1.

UNIDAD II
 
ESTRATEGIAS DEL PROCESO Y
PLANEACION DE LA CAPACIDAD

Dr. Ing. Ángel Miguel López Aguilar

1. UNIDAD II
 
Proyección de la demanda
Dr. Ing. Ángel Miguel López Aguilar
Diseñar y ejecutar un sistema de producción para satisfacer los
requerimientos de los clientes, se debe conocer cuánta demanda se
tiene que satisfacer, lo cuál lo induce a tres interrogantes importantes:

¿Como saber que producir?

¿Como saber cuanto producir?
¿Como saber cuando producir?

La predicción (pronóstico) y administración de la demanda ayuda a

responder estas preguntas.

La administración de la demanda incluye identificar todas las fuentes

potenciales de la demanda, así como influir en los niveles y la
duración de la demanda.

Los intentos de medir la demanda inicial y los efectos de administrarla

se denominan predicciones
¿De dónde viene la demanda de un producto o servicio de una
empresa ?

Existen dos fuentes básica de demanda:

Demanda Independiente:
Productos Terminados
A
Demanda Depiendente:
Materia Prima,
Partes, Insumos,
B(4) C(2) Sub-procesos, etc.

D(2) E(1) D(3) F(2)

Depende de la
demanda de otros
productos
Con respecto a la Demanda Independiente, la empresa puede
hacer

• Tomar un rol activo para influenciar demanda.- ofrecer

incentivos a clientes y a su propio personal, emprender
campañas para vender productos y reducir los precios.

• Tomar un rol pasivo y simplemente responder a la

demanda.- cuando está funcionando a su capacidad total
o no poder económico para gastos de publicidad
 ¿Qué son Pronósticos?

• Proceso de predecir Las ventas serán

eventos futuros. $200 Millones!

• Base intrínseca de todas

las decisiones de negocio:
– Producción

– Inventarios

– Personal

– Infraestructura
¿por qué es necesario pronosticar? 

• En cualquier situación que nos encontremos, siempre se

opera en un ambiente de incertidumbre

• Aún cuando se opera en este ambiente, es necesario tomar

múltiples decisiones

• Realizaremos pronósticos basados en métodos lógicos de

manipulación de datos que se generaron por sucesos
históricos

• Pero tampoco significa que un pronóstico intuitivo sea malo

En el ámbito empresarial, se requiere hacer pronósticos en las
áreas de finanzas, mercadotecnia, personal y de producción.

Ejemplos:

• Si aumentamos nuestro presupuesto de publicidad en un

15%, ¿cómo afectará a los ingresos?

• ¿Cuántas unidades/productos deberemos vender para

recuperar la inversión en equipo de producción?

• ¿Qué factores se puede identificar para explicar la

variabilidad de las ventas mensuales?
En virtud de que los eventos para los cuales se producen
pronósticos no se pueden anticipar con certeza, una
característica intrínseca de todo pronóstico es que puede
fallar.

La incertidumbre asociada a los fenómenos inciertos puede

provenir de, al menos, dos fuentes distintas.
• La falta de conocimiento.
• La falta de control.

La falta de control se manifiesta a través de la variabilidad de

los resultados observados.

La producción de pronósticos está inevitablemente asociada

con descripción de la incertidumbre.
Clasificación de los modelos de pronósticos

1. Según el marco de tiempo al que atienden

• De corto plazo. Para diseñar estrategias inmediatas

• De mediano plazo. útil para decisiones de todos los niveles.

• Pronósticos de largo plazo. para establecer el rumbo

general de la organización
2. Según la intensidad del uso de datos

• Pronósticos cualitativos. En base al juicio de individuos o

grupos de individuos

• Pronósticos cuantitativos. Emplean datos previos como

base de predicción.

 Simples: proyectan datos pasados hacia el futuro sin

explicar las tendencias futuras.

 Causales (explicativos): intentan explicar las relaciones

funcionales entre la variable a ser estimada (variable
dependiente) y la variable o variables que explican los
cambios (variables independientes).
Un pronóstico ideal debe incluir:
• Una medida de su precisión

• Una medida de su confiabilidad (previa)

• Además, debe obtenerse con un mecanismo

Reproducible

Las técnicas estadísticas de pronóstico no solamente

reúnen estas tres características sino que constituyen
una valiosa herramienta para la producción de
pronósticos a partir del análisis de información previa.
Ejemplo: venta de seguros
Millones de soles
Año Millones de soles 25,000

2012 13,686 20,000

2013 15,416 15,000

2014 18,630 10,000

2015 20,085 5,000

2016 21,370 0
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

2017 18,553
2018 17,691 ¿Cuál sería un pronóstico
2019 19,427 razonable para 2021?
2020 23,379

¿Con qué margen de error?

