Semana 04 - 2024-1pronósticos - Gestión de Operaciones

Semana 04 - Pronósticos
Gestión de Operaciones
2024- I
MBA Hernán Vásquez Romero

Propósito
Cuando usted complete esta clase, debe ser capaz de:
1. Entender los tres horizontes de tiempo y cuales se aplican a

cada uno.
2. Explicará cuando debe usarse cada uno de los modelos

cualitativos.
3. Aplicar promedios móviles, suavizamiento exponencial y de

análisis de tendencia.
4. Calcular medidas de la exactitud del pronóstico.
5. Realizar un análisis de regresión.
6. Practica dirigida.
PRONOSTICOS
GESTION DE OPERACIONES
¿Qué es pronosticar?
oDiferencia entre pronosticar y

planear?
 No son sinónimos
 Pronósticos se usan para

predecir dado un conjunto
de circunstancias.
 En planeación se utilizan
pronósticos para la toma de
decisiones
¿Qué es pronosticar?
oEs el arte y la ciencia de

predecir los eventos futuros.
oEmplea datos históricos y los

proyecta mediante un modelo
matemático.
oEs base fundamental de todas

las decisiones empresariales:
• Recursos Humanos
• Capacidad
• Administración de la
cadena de suministro
Horizontes de tiempo del pronostico:
1. Pronósticos a corto plazo

• Entre meses hasta 1 año,
• Planear compras, programar el trabajo,
determinar niveles de mano de obra.
2. Pronósticos a mediano plazo

• Entre 03 meses y 03 años.
• Para planear las ventas, la producción,
elaboración de presupuestos y
flujo de efectivo.
3. Pronostico a largo plazo

• 03 años a mas.
• La planificación de nuevos productos,
ubicación de las
instalaciones.
La influencia del ciclo de vida del producto
Introducción, Crecimiento, Madurez, Declinación.

• Etapas de la introducción y el
crecimiento requieren pronósticos mas largos.
• Los pronósticos que reflejan los ciclos de

vida son útiles para proyectar niveles:
• Personal.
• Inventario.
• Capacidad.
… Mientras el producto pasa de la primera a la

ultima etapa.
Estrategias y conceptos durante el ciclo de vida del producto
Introducción Crecimiento Madurez Declinación

Mejor período para Práctico para el Poco tiempo para El control de
aumentar la cambio del precio o cambiar la imagen, costos es crítico
Estrategias Genera
participación de de la imagen de la precio o la calidad

mercado
La ingeniería de calidad
investigación y Fortalecimiento del nicho Los costos
desarrollo es crítica competitivos se
Motores de busqueda vuelven críticos
l
de internet
Defensa de la posición DVD ‘S
en el mercado Televisores analogos
Blu-Ray
CD’S
Smart
Ventas phone
X-BOX
El diseño y el Estandarización Poca

El pronóstico es crítico
desarrollo del producto diferenciación del
son críticos Menos cambios producto
Confiabilidad del producto rápidos al producto –
Estrategias de la
Cambios frecuentes al y del proceso más cambios

diseño del producto y del menores Minimización de
proceso Mejoras y costos
Corridas de producción alternativas del Capacidad óptima
producto competitivo Sobrecapacidad
cortas en la industria
Creciente
Costos de producción Aumento de la estabilidad del
altos capacidad proceso Purga en la línea
Modelos para eliminar
Corridas de artículos con
AO
limitados Cambio hacia el

enfoque del producto producción largas margen de
Atención a la rendimiento malo
calidad Mejoras de la Mejoras al producto y Reducción de
distribución reducción de costos GESTION DE OPERACIONES
la capacidad
Tipos de pronostico:
1.Pronósticos económicos:
Abordan el ciclo del negocio a predecir
las tasas de inflación, suministros de
dinero etc.
2.Pronósticos tecnológicos:
Predice el desempeño del progreso
tecnológico.
Predice la aceptación de un nuevo
producto.
3.Pronósticos de la demanda:
Proyecciones de las ventas de una
compañía para cada periodo en el
horizonte de planeación.
7 pasos en un Sistema de pronostico:
1. Determinar el uso del pronóstico. Ej.
«Pronostico de ventas de producto terminado
del Área comercial año 2021».
2. Seleccionar los aspectos que se deben

pronosticar Ej. Programar MO, MP, No. de camiones etc.
3. Determinar el horizonte de tiempo
del pronostico. ¿Es a corto, mediano o largo
plazo?
4. Seleccionar los modelos de pronósticos. Ej.

