceptados se convierten ahora a
un ndice de temporadas. Un ndice de temporada es el
cociente obtenido de dividir el promedio simple de cada
trimestre entre el promedio de todos los trimestres:
IQ1= 272
= 0.92 IQ2= 404
= 1.37
294 5 294 5
. .
IQ3= 300
= 1. 02 IQ4= 202 = 0.69
294 5 294 5
. .
El ndice desarrollado en esta forma puede emplearse para
estimar las ventas trimestrales para el prximo ao. Aplicando
al pronstico de lnea recta para 1999, tenemos
$1,319,000
FQ1= x 0.92= $303,000
4
$1,319,000
FQ2= x 1.37 = $452,000
4
$1,319,000
FQ3= x 1.02 = $336,000
4
$1,319,000
FQ4= x 0.69= $228,000
4
Total $1,319,000 = Pronstico de la
tendencia para 1999
EL PROMEDIO MOVIBLE
Un pronstico de promedio movible se obtiene

sumando los datos acerca de un nmero deseado de
periodos pasados. Este nmero por regla general
abarca un ao, a fin de atenuar las variaciones de las
temporadas. La atenuacin resulta porque los valores
altos y bajos durante un ao tienden a anularse.
Extendiendo el promedio movible para que incluya ms
periodos, se aumenta el efecto de atenuacin, pero se
disminuye la sensibilidad de los pronsticos a datos
ms recientes.
Un promedio movible se distingue de un promedio simple
por la condicin de los clculos consecutivos; cada
promedio se mueve hacia adelante en el tiempo a fin de
incluir una observacin ms reciente, eliminando al mismo
tiempo el dato ms antiguo. Si un promedio movible dado,
de 12 meses, es la demanda promedio para enero de 1998
hasta diciembre del mismo ao, el siguiente promedio
movible incluye las demandas para febrero de 1998 hasta
enero de 1999. En el primer caso, el promedio movible
representa la demanda a medio ao; en el ltimo caso,
representa la demanda para el 30 de julio o el 1 de
agosto. Un promedio de los dos valores centrara la
demanda en julio.
Un promedio movible calculado para cierto nmero de datos
segn las observaciones ms recientes, rara vez es un buen
pronstico para el siguiente periodo, salvo que el patrn de
datos sea relativamente constante. Un ndice de temporada
referido al promedio movible mejora el pronstico. Un valor
del ndice se calcula dividiendo la demanda real entre el
promedio movible centrado para ese periodo. Un ndice ms
confiable se obtiene promediando varios valores del ndice
para periodos comunes. El pronstico es, por tanto, el
producto del promedio movible centrado ms reciente para
un periodo y el valor del ndice para ese periodo.
Ejemplo:
Nuevamente nos referiremos a las cifras de las ventas trimestrales de

Generox para desarrollar un pronstico trimestral para 1999. Se
empleara un promedio movible de cuatro periodos. El primer promedio
movible es un cuarto de las ventas totales para 1994 y representa un
punto en el tiempo, entre el final del segundo trimestre y el principio
del tercero. El segundo promedio movible es la suma de las ventas de
los tres ltimos trimestres de 1994 y el primer trimestre de 1995
dividida entre cuatro. Este valor esta asociado con el final de Q3, 1994,
y el principio de Q4, 1994. Un promedio de los dos nmeros obtenidos
nos da un promedio movible centrado en Q3, 1994. Este procedimiento
se repite para todos los trimestres para obtener los promedios movibles
de la siguiente tabla.
Clculo de los promedios movibles y los valores trimestrales del ndice
estacional para las ventas de Generox.
Ventas en Promedio Promedio