¿Con qué grado de confiabilidad?
Responder estas preguntas es necesario un análisis estadístico
Ahora bien, los supuestos en un proceso de análisis
estadístico, como el que se emplea para producir
pronósticos, se incorporan a través de lo que se
conoce como modelo.

Un modelo es una descripción aproximada de la

realidad.

Los modelos se utilizan con el propósito de analizar

los aspectos relevantes de la realidad en condiciones
simplificadas
Casi todas las técnicas de pronóstico se basa en conceptos
estadísticos.

La mayoría de los procesos estadísticos hacen inferencias

sobre los elementos de interés denominados población,
después de seleccionar y medir un subgrupo de estos
elementos llamado muestra.

Una muestra representativa debe ser adecuadamente

seleccionada porque su tamaño es un componente importante
de un proceso de inferencia estadística con un grado de
riesgo aceptablemente bajo.
Estadística: Familia de técnicas para describir un
fenómeno, a partir de un conjunto de datos que
presenta variabilidad.

Conclusión: Toda la Estadística es descriptiva

Casos: I. Se cuenta con todos los datos posibles del
fenómeno
Descripción exacta
Análisis Exploratorio de Datos
II. Se cuenta con una parte sólo de todos los datos
posibles.
Descripción aproximada
Inferencia Estadística
Exploración de patrones de datos o componentes de la
demanda

• Se requieren suficientes datos históricos

• Se apoyan en la suposición de que el pasado puede extenderse

hacia el futuro

La aceptación de que las técnicas de pronóstico funcionan sobre

datos generados en sucesos históricos pasados conduce a la
identificación de cuatro pasos en el proceso del pronóstico
• Recopilación de datos.
• Reducción o condensación de datos.
• Construcción del modelo.
• Extrapolación del modelo (que es el pronóstico en sí).
Patrón de la Demanda
Seasonal

Trend

Average
Descomposición clásica de series de tiempo:

Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución en la
serie sobre un periodo amplio.

Cíclico Es la fluctuación en forma de onda alrededor

de la tendencia.

Estacional Es un patrón de cambio que se repite a sí

mismo año tras año.

Aleatorio Mide la variabilidad de las series de tiempo

después de retirar los otros componentes.
Modelos Cuantitativos: Análisis de Series de Tiempo

Una serie de tiempo es un conjunto de datos numéricos

uniformemente separados que se obtiene observando respuestas a
intervalos regulares de tiempo.

Es una serie cronológica.

Por serie de tiempo nos referimos a datos estadísticos que se

recopilan, observan o registran en intervalos de tiempo regulares
(diario, semanal, semestral, anual, entre otros).

Por ejemplo, las ventas anuales totales de almacenes, el valor

trimestral total de contratos de construcción otorgados, el valor
trimestral del PIB.
La selección de un modelo de proyección por parte de una empresa
depende:

1. El horizonte de tiempo para realizar la proyección

2. La disponibilidad de datos

3. La exactitud requerida

4. El tamaño del presupuesto de proyección

5. La disponibilidad de personal calificado

Clasificación descriptiva de las series temporales

Las series temporales se pueden clasificar en:

a. Estacionarias

Una serie es estacionaria cuando es estable a lo largo del tiempo,

o, es decir, cuando la media y varianza son constantes en el
tiempo

Se refleja gráficamente en que los valores de la serie tienden a

oscilar alrededor de una media constante y la variabilidad con
respecto a esa media también permanece constante en el tiempo.
Serie Estacionaria
b. No estacionarias

Son series en las cuales la tendencia y/o variabilidad cambian

en el tiempo.

Los cambios en la media determinan una tendencia a crecer

o decrecer a largo plazo.
Para llevar a cabo un análisis de este tipo, primero se deben
identificar los componentes de la serie de tiempo, después aplicar
las técnicas estadísticas para su análisis y, finalmente, hacer las
proyecciones o pronósticos de eventos futuros.

