REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD PRIVADA DR. RAFAEL BELLOSO CHACÍN

FACULTAD DE INGENIERÍA
ESCUELA DE INGENIERÍA INDUSTRIAL
ASIGNATURA: PLANIFICACIÓN Y CONTROL DE LA PRODUCCIÓN

UNIDAD II: PRONÓSTICOS EN LA

PRODUCCIÓN

MODELOS Y TÉCNICAS DE PRONÓSTICOS

Facilitador: Ing. Armando Bozo, M Sc.

Correo electrónico institucional: abozo@urbe.edu.ve
Correo electrónico personal:
armandojbozol@gmail.com
Telf. Contacto: 0412-6506057
Twitter: @bozo_armando

Facilitador: Ing. Armando Bozo, M Sc.

 2

PRONÓSTICO

• Es el cálculo estimado del nivel de la

demanda de un producto para un período
futuro.

• Proceso de estimación del futuro a partir

de datos históricos que se combinan bajo
un modelo matemático o un modelo
cualitativo.

Facilitador: Ing. Armando Bozo, M Sc.

 HORIZONTES
3

1. Pronóstico a corto plazo:

• Cubren hasta 1 año,
generalmente menos de tres
meses.
• Planificación de compras,
programación de trabajos,
programación niveles de
producción.

Facilitador: Ing. Armando Bozo, M Sc.

 HORIZONTES
4

2. Pronóstico a mediano plazo:

• Entre 1 y 3 años.
• Planificación de Ventas,
Producción, Presupuesto.

Facilitador: Ing. Armando Bozo, M Sc.

 5

HORIZONTES

3. Pronóstico a largo plazo:

• Periodo superior a 3 años.

• Planificación de nuevos
productos, procesos,
ubicación /expansión de
instalaciones.

Facilitador: Ing. Armando Bozo, M Sc.

 IMPORTANCIA
8

1. Recursos Humanos
• El número de empleados depende de
la demanda esperada.
2. Capacidad de producción GENTE
• Capacidad insuficiente significa
pérdida de oportunidad. Capacidad
excesiva, significa desperdicio.
3. Gestión de la cadena de suministro
• Tiempo de entrega/cantidad depende
de precisión del pronóstico.

Facilitador: Ing. Armando Bozo, M Sc.

 10

MODELOS DE PRONÓSTICOS
1. Cualitativo
Incorporan factores como la experiencia, intuición,
emociones y valores de las personas que realizan el
pronóstico. Se emplean cuando la situación no es clara y
hay pocos datos (Productos nuevos y nueva tecnología) .
2. Cuantitativo
Basados en modelos matemáticos y se utilizan cuando la
situación es estable y existen datos históricos y/o variables
casuales para realizar el pronóstico. Aplicado a productos
existentes y tecnología actual.

Facilitador: Ing. Armando Bozo, M Sc.

 MODELOS CUALITATIVOS
11

1. Juicio de expertos
• Recopilan datos a partir de las
personas involucradas.
2. Investigación de mercado
• Recopilación de datos a través de
encuestas o entrevistas.

Facilitador: Ing. Armando Bozo, M Sc.

 12

MODELOS CUALITATIVOS

3. Analogía histórica
• Se basa en hacer comparaciones
con producto o procesos similares.
4. Método DELFI o DELPHI
• Consiste en obtener información a
través de un grupo de expertos. Se
realizan preguntas escritas y un
coordinador es responsable por el
consenso.

Facilitador: Ing. Armando Bozo, M Sc.

 MODELOS CUANTITATIVOS

MODELOS DE SERIES DE MODELO CAUSALES O

TIEMPO ASOCIATIVOS

•Enfoque simple •Regresión lineal

•Promedios Móviles
•Suavizamiento Exponencial
Proyección de tendencia
Este modelo se fundamenta en
datos pasados para estimar el futuro
•Regresión lineal con
tendencia
Incorpora al modelo las variables
o factores que pueden influenciar
la cantidad que se pronostica.
Ej gastos de publicidad Vs Ventas

Facilitador: Ing. Armando Bozo, M Sc.

 MODELOS CUANTITATIVOS
Serie de tiempo: Se basa en un conjunto de datos ordenados forma cronológica y uniforme
(mensual, semanal, etc.). Las series de tiempo pueden tener estos comportamientos:

TENDENCIA ESTACIONALIDAD / CICLO ALEATORIO

200 30 100
25 80
150
20
60
100 15
40
10
50 20
5
0 0 0
0 5 10 15 0 5 10 15 0 5 10 15

Movimiento gradual de Estacionalidad: es el patrón Variaciones en los datos

ascenso o descenso a
través del tiempo.
Facilitador: Ing. Armando Bozo, M Sc.
de datos que se repite a si debido al azar o
mismo después de un situaciones que no se
periodo. pueden predecir, no
siguen un patrón.
El ciclo son patrones que Ej. Paros, inundaciones
ocurren en los datos cada
varios años.
14
 MODELOS CUANTITATIVOS
15

Comportamiento de
la tendencia
Picos
Demanda para el producto

Estacionales

Demanda Real

Demanda
promedio

Variación Aleatoria

Año 1 Año 2 Año 3 Año 4

Facilitador: Ing. Armando Bozo, M Sc.
 MODELOS CUANTITATIVOS
16

1. PROMEDIO SIMPLE
Asigna el mismo peso a todos los datos
PS = Sumatoria de Valores de Demanda
generando el pronóstico en base al promedio
aritmético. Son útiles cuando se asume Número de Observaciones
demandas más o menos constantes.