Promedios móviles , suaviza miento exponencial, análisis de
regresión (Modelos estadísticos).
5. Recopilar los datos necesarios para elaborar

el pronostico. Datos históricos de la empresa.
6. Hacer el pronostico.
7. Validar e implementar los resultados. (Comparar

con los resultados). GESTION DE OPERACIONES
Realidades de los pronósticos:
1. Los pronósticos casi nunca son

exactos.
2. La mayoría de las técnicas de

pronósticos suponen la
existencia de cierta estabilidad
en el sistema.
Enfoque de los pronósticos:
Métodos cualitativos Métodos

cuantitativo
• Usó cuando la situación es s
vaga y poca data existente.
• Usado cuando la situación
• Nuevos productos.
• Nuevas tecnologías. es estable y existe data
• Incorpora factores como la histórica.
• Productos existentes.
intuición, las emociones ,
• Tecnología actual.
las experiencias personales
• Uso de técnicas
Ej. Lanzamiento de nuevos
matemáticas Ej.
productos.
Pronostico de ventas
de productos etc
Selección del modelo de pronósticos:
1. El método depende del

comportamiento de los datos.
2. El método debe ser preciso y

entendible.
3. El método debe proveer un

beneficio.
Métodos cuantitativos:
Pronosticos
Cuantitativo
s
Modelos Modelos
Series de tiempo Asociativo
s
Promedio Prom Movil Suavizado Regresion

Movil Ponderado Exponencial Lineal
Métodos cuantitativos:
1. Promedios móviles
Modelos
2. Promedio movil ponderado de Series
3. Suavizamiento exponencial de tiempo
4. Proyección de tendencias
Modelo
5. Regresión lineal
asociativo
¿ Que es una serie de tiempo ?
o Datos numéricos uniformemente espaciados

(semanales, mensuales, trimestrales etc).
o Pronóstico basado sólo en los valores del pasado.

• Se asume que los factores que influyen en el
pasado y el presente continuará influenciado en el
futuro.
Mes: Ene Feb Mar Abr May

Ventas: 787 635 897 932 921
Descomposición de una serie de tiempo:
La Tendencia Ciclica
La Estacionalidad Aleatorias
La Tendencia:
• Es el movimiento gradual, hacia arriba o hacia abajo, de
los datos en el tiempo.
• Ej. Debido a los cambios en el ingreso, la población,

tecnología etc.
Respuesta
Mes, Tr., Año
La Estacionalidad:
• Es un patrón de datos que se repite después de un
periodo de días, semanas, meses etc.
• Debido al clima, costumbres, etc.
• Ocurre dentro de un año.
Verano
Respuesta
Mes,
bimestre
Patrones comunes de la estacionalidad:
Perio Longitud Numero

do de la de
Patro “Estacion” “Estacion
n es” en
el
patron
Semana Dia 7
Mes Semana 4– 4½
Mes Dia 28 – 31
Año Trimestre 4
Año Mes 12
Año Semana 52
Los Ciclos:
• Son patrones detectados en los datos, ocurren cierta

cantidad de años.
• De gran importancia para la planeación del negocio a

mediano plazo. Ej. Fenómeno del niño. Ciclos entre
4 y 8 años.
Ciclo
Respuesta
Mes, Trimestre,
Año GESTION DE OPERACIONES
Las variaciones aleatorias:
• Son «saltos» generadas en los datos

por casualidad o por situaciones
inusuales.
• No siguen ningún patrón discernible