unidades de movible de movible ndice
Ao Trimestre $10,000 cuatro centrado temporal
periodos
1994 Q1 190
Q2 370
Q3 300 270
Q4 220 292 281 1.07
1995 Q1 280 305 298 0.74
Q2 420 307 306 0.91
Q3 310 297 302 1.39
Q4 180 295 296 1.04
1996 Q1 270 280 287 0.63
Q2 360 273 276 0.98
Q3 280 275 274 1.32
Q4 190 283 279 1.00
1997 Q1 300 300 286 0.66
Q2 430 303 301 1.00
Q3 290 305 304 1.42
Q4 200 310 307 0.94
1998 Q1 320 312 311 0.64
Q2 440 320 316 1.01
Q3 320 325 322 1.37
Q4 220
La ltima columna de la tabla es el ndice de temporada para cada
trimestre. Se obtiene dividiendo las ventas reales para un trimestre entre
el promedio movible centrado para dicho trimestre. Podemos obtener una
mejor estimacin del ndice de un trimestre promediando todos los valores
disponibles.
Antes de aplicar el ndice de temporada promedio, deben hacerse dos

comprobaciones:
1. El promedio de los ndices peridicos debe dar un total igual a 1.0.

En el ejemplo el promedio es
0.9750 +1.3750 +1.0125 +0.6675 4.03
= = 1.0075
4 4
Por tanto, los ndices deben ajustarse; de otra manera la suma de los
pronsticos trimestrales exceder al pronstico anual implcito en 0.75%
Clculo de un ndice de temporada ajustado
Q1 Q2 Q3 Q4
1.07 0.74
0.91 1.39 1.04 0.63
0.98 1.32 1.00 0.66
1.00 1.42 0.94 0.64
1.01 1.37
Totales 3.90 5.50 4.05 2.67
ndice de temporada 0.975 1.375 1.0125 0.6675
promedio
ndice de temporada 0.97 1.37 1.00 0.66
ajustado
2. Debe darse atencin a cualesquiera tendencias obvias en un ndice
trimestral. En la tabla anterior Q1 parece estar aumentando y Q3 tiene
una tendencia definida hacia abajo.
Nuestro ndice de temporada ajustado refleja las consideraciones
anteriores. Se tom una fraccin (4.00/4.03) de cada ndice promedio y
los resultados se redondearon con respecto a la tendencia en Q3. En
esta forma, los clculos proporcionan el sistema de referencia para el
pronstico, pero los toques finales son proporcionados por el juicio.
El paso final es hacer un pronstico. Se lleva a cabo tomando el
producto del promedio movible centrado ms reciente y su respectivo
ndice temporal. Los pronsticos para los primeros trimestres de 1999
son:
Q11999 = 316 x 0.97 = 307 $307,000
Q21999 = 322 x 1.37 = 441 $441,000

Atenuacin exponencial
Cualquier mtodo cuantitativo de pronstico sirve para atenuar las
fluctuaciones en un patrn de la demanda. En la atenuacin exponencial
controlamos la caracterstica de atenuacin agregando un factor, la
constante de atenuacin llamada alfa (), la cual pone mayor nfasis a
las demandas recientes. Aunque la atenuacin exponencial puede
aplicarse a cualquier tcnica de pronstico en serie de tiempo, lo
examinaremos en relacin con los promedios.
Un pronstico que emplea la atenuacin exponencial resulta de la
ecuacin:
Fn = Yn-1 + (1-)Fn-1
La cual puede ordenarse en la forma siguiente:
Fn = Fn-1 + (Yn-1 Fn-1)