2. PROMEDIO PONDERADO
PP = ∑ Valores de Demanda x Prob.de Ocurrencia
Asigna peso o probabilidad de ocurrencia a
los diferentes valores de la demanda.

Facilitador: Ing. Armando Bozo, M Sc.

 MODELOS CUANTITATIVOS
17

Una empresa tiene en sus registros los siguientes datos de demanda para su
producto principal:

MES DEM PROB

1 300 0.1 Obtener el pronóstico para los

próximos meses con base en:
2 250 0.1
1. Promedio Simple
3 200 0.2
2. Promedio Ponderado
4 350 0.2

5 400 0.3 PS = 300 + 250 +200 + 350 + 400 +500 +600

7
6 500 0.05 PS = 371
7 600 0.05

PP = 300 * 0.1 + 250*0.1 + 200*0.2 + 350*0.2 + …….+ 600*0.05 = 300

Facilitador: Ing. Armando Bozo, M Sc.
 MODELOS CUANTITATIVOS
18

1. PROMEDIO MÓVIL SIMPLE 1. Solo los periodos más recientes

MMS = Sumatoria de “n” Valores de Demanda
Consiste en calcular el promedio Número de Observaciones (n)
considerando que n son los últimos
períodos.

2. PROMEDIO MÓVIL PONDERADO

Asigna peso o probabilidad de MMP (P x)= (F mayor) x (D mayor) + (F menor)
ocurrencia a los diferentes valores x D menor/ ∑ Factores
de la demanda.

Facilitador: Ing. Armando Bozo, M Sc.

 MODELOS CUANTITATIVOS
19

Una empresa tiene en sus registros los siguientes datos de demanda para su producto
principal: Obtener pronóstico para los próximos meses
con base en PS, MMS (hasta el mes 6) n=2 y
MMP con factor 2 y 3.

MES DEM FACTOR MES DEM MMS MMP

1 90 1 90

2 106 2 106

3 152 2y3 3 152 98 100

4 244 4 244 129 134 Solución:

5 302 198 207 PS = 502

5 302
MMS = 273
6 274 6 274 273 279
MMP =
Facilitador: Ing. Armando Bozo, M Sc.
 MODELOS CUANTITATIVOS
ANÁLISIS DE REGRESION LINEAL
•Se utiliza tanto para análisis de series de
tiempo (promedios móviles, suavizamiento
exponencial, proyección de tendencia) como
para análisis causal (incluye variables o factores
que influyen en la cantidad que se pronostica).
•El método establece la relación entre dos
variables, una que se conoce (variable
independiente) y otra desconocida (variable
dependiente).
b = [n * (Xt * Yt)] – [(Xt) * (Yt)]
•Si la relación es lineal:
[n * (Xt2)] - ( (Xt) )2
•Y = a + bX
•Yt = a + bXt
a = (Yt) – b * (Xt)
n

Facilitador: Ing. Armando Bozo, M Sc. 20

 MODELOS 21

CUANTITATIVOS
ANÁLISIS DE REGRESIÓN LINEAL
MES VENTAS
1 10
2 40
La empresa MCA debe realizar un
3 35 pronóstico para los siguientes 3 meses
4 160 tomando los datos históricos del 2011. A
5 240 continuación se muestran las siguientes
6 350 ventas en Bs para los 12 meses del año:
7 200
8 180
9 400
10 500
11 350
12 500

Facilitador: Ing. Armando Bozo, M Sc.

 MODELOS CUANTITATIVOS 22

ANÁLISIS DE REGRESIÓN LINEAL

Xt Yt Xt * Yt Xt 2
1 10 10 1 b= (12*25425) – (78*2965) = 43
2 40 80 4
3 35 105 9
12 * 650 – (78 ) 2
4 160 640 16
5 240 1200 25
a= 2965 - 43 * 78 = - 33
6 350 2100 36
7 200 1400 49 12
8 180 1440 64
9 400 3600 81
10 500 5000 100
11 350 3850 121
12 500 6000 144
78 2965 25425 650 Y = - 33 + 43 X
b = [n * (Xt * Yt)] – [(Xt) * (Yt)]
Y13 = - 33 + 43 (13) = 526
[n * (Xt2)] - ( (Xt) )2

a = (Yt) – b * (Xt)
n Facilitador: Ing. Armando Bozo, M Sc.