y por lo tanto no se pueden
predecir.
• Huelgas.
• Fenómenos naturales (Sismos)
Demanda de un producto durante 4 años
-indica una tendencia creciente y una estacionalidad-
Picos Componente de
estacionales tendencia
Demanda del producto
Línea de la
demanda
actual
Demanda promedio
servicio
durante 4
años
Variaci
o
ón
Añ Añ
aleatoria Añ Añ
o o o o
1 2 3 4
Modelos de series de tiempo:
o Los valores en una serie de

tiempo: Es el producto o
suma de los componentes
de la serie de tiempo.
o Modelos multiplicativos:
• Yi = Ti · Si · Ci · Ri
o Modelos Aditivo:
• Yi = Ti + Si + Ci + Ri
Pronosticos
Cuantitativo
s
Modelos Modelos
s

Promedio móvil:
• Los promedios móviles son útiles si suponemos que las
demandas del mercado permanecerán bastante
estables en el tiempo.
• Un pronóstico de promedio móvil de «n» periodos, que

sirve como estimación de la demanda del siguiente
periodo.
• Esto tiende a suavizar las irregularidades del corto

plazo en la serie de datos.
Promedio móvil:
1. Industrias S.A necesita hacer un pronostico, de sus ventas con
promedio móvil de 3 meses para sus ventas del próximo enero.
Mes ventas reales promedio móvil de

3 meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 + 13) / 3 = 11.67
Mayo 19 (12 + 13 + 16) / 3 = 13.67
Junio 23
(13 + 16 + 19) / 3 = 16.00
Julio 26 (16 + 19 + 23) / 3 = 19.33
Agosto 30 (19 + 23 + 26) / 3 = 22.67
Setiembre 28 (23 + 26 + 30) / 3 = 26.33
Octubre 18 (26 + 30 + 28) / 3 = 28.00
Noviembre 16 (30 + 28 + 18) / 3 = 25.33
Diciembre 14 (28 + 18 + 16) / 3 = 20.67
Enero (18 + 16 + 14) / 3 = STION DE OPERACIONES
16.00
Desventajas de los promedios móviles:
• Resta sensibilidad al método ante cambios

reales de los datos.
• No reflejan muy bien las tendencias. Por que

son promedios, siempre se quedaran en
niveles pasados, no predicen los cambios
hacia niveles mas altos ni bajos.
• Los promedios móviles requieren amplios

registros de datos históricos.
Pronosticos
Cuantitativo
s
Modelos Modelos
s

Promedio móvil ponderado:
• Se utiliza cuando la tendencia esta presente.
• Los datos mas antiguos, por lo general son los

menos importantes.
• Se da mayor peso a los valores mas recientes.

Por Ejemplo. 3,2,1. o
60%, 40%, 20%
 (Ponderación para el periodo "n")(Dem anda en el periodo
"n")
PMP=
 Ponderaciones
Donde n es el número de periodos incluidos en el promedio móvil
Promedio móvil ponderado
2. Industrias S.A. quiere pronosticar sus ventas para el próximo enero.
Ponderando los últimos 03 meses, dando mas peso a los datos recientes
para hacerlo mas significativo.
AÑO DEMANDA L PROMEDIO MOVIL DE 3 MESES
REA
Enero 10
Febrero 12
Marzo 13
Abril 16 [(1 x 10) + (2 x 12) + (3 x 13)] 12.17
/6=
Mayo 19 [(1 x 12) + (2 x 13) + (3 x 16)] 14.33
/6=
Junio 23 [(1 x 13) + (2 x 16) + (3 x 19)] 17.00
/6=
Julio 26 [(1 x 16) + (2 x 19) + (3 x 23)] 20.50
/6=
Agosto 30 [(1 x 19) + (2 x 23) + (3 x 26)] 23.83
/6=
Setiembre 28 [(1 x 23) + (2 x 26) + (3 x 30)] 27.50
/6=
Octubre 18 [(1 x 26) + (2 x 30) + (3 x 28)] 28.33
/6=
Noviembre 16 [(1 x 30) + (2 x 28) + (3 x 18)] 23.33
Demanda real, promedio móvil, promedio móvil
ponderado
3
Promedio movil 5
ponderado
Demanda 3
real 0
Demanda de ventas
2
5
2
0
Promedio movil 1
5
50
Jan Feb Mar Apr May Jul Aug Sep Oct Nov
Jun Dec 1
0
Mes
Pronosticos
Cuantitativo
s
Modelos Modelos
s
P
Suavizamiento exponencial:
• Técnica de pronostico de promedios móviles ponderados donde los datos
se ponderan mediante una función exponencial.
• Requiere constante de suavizamiento 