Donde:
Fn= pronstico para el periodo siguiente
Fn-1= pronstico para el periodo anterior
= constante de atenuacin (0 1)
Yn-1= valor real para el periodo anterior
En esta forma, un pronstico atenuado es igual al pronstico anterior
atenuado ms cierta fraccin de la diferencia entre los valores
pronosticados y los reales durante el periodo anterior. De acuerdo con
esta descripcin, resulta claro que debemos determinar un pronstico
anterior y el valor de antes de poder hacer un nuevo pronstico.
Cuando estn disponibles los datos pasados, el valor inicial, Fn-1 puede
ser un promedio simple de las observaciones N ms recientes. Decidir
sobre el nmero de datos que se deben emplear tiene la misma
implicacin que la considerada para los promedios movibles; cuando N
es grande, la estimacin es muy estable, pero no refleja los cambios
ms recientes del patrn. Si no se dispone de datos, Fn-1 se desarrolla
partiendo de opiniones respecto a lo que se supone que el proceso
debe hacer.
El razonamiento para escoger un valor de tambin es semejante al
empleado para escoger al nmero de periodos en un promedio movible, N. En
general, es algn valor entre 0.1 y 0.3.
La respuesta a un patrn variable mejora con constantes de atenuacin
mayores, exactamente como ocurre con valores ms pequeos de N. Esta
respuesta rpida se adquiere a expensas de la habilidad para suavizar las
fluctuaciones al azar. La relacin entre y N que emplea la misma duracin
para el promedio al aplicarse a los datos es = 2 / (N+1). Por tanto, si
tenemos una razn para estar satisfechos con un cierto valor de N, podemos
calcular con facilidad un valor de que nos d resultados equivalentes.
Se puede observar que la atenuacin exponencial es simplemente un
promedio ponderado siguiendo una serie de pronsticos. Si llamamos al
primer pronstico F0 y los pronsticos subsecuentes estn indicados por F1, F2,
etc., una serie de predicciones seria la siguiente
Periodo 1: F1= Y0 + (1 - ) F0
Periodo 2: F2 = Y1 + (1- ) F1
= Y1 + (1- ) [ Y0 + (1 - ) F0]
Periodo 3: F3 = Y2 + (1 - ) F2
= Y2 + (1 - ) Y1 + (1 - )2 [ Y0 + (1 - ) F0]
O, en general,
Fn= Yn-1 + ( 1- ) Fn-1

= Yn-1 + (1- ) Yn-2 + (1- )2 Yn-3 + + (1- )n Yn-n
En donde
Fn = Pronstico para el periodo N
Y = Datos histricos
Yn- n = Pronstico inicial
= F0
La funcin anterior es una combinacin lineal de todos los datos anteriores
ponderados de acuerdo con la constante de atenuacin . Si = 0, no se incluyen
desde el pronstico inicial. Cuando = 1, el pronstico siguiente es el mismo que
el valor real ms reciente.
Ejemplo:
La frmula de atenuacin exponencial limita el pronstico a un solo periodo en el
futuro. Podemos aplicar este mtodo al pronstico de la tendencia de la siguiente
tabla. Como un promedio ponderado de los datos reunidos para estimar las ventas
totales para 1999. Primero aplicaremos una constante de atenuacin de 0.2 para
obtener
Ao 1994 1995 1996 1997 1998

TRIMESTRE 1 190 280 270 300 320
TRIMESTRE 2 370 420 360 430 440
TRIMESTRE 3 300 310 280 290 320
TRIMESTRE 4 220 180 190 200 220
TOTALES 1080 1190 1100 1220 1300

F1999= ( 0.2) 1300 + ( 0.2) (0.8) 1220 + ( 0.2) (0.8)2 1100 + ( 0.2) (0.8)3 1190 +
(0.8)4 1080
= (0.2) 1300 + (0.16) 1220 + (0.128) 1100 + (0.1024) 1190 + (0.4096) 1080
= 1160 $1,160,000
A continuacin podemos hacer = 0.8, lo cual hace que la frmula responda ms a
demandas recientes, como queda indicado por
F1999= (0.8) 1300 + (0.8)(0.2) 1220 + (0.8)(0.2)2 1100 + (0.8)(0.2)3 1190 +(0.2)4 1080
= (0.8) 1300 + (0.16) 1220 + (0.032) 1100 + (0.0064) 1190 + (0.0016) 1080
= 1280 $1, 280,000
A partir de estos pronsticos significativamente distintos, podemos ver fcilmente la

importancia de una cuidadosa seleccin de .
El pronstico inicial, Fn , para la atenuacin exponencial puede obtenerse tambin a
partir de otros mtodos de promediado. Podemos pronosticar las ventas para el primer
trimestre de 1999 ya sea a partir de un promedio simple o de un promedio movible para
Q1, 1997. Supondremos un valor de de 0.15 establece un balance entre la estabilidad
y la sensibilidad.
ANALISIS DE REGRESIN LINEAL
Puede definirse la regresin como una relacin funcional

entre dos o ms variables correlacionadas. Se utiliza para
pronosticar una variable con base en la otra. Por lo general,
la relacin se desarrolla a partir de datos observados.
Primero es necesario graficar los datos para ver si aparecen