El método clásico identifica cuatro influencias o componentes:

 Tendencia (T)

Fluctuaciones cíclicas (C)

Variaciones estacionales (E)

Variaciones irregulares (I)

Promedio Simple

Cuando definimos el número de periodos para su cálculo.

Ejemplo de promedio es cuando vamos a calcular la demanda

de diciembre con dastos de 5 meses: julio, agosto,
septiembre, octubre y noviembre, así pues … el cálculo de
pronósticos del mes de enero ahora será a partir de los meses
de agosto, septiembre, octubre, noviembre y diciembre.
Sumatoria de la demanda en los n periodos previos
Promedio = ------------------------------------------------------------------------
n

Promedio (Yt) = (Ŷt+1) = (ΣYt)/n

Yt = demanda real en el periodo t
Ŷt = pron´stico en el periodo t
Promedio Móvil Simple

Si la demanda de un producto no aumenta ni disminuye con rapidez,

y no tiene características estacionarias, este método puede ser útil.

Esta técnica se utiliza cuando se quiere dar más importancia a

conjuntos de datos más recientes para obtener el pronóstico.

Procedimiento

• El pronóstico se obtiene al calcular la media aritmética del conjunto

de datos más recientes seleccionado.

• Cada vez que se tiene una nueva observación se agrega esta al

conjunto de datos, y se elimina de éste el dato más antiguo
La siguiente ecuación establece el modelo del promedio móvil
simple.

Modelo
Yt + Yt-1 + Yt-2 + ... + Yt-n+1
Mt = Ŷt+1 = --------------------------------------------
n
Mt = promedio móvil en el period t
Ŷt+1= valor del pronóstico para el siguiente periodo (t + 1)
Yt = valor real de la demanda en el periodo t
n = número de términos en el promedio móvil
(observaciones más recientes)
El cuadro Nº 1 muestra los promedios móviles simples para períodos
de 5 semanas, calcular la demanda para la semana 10.

Cuadro Nº 1: Ejemplo promedio móvil simple (n = 5)

Semana Demanda 5 semanas
1 800
2 1400
3 1000
4 1500
5 1500 1240
6 1240 1328
7 1328 1314
8 1314 1376
9 1376 1352
10 1352
Promedio móvil ponderado
Se da igual ponderación a cada componente de la base de datos del
promedio de móvil

Las ponderaciones se aplican a cada elemento, siempre y cuando,

obviamente, la suma de todas ellas sea igual 1.

Ejemplo: un almacén por departamentos puede encontrar que, en

un periodo de cuatro meses, la mejor proyección se obtenga
utilizando 40% de sus ventas reales para el último mes, 30% para
dos meses atrás, 20% para tres meses atrás y 10% para cuatro
meses atrás
 
Si la experiencia de las ventas reales fuera:
Mes 1 Mes 2 Mes 3 Mes 4 Mes 5

100 90 105 95 ?
Entonces para el mes 5 sería:

La formula del promedio ponderado es:

Donde:
Ft = Proyección para el período que viene
w1 = Ponderación que se le dará a la ocurrencia real para el período
t-1
wn = Ponderación que se le dará a la ocurrencia real para el período
t-n
Data vs Methods

No trend or Linear trend Both trend

N N N
seasonal and no seasonal and seasonal
pattern? pattern? pattern?

Y Y Y

Holt’s Trend
Single
Corrected
Exponential Holt-Winters Use Other
Exponential
Smoothing Methods Methods
Smoothing
Method
Method
Método de suavización exponencial – Ajuste Exponencial
(Alisado Exponencial)
• Es otro método de previsión de medias móviles ponderadas.
• Otorga una ponderación mayor a las observaciones más recientes.
• Necesita un reducido número de datos pasados
• El modelo se expresa como:
pronóstico = Previsión del último periodo +  (Demanda real del
último periodo – Previsión del último periodo)
• α es una ponderación o constante de alisado y 0 ≤ α ≤1
• Expresando en forma matemática:
Ft = Ft-1 + α (At-1 – Ft-1 )
Donde:
Ft = nueva previsión o pronóstico
Ft-1 = previsión del periodo anterior
α = constante de alisado o ponderación 0 ≤ α ≤ 1
At-1 = demanda real del periodo anterior
La razón por lo que este método se llama ajuste exponencial es que
cada incremento del pasado disminuye (1 – α).