• Subjetivamente elegido.
• Rango de 0 a 1.
• Se eligen valores altos de  para dar mas peso a datos recientes.
• Valores bajos cuando  para dar mas peso a datos
anteriores.
Ft = Pronóstico nuevo
Ft-1 = Pronóstico anterior
At-1 = Demanda real del periodo anterior
 = Constante de suavizado (0    1)
3. En Enero, el área comercial, predijo que la demanda para febrero
sería de 142 Toneladas. La demanda real para febrero fue de 153
toneladas. Usando la constante de suavizamiento que eligió la
administración de  = 0.20, el vendedor quiere pronosticar la demanda
para marzo usando el modelo de suavizamiento exponencial.
 = Constante de suavizado (0   
1)
Pronóstico Marzo = 142 + 0.20 (153 – 142) = 144.2
El pronóstico de la demanda de marzo será 144.2 toneladas.
Medidas de exactitud de
pronosticos
• Error cuadratico medio (MSE)
• Desviación absoluta media (MAD)
• Error porcentual absoluto medio (MAPE)

n
Real i  Pr
 Real
onostico i
MAPE = 100 i=1 i
n
Ejercicio:
4. Durante los últimos 8 trimestres, se han comercializado,

grandes cantidades de grano. El Area de PCP quiere probar
el uso de suavizamiento exponencial para ver que tan bien
funciona la técnica para predecir la cantidad a comercializar.
Supone que el pronóstico de grano durante el primer
trimestre fue de 175 toneladas. Examine los valores de  =
0.10 y  = 0.50. Compare los datos reales con los
pronosticados (usando cada uno de los valores de ) y
después encuentre la desviación absoluta y las MAD.
TRIM Tn PRONÓSTICO
E REAL  = 0.10
STRE VENDIDO
1 180 175
2 168 175.00 + 0.10 (180 - 175.00) 175.50
=
3 159 175.50 + 0.10 (168 - 175.50) 174.75
=
4 175 174.75 + 0.10 (159 - 174.75) 173.18
=
5 190 173.18 + 0.10 (175 -173.18) 173.36
=
6 205 173.36 + 0.10 (190 – 175.02
9 178.22 + 0.10 (182173.36)
– = 178.6
7 180 175.02
178.22) = + 0.10 (205 – 178.02
0
Ft = Pronóstico nuevo 175.02) =
8 182 Ft = F
178.02 + t0.10 + α (– A178.22
- 1 (180 t-1- Ft -
Ft-1 = Pronóstico anterior ) 178.02) =
1
 = Constante de suavizado (0  
 1) GESTION DE OPERACIONES
TRIM Tn PRONÓSTICO
E REAL  = 0.50
STRE VENDIDO
1 180 175
2 168
175.00 + 0.50 (180 - 175.00) = 177.50
3 159 177.50 + 0.50 (168 - 177.50) = 172.75
4 175 172.75 + 0.50 (159 - 172.75) = 165.88
5 190 165.88 + 0.50 (175 -165.88) = 170.44
6 205 170.44 + 0.50 (190 – 170.44) = 180.22
7 180 180.22 + 0.50 (205 – 180.22) = 192.61
89 182 192.61 ++ 0.10
186.30 0.50 (182
(180 –– 186.30)
192.61)== 186.30
184.15
Ft = Ft - 1 + α ( A t - 1 - Ft -
1)
 = Constante de suavizado (0  
 1) GESTION DE OPERACIONES
5. Calcular el MAD:
82.45 98.62
MAD = = MAD = =
8 10.31 8 12.33
TRIME Tn PRONÓSTICO Desviación PRONÓSTICO Desviación
S REAL  = 0.10 absoluta   = 0.50 absoluta  =
TRE VENDIDO = 0.10 0.50
1 180 175.00 5.00 175.00 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
Ʃ 82.45 Ʃ 98.62
MAD 10.31 MAD 12.33
Con base a esta comparación de las dos MAD, se prefiere una constante  = 0.10
en lugar una  = 0.50, porque su MAD es pequeña.
Impacto de la contante de suavizamiento :
250
Pronostico (0.5)
200
Pronostico
150 (0.1)
Tn Real
descargado
100
50
0
1 2 3 4 5 6 7 8 9
Con base a esta comparación de las dos MAD, se prefiere una constante  = 0.10
en lugar una  = 0.50, porque su MAD es pequeña.
Pronosticos
Cuantitativo
s
Modelos Modelos
s