lineales o si por lo menos partes de los datos son lineales. La
regresin lineal se refiere a la clase de regresin especial en
la que la relacin entre las variables forma una recta.
La recta de la regresin lineal tiene la forma Y = a + bX,
donde Y es el valor de la variable dependiente que se
despeja, a es la secante en Y, b es la pendiente y X es la
variable independiente (en el anlisis de serie de tiempo,
las X son las unidades de tiempo).
La principal restriccin al utilizar el pronstico de regresin

lineal es, como su nombre lo implica, que se supone que los
datos pasados y los pronsticos futuros caen sobre una
recta.
La regresin lineal se utiliza tanto para pronsticos de
series de tiempo como para pronsticos de relaciones
causales.
ANLISIS DE REGRESIN Y CORRELACIN
Un anlisis de correlacin examina el grado de relacin

que existe entre las variables.
La correlacin no est limitada al anlisis por serie de
tiempo.
Puede aplicarse a la investigacin de cualquier lnea de
regresin que relacione las variables. Nuestras ecuaciones
de prediccin fueron lneas de regresin que relacionaban
las ventas con el tiempo. Las ventas tambin podran estar
relacionadas con el producto nacional bruto, diagramas
habitacionales, crecimiento de la poblacin u otros
indicadores econmicos.
La correlacin simple expresa la relacin entre dos variables y est asociada
con lneas de regresin representadas en la figura siguiente.
La correlacin mltiple mide las relaciones entre ms de dos variables. Las
superficies mostradas en la siguiente figura, representan la relacin entre dos
variables independientes y una dependiente.
DETERMINACIN DE LOS COEFICIENTES
La dispersin de los datos alrededor de las lneas de regresin est
caracterizada por tres sumas de cuadrados:
( Y - )2 = ( YF - )2 + ( Y YF )2
VARIACIN VARIACIN VARIACIN
TOTAL EXPLICADA INEXPLICADA
VARIACIN TOTAL.
La desviacin ( Y - ), como se indica en la siguiente figura, es la distancia
vertical entre un punto y la media de todas las observaciones, = Y / N.
Este trmino es una medida de la variacin total de la variable dependiente y
se divide en dos partes: La variacin explicada y la variacin inexplicada.
LA VARIACIN EXPLICADA.
La variacin explicada por la lnea de regresin est representada por ( YF - ).
En la siguiente figura est desviacin aparece como la distancia vertical entre la
lnea de regresin y una lnea horizontal en .
En esta forma, un valor cero de b en una lnea de regresin para dos variables YF
= y la suma de los cuadrados de la variacin explicada es igual a cero. Esto hace
a la variacin total igual a la variacin inexplicada.
VARIACIN INEXPLICADA.
La suma de los cuadrados de la variacin inexplicada es el trmino familiar
empleado para calcular el error estndar de la estimacin. Debido a que Sy mide
el ajuste de la lnea de regresin a los datos, lgicamente est basada en las
desviaciones inexplicadas por la lnea ajustada. Este trmino es igual a cero
solamente si todos los puntos caen directamente sobre la lnea de regresin.
Entonces, naturalmente, la lnea de regresin define explcitamente la relacin
de las variables. En el caso ms comn, donde los datos no coinciden con la
ecuacin de prediccin, cada desviacin aparece como las distancia vertical de
un punto (Y) a la lnea de regresin.
La relacin de la suma de cuadrados de la variacin inexplicada a la suma de
cuadrados de la variacin total, (Y YF)2 / (Y - )2, mide la proporcin de la
variacin total que no es explicada por la lnea de regresin. Por tanto,
(Y YF)2
1-
(Y )2
mide la proporcin de la variacin total explicada por la lnea de regresin. Esta
expresin es llamada el coeficiente de determinacin.
COEFICIENTE DE CORRELACIN
La raz cuadrada del coeficiente de determinacin,
(Y YF)2
r= 1
(Y )2
es el comnmente conocido coeficiente de correlacin, r. El

valor bajo el radical nunca puede ser mayor a uno ni menor
que cero. Sin embargo, debido al que el radical tiene races
positivas y negativas, el valor de r est entre + 1 y 1. El signo
ms o menos indica solamente la direccin de la pendiente de
la lnea de regresin, como se muestra en los siguientes
diagramas.
Cuando r = + 1, todos los
puntos caen sobre una lnea
de regresin con pendiente
positiva. Cuando r est entre
+1 y 0, la lnea de regresin
an tiene una pendiente
positiva, pero los puntos
caen sobre cualquier lado de
la lnea. Mientras ms se
aproximen alrededor de la
lnea, r se acerca ms a 1.
EL CLCULO.
Cuando se dispone de suficientes datos, se puede
calcular r empleando las sumas de cuadrados, como se
indic anteriormente, o ms directamente, por medio
de la frmula
r= ()