Por ejemplo, si α = 0.05, las ponderaciones para los diferentes

periodos serían las siguientes:

Ponderación en α= 0.05
Ponderación más reciente = α(1-α)0 0.0500
Datos anteriores en un periodo de tiempo = α(1-α)1 0.0475
Datos anteriores en dos periodo de tiempo = α(1-α)2 0.0451
Datos anteriores en tres periodo de tiempo = α(1-α)3 0.0429
.
.
.

En consecuencia, los exponentes 0, 1, 2 3,…. le dan el nombre

de exponencial
PROCEDIMIENTO.
1) Determinar un factor de ponderación o de suavización 0 ≤α ≤ 1
2) Para hacer el primer pronóstico pensar que estamos en el tiempo
t = 1 y pronósticamos para el periodo t = 2
Ft+1 = At =  A1 = 42 = F1+1 = 42
3) Para el período t = 3 pronosticar según el modelo
Ft+1 = Ft + α(At - Ft)

Esta ecuación indica que el nuevo pronóstico es igual al viejo más una parte
del error (la diferencia entre el pronóstico anterior y la venta real).

o también, desarrollando la anterior expresión

Ft+1 = αAt + (1 – α) Ft
esta última expresión es la más usada
Medición del error en el pronóstico

• Se compara la precisión de dos o más técnicas de

pronóstico.

• Se mide la confiabilidad de una técnica de pronóstico.

• Se busca la técnica óptima.

Fórmulas de medición del error en el pronóstico

El error del pronóstico es simplemente la diferencia entre el

pronóstico para un periodo determinado y la demanda real
registrada durante el mismo
 Medición del error del
pronóstico
La exactitud global de
cualquier modelo de previsión,
puede determinarse
comparando los valores
pronosticados con los valores
reales

Error del pronóstico = Demanda real

– Valor previsto = At - Ft
Efectos de Tendencia en el ajuste exponencial

La técnica de atenuación o suavización exponencial simple se

supone que los datos son estacionarios.

Cuando se evidencia cierta tendencia, es conveniente corregir el

modelo.

Atenuación exponencial ajustada a la tendencia: Método de Holt

• Conocida también como Métodos de dos parámetros de Holt

• La técnica de Holt atenúa en forma directa la tendencia y la

pendiente empleando diferentes constantes de atenuación.
La fórmula de esta técnica es:

Previsión incluyendo la tendencia (FITt) = Media de

previsión suavizada exponencialmente (Ft) +
Tendencia suavizada exponencialmente (Tt)

Este procedimiento requiere dos constantes de alisado

o de suavización:

α = para la media suavizada exponencialmente

β = para la tendencia
• Su valor de α puede estar entre 0 y 1, pero a nivel práctico
varía entre 0,05 y 0,50.

• ¿Cómo escoger los valores más adecuados? Para alfa

dependerá de la importancia que otorgamos a datos
recientes (alfa α más elevada) o a datos más antiguos
(alfa α más bajo). 0 ≤ α ≤1

• Un β elevado responde con más velocidad a los cambios en

la tendencia, mientras que un β inferior tiende a suavizar la
tendencia actual, dando menos peso a los datos recientes. 0
≤ β ≤1
Entonces, el promedio móvil suavizado para cada periodo,
se calcula utilizando:

Ft = α(Demanda real último periodo) + (1 – α)(Previsión

último periodo + Estimación de tendencia último
periodo)

En este caso:

Ft = α(At-1) + (1 – α)(Ft-1 + Tt-1)

Para la tendencia suavizada:

Tt = β(Previsión periodo actual – Previsión último

periodo) + (1 – β)(Estimación de tendencia del
último periodo)

O bien:

Tt = β(Ft – Ft-1) + (1- β)Tt-1

Donde:
• Ft = Promedio suavizado exponencialmente de la serie de
datos en el periodo t
• Tt = tendencia suavizada exponencialmente en el período t
• At = Demanda real para el período t
• Alfa α = Constante de suavización para el promedio
• Beta β = Constante de suavización para la tendencia
• Ft+1 = Pronóstico de demanda con tendencia

Pasos para calcular una previsión o pronóstico con ajuste

de tendencia:

1) Calcular Ft, el promedio de pronóstico suavizado

exponencialmente para el periodo t, usando:
Ft = α(At-1) + (1 – α)(Ft-1 + Tt-1)
2) Calcular la tendencia suavizada (alisada) Tt
utilizando
Tt = β(Ft – Ft-1) + (1- β)Tt-1