Proyecciones de tendencia con mínimos cuadrados:
• La proyección de tendencia ajusta una recta

de tendencia a una serie de datos históricos.
• Proyecta la línea al futuro para obtener pronósticos

a mediano y largo plazos.
Yt = a + bx
Yt = Valor calculado de la variable a predecir (v. dependiente)

b = Pendiente de línea de regresión
x = Variable independiente
(Tiempo) a = Intersección con el
eje y GESTION DE OPERACIONES

Método de mínimos cuadrados para encontrar la recta que mejor se ajuste.
Los asteriscos son las ubicaciones de las observaciones reales.
Observaci Deviación
ón real (y) 7 Recta de
tendencia
Deviación
Deviación 5 6
Deviación 3
dependiente (y)
Deviación
4
Valores de la
Punto en la
Deviación
Regresión
variable
Deviación 2
1 Lineal
Tiempo
(x)
Pronosticos
Cuantitativo
s
Modelos Modelos
s
tion
Ecuaciones de mínimos cuadrados:
Ecuación
yˆ =
Pendiente de la recta a+bx
Intercepción-Y
b= Pendiente de la recta de regresión.

 = Signo de sumatoria.
x= Valores conocidos de la variable
independiente. y = Valores conocidos de la
variable dependiente. x = promedio de los valores

de x. GESTION DE OPERACIONES
y = promedio de los valores de y.

Ej. 7 Pronostico con mínimos cuadrados
La siguiente tabla muestra la demanda

de energía eléctrica en Perú, durante el
periodo 2014 a 2020 en mega watts.
Pronosticar la demanda para el 2021,

2022 ajustando una recta de tendencia a
los siguientes datos.
PERIODO DEMANDA
AÑO
x y
x² xy
yaˆ==intersección con el eje y
2014 1 74 1 74
2015 2 79 4 158 a+bx
b = pendiente de la recta de
regresión
2016 3 80 9 240
2017 4 90 16 360
2018 5 105 25 525
2019 6 142 36 852
2020 7 122 49 854 x= n x x= 28
7 =
Σ 28 692 140 3063 692
4
y=  y 98.86
n y= 7
b= 3063-(7)(4)(98.86) = 295 = 10.54
140-(7)(4 2 ) 28
a = 98.86-10.54(4)= 56.70
yˆ = a=yˆ-bx
a+bx y ˆ= a + b x = 56.70 + 10.54X GESTION DE OPERACIONES

Calculando el futuro:
AÑO PERIODO DEMANDA x² xy

2014 1 74 1 74
2015 2 79 4 158
2016 3 80 9 240
2017 4 90 16 360
2018 5 105 25 525
2019 6 142 36 852
2020 7 122 49 854
Σ 28 692 140 3063
yˆ= a+bx= 56.70 + 10.54X

Demanda en el 2021 yˆ 8 = 56.70 + 10.54(8) = 141 Megawatts
Demanda en el 2022 152 Megawatts
yˆ 9 = 56.70 + 10.54(9) =
Recta de tendencia
Demanda de Energía Eléctrica
160
Demanda de Energía (megawatts)
140
120
100
80
60
40
20
0
2
0
1
2
2
Pronosticos
Cuantitativo
s
Modelos Modelos
s