Esta ecuacin es apropiada cuando los grados de

libertad no tienen que ser considerados por que existen
suficientes datos.
Cuando los datos estn limitados, las sumas de los
cuadrados se dividen cada una entre sus grados de
libertad asociados.
En el caso de los mtodos de regresin debe especificarse un modelo antes de
obtener los datos y realizar el anlisis. El caso ms simple es el modelo lineal de
una sola variable:
= a + bx
Donde:
= Demanda estimada
x = Variable independiente (que se supone ocasiona )
a = Interseccin de y
b = Pendiente
En este modelo se supone se han observado n pares de valores x y y. Se indican

estos pares (x1, y1), (x2, y2),, (xn, yn). Ntese que el smbolo y indica valores
observados de y y que el smbolo indica puntos de una lnea expresados por la
ecuacin =a + bx
La figura siguiente muestra esta situacin. Los valores de y observados
no caen exactamente sobre la lnea por los errores aleatorios en los
datos. En cada punto observado puede expresarse el error como i yi, y
la variacin total o cuadrado del error debido a todo los puntos es:
(i yi)2 = (a + bx yi)2
En el anlisis por regresin el objetivo es minimizar la ecuacin de error
mnimo utilizando el clculo, lo cual da como resultado el siguiente
grupo de ecuaciones:

a= -b (3.6)

()
b= (3.7)

En el caso de un grupo de n pares de datos (xi, yi), (x2,y2),,(xn,yn), se
pueden encontrar los valores de a y b a partir de las ecuaciones (3.6) y
(3.7). Estos valores describen la lnea recta (por mnimos cuadrados)
que predice mejor la demanda y basndose en la variable
independiente x.
Tambin pueden calcularse qu tan fuerte es la relacin entre y y x por
medio de r2, el coeficiente de determinacin. El valor de r2 representa
la proporcin de variacin en y que se explica por la relacin con x, el
valor restante de la variacin 1- r2 debido al azar o a factores que no
son x. Por lo tanto, resulta deseable que el valor de r2 se acerque lo
ms que sea posible a 1.
Un valor de r2 = 0.8 indica que el 80% de la variacin en y se pude
predecir o explicar mediante la lnea de regresin con x; slo el 20% se
debe al azar. En este caso puede obtenerse un pronstico bastante
confiable para y cuando se conoce el valor de x.
La cantidad de r2 puede calcularse como sigue:
2
r2 = 2 2 [2 2]
El pronstico por regresin lineal se ilustrar con un ejemplo simple.

Suponga que nos interesa estimar la demanda de peridicos basndonos en la
poblacin local.
En la tabla siguiente se muestran la demanda de peridicos durante los ltimos 8
aos y la poblacin correspondiente de una ciudad pequea. Con los datos
disponibles, el primer paso ser calcular los valores de a y b para la lnea. Esto se
hace calculando el producto de la interseccin xy y los valores de x2 como se
muestra en la tabla. Si se obtienen los totales de todas las columnas se tienen los
datos para utilizarlos en las ecuaciones (3.6) y (3.7). El resultado para este caso es
a = -1.34, b= 2.01. La mejor ecuacin (mnimos cuadrados) para predecir la
demanda de peridicos ser entonces, y = -1.34 + 2.01x.
AOS POBLACIN (en PERIDICOS (en miles)
miles)
1 3.00 2.00
2 3.50 2.40
3 4.10 2.80
4 4.40 3.00
5 5.00 3.20
6 5.70 3.60
7 6.40 3.80
8 7.00 4.00
i Y1 X1 X1Y1 X12 Y1 2
1 3.00 2.00 6.00 4.00 9.00
2 3.50 2.40 8.40 5.76 12.25
3 4.10 2.80 11.48 7.84 16.81
4 4.40 3.00 13.20 9.00 19.36
5 5.00 3.20 16.00 10.24 25.00
6 5.70 3.60 20.52 12.96 32.49
7 6.40 3.80 24.32 14.44 40.96
8 7.00 4.00 28.00 16.00 49.00
SUMAS 39.10 24.80 127.92 80.24 204.87