3) Calcular la previsión incluyendo la tendencia

(FITt) mediante la fórmula:
FITt = Ft + Tt
Cálculo de una previsión con alisado exponencial y ajuste de
tendencia
Problema: Un fabricante quiere predecir la demanda de equipos
de aire acondicionado. Una revisión de las ventas pasadas,
como se muestra a continuación, indica que está presente una
tendencia al alza:
Mes(t) Demanda Mes (t) Demanda
Real (At) Real (At)
1 12 6 21
2 17 7 31
3 20 8 28
4 19 9 36
5 24 10 ?

Se asignan las constante α = 0.2 y β = 0.4. La empresa asume

que la media inicial prevista para el primer mes (Ft) era de 11
unidades y que la tendencia en ese periodo (Tt) era de 2
unidades
Solución:
Paso 1: Media prevista para el mes 2
F2 = α(A1) + (1 – α)(F1 + T1)
F2= (0.2)*(12) + (1 – 0.2)(11+ 2) = 12.8 unidades

Paso 2: Calculo de tendencia en el periodo

T2 = β(F2 – F1) + (1- β)T1
T2 = 0.4*(12.8 – 11) + (1- 0.4)*2 = 1.92

Paso 3: calcula la previsión incluyendo la tendencia (FITt)

FIT2 = F2 + T2
FIT2 = 12.8 + 1,92 = 14.72 unidades

Para el tercer mes: FIT3 = 17.28

Para el periodo 10: FIT10 = 35.16
Problema

IngE es una empresa productora de alimento para peces y

requiere calcular el pronóstico de demanda con el método
de suavizado exponencial con corrección por
tendencia para los próximos meses.

El pronóstico de demanda del período 1 fue de 1500, pero las

ventas reales fueron de 1132 y la tendencia en ese momento
fue de 150. La compañía asigna un α=0,10. Prevén una
tendencia alcista en próximos meses, por lo que definen β
=0,30.
peri 1 2 3 4 5 6 7 8 9 10 11 12
odo
Dem 1132 1600 1690 1640 1765 1879 1990 2100 2210 2356 2201 2027
anda
Solución:

Step 1: determinar el pronóstico suavizado para el período 2:

• Para t =1, es decir calculamos para Ft+1

At= αAt-1 + (1 – α) (Ft-1 + Tt-1)

A2= αA1 + (1 – α) (F1 + T1) = 0.10(1132) + (1 – 0.10)(1500 +150)

= 1,598.2

Con el pronóstico suavizado, calculamos la tendencia para el

período 2:

Tt = β(Ft – Ft-1) + (1 – β)Tt-1

:

T2 = β(F2 – F1) + (1 – β)T1 = 0.30(1598.2 – 1500) + (1 – 0.30)(150) = 134.46

Por último determinamos nuestro pronóstico con ajuste a la
tendencia, que es simplemente una suma:

FTt+1 = Ft + Tt

FT3 = F2 + T2 = 1,598.2 + 134.46 = 1732.66

Para el período 2, IngE pronostica una demanda de 1732,66

unidades de alimento para peces.

Con el mismo procedimiento, logramos calcular el pronóstico de

demanda para los próximos meses:
A1 1500  α 0.1
D1 1132  β 0.3
T1 150     
Prom.Suav PromTend Pronóstico
t Dt (At) (Tt) (Ft) et /et/
1 1132 1500 150     
2 1600 1598 134 1650 -50 50
3 1690 1719 130 1733 -42.7 42.66
4 1640 1834 126 1850 -210 209.9
5 1765 1928 116 1960 -195 194.6
6 1879 2016 108 2044 -165 164.7
7 1990 2099 100 2124 -134 133.6
8 2100 2179 94 2200 -99.5 99.52
9 2210 2255 89 2273 -62.7 62.68
10 2356 2331 85 2344 11.66 11.66
11 2201 2410 83 2416 -215 214.8
12 2027 2464 74 2493 -466 465.9
13      2538   1650
MAD   150
Eso, graficando la demanda y nuestro pronóstico ajustado con
tendencia (segunda y última columna) se ve así:

Demanda pronosticada con suavización exponencial doble

3000

2500

2000

1500

1000

500

0
0 2 4 6 8 10 12 14

Dt Pronóstico