Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4 Serie 1
Serie 2
2 Serie 3
0
PRONSTICOS
a) Planeacin de presupuestos
b) Control de costos
En el departamento de marketing
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.
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) Cualitativos
3) Relaciones causales
4) Simulaciones
MTODOS CUALITATIVOS
3) La precisin requerida .
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.
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
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
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.
= 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
Libro: Direccin y administracin de la produccin y de las operaciones.
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:
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:
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.
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
Suma de 82.45
desviaciones
absolutas
MAD=
10.31
MNIMOS
CUADRADOS
130
125
120
115
110
105
10 11 12 13 14
15
= + 2
Aos x
1964 -2
1965 -1
1966 0**
1967 +1
1968 +2 LIBRO: SISTEMAS DE
x= 0 PRODUCCIN.
PLANEACIN, ANLISIS Y
**punto base CONTROL
AUTOR: JAMES L. RIGGS
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
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
a= 108.4 $1,084,000
b=4.7 $47,000
YF= a + bx
yF= $1,184,000 + $47,000 x
Y el pronostico
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:
b= xy = 47 = 4.7 $47,000
x^2 10
Y el pronostico
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
Ao Y X X2 XY
1994 108 -2 4 -216
1995 119 -1 1 -119
1996 110 0 0 0 PUNTO BASE
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
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:
log a = (
)
= = 2.0701
.
Y, por tanto, a= 117.5 1,175,000 dlares, y
log b = ( ) =
.
= 0.0172
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
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.
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
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:
O, en general,
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
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
( Y - )2 = ( YF - )2 + ( Y YF )2
VARIACIN VARIACIN VARIACIN
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
r= ()
(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]
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