Unidad-2-Exposición-Admón.-De-Las-Operaciones-Parte Uno

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

Unidad-2-Exposición-Admón.-De-Las-Operaciones-Parte Uno

Cargado por

Copyright:

Formatos disponibles

6

Pronstico es una prediccin de eventos

Tawfik & Chauvel, 1992, Adam & Eber, 1991, Kalenatic

Representan la base de los planes a largo plazo

En rea de finanzas y contabilidad

a) Planes de productos nuevos

b) Remunerar el personal en ventas

El personal de produccin y el de operaciones

a) Toma de decisiones de manera peridica

Esto no quiere decir que no se trate de mejorar el

En trminos generales, la "demanda" es una de las dos

Del libro: Direccin de Marketing, Edicin del Milenio, de Kotler Philip,

Las cantidades de un producto que los consumidores estn

Del libro: Mercadotecnia, Tercera Edicin, de Fischer Laura y Espejo Jorge,

Del libro: Diccionario de Economa, Tercera Edicin, de Andrade Simn,

La cantidad de un bien que los compradores quieren y

Del libro: Principios de Economa, Tercera Edicin, de Mankiw Gregory, Mc

La demanda tiene dos fuentes bsicas:

1. Adoptar un papel activo para influir en la demanda: La empresa

2. Adoptar un papel pasivo y limitarse a responder de acuerdo con la

2) Anlisis de series de tiempos

La suposicin aqu es que la persona que est ms cerca del

Se utiliza sobre todo para la investigacin de

En un grupo de consenso, la idea es que un grupo de

Los pronstico en grupo se realizan por medio de

El problema con este estilo abierto es que los empleados

Al tratar de pronosticar la demanda de un nuevo

Relaciona lo pronosticado con un articulo similar. Es

1) Elegir los expertos a participar. Debe haber gran variedad de

Es el conjunto de vendedores con que cuenta una

1) El horizonte de tiempo que se va a pronosticar.

2) La disponibilidad de los datos.

4) El tamao del presupuesto del pronstico.

5) La disponibilidad del personal calificado.

Otro aspecto es la consecuencia de un mal pronstico.

Las fuerzas que generan la serie se han estabilizado y el medio

Se puede lograr la estabilidad haciendo correcciones sencillas a

La serie se puede transformar en una serie estable.

El incremento de la poblacin elevan la demanda por

El poder de compra se afecta por la inflacin.

Aumenta la aceptacin en el mercado de un producto.

El clima influye en la variable de

Elciclo del negocio influye sobre la

Libro: Administracin de operaciones.

suma de las ultimas n demandas Dt+Dt-1+Dt-2++Dt-n+1

Libro: Administracin de operaciones.

Libro: Administracin de operaciones.

Libro: Administracin de operaciones.

b. El error de pronstico para la semana 4 es:

c. Para elaborar el pronstico correspondiente a la semana 5, es

Libro: Administracin de operaciones.

MES VENTAS REALES (2009)

Un perodo de 3 meses (a partir de abril de 2009)

El objetivo consiste en identificar con cul de los dos perodos del

De esta manera se efectan las previsiones restantes obteniendo el siguiente

VENTAS REALES PRONSTICO 3 PRONSTICO 6

Libro: Direccin y administracin de la produccin y de las operaciones.

MES 1 MES 2 MES 3 MES 4 MES 5

El pronostico para el mes 5 seria:

Libro: Direccin y administracin de la produccin y de las operaciones.

La experiencia y las pruebas son las formas ms sencillas de elegir las

Nuevo pronstico = pronostico del periodo anterior + (demanda real del

Mtodo: se puede utilizar el modelo de suavizacin exponencial