Modelos asociativos:
Modelo matemático de línea recta usado para describir

las relaciones funcionales que hay entre las variables
dependiente e independiente
Y =a+bx
Y = Valor de la variable a predecir (v. dependiente)
a = Intersección con el eje y
b = Pendiente de la recta de
regresión x = Variable independiente
(Causa)
*** “X” ya no es el tiempo

Ej. 8 Pronostico con mínimos cuadrados
Se ha determinado que la venta de cobertores esta en

función de la cantidad de lluvia que se presentó
(medida en m3) en los últimos cuatro trimestres del
año. Pronostique la cantidad de cobertores a vender el
próximo trimestre para un volumen de 18, 23
respectivamente.
Cantidad de
Estación Volumen (m3) cobertores
vendidos
(unidades)
Invierno 20 652
Primavera 24 673
Verano 16 457
Otoño 21 640
Volum Venta
AÑO
en
x
s y
x² xy
yˆ =
a = intersección con el eje y
Invierno 20 652 400
576
13040 a+bx
b = pendiente de la recta de regresión
Primavera 24 673 16152
Verano 16 457 256 7312
Otoño 21 640 441 13440
81 2422 1673 49944
a=yˆ-bx
yˆ =
a+bx
Por lo tanto, se tiene:
Calculando el pronostico para la próxima estación:
Demanda pronosticada:
◌ෟ
◌
ෟ
Muchas gracias por su atención

Semana 04 - 2024-1pronósticos - Gestión de Operaciones

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

Semana 04 - 2024-1pronósticos - Gestión de Operaciones

Cargado por

Copyright:

Formatos disponibles

Semana 04 - Pronósticos

MBA Hernán Vásquez Romero

1. Entender los tres horizontes de tiempo y cuales se aplican a

2. Explicará cuando debe usarse cada uno de los modelos

3. Aplicar promedios móviles, suavizamiento exponencial y de

4. Calcular medidas de la exactitud del pronóstico.

5. Realizar un análisis de regresión.

oDiferencia entre pronosticar y

 Pronósticos se usan para

oEs el arte y la ciencia de

oEmplea datos históricos y los

oEs base fundamental de todas

1. Pronósticos a corto plazo

2. Pronósticos a mediano plazo

3. Pronostico a largo plazo

Introducción, Crecimiento, Madurez, Declinación.

• Los pronósticos que reflejan los ciclos de

… Mientras el producto pasa de la primera a la

Introducción Crecimiento Madurez Declinación

participación de de la imagen de la precio o la calidad

El diseño y el Estandarización Poca

Cambios frecuentes al y del proceso más cambios

limitados Cambio hacia el

2. Seleccionar los aspectos que se deben

4. Seleccionar los modelos de pronósticos. Ej.

5. Recopilar los datos necesarios para elaborar

7. Validar e implementar los resultados. (Comparar

1. Los pronósticos casi nunca son

2. La mayoría de las técnicas de

Métodos cualitativos Métodos

1. El método depende del

2. El método debe ser preciso y

3. El método debe proveer un

Promedio Prom Movil Suavizado Regresion

o Datos numéricos uniformemente espaciados

o Pronóstico basado sólo en los valores del pasado.

Mes: Ene Feb Mar Abr May

• Ej. Debido a los cambios en el ingreso, la población,

Mes, Tr., Año

• Debido al clima, costumbres, etc.

• Ocurre dentro de un año.

Perio Longitud Numero

• Son patrones detectados en los datos, ocurren cierta

• De gran importancia para la planeación del negocio a

• Son «saltos» generadas en los datos

• No siguen ningún patrón discernible

o Los valores en una serie de

Promedio Prom Movil Suavizado Regresion

• Un pronóstico de promedio móvil de «n» periodos, que

• Esto tiende a suavizar las irregularidades del corto

Mes ventas reales promedio móvil de

• Resta sensibilidad al método ante cambios

• No reflejan muy bien las tendencias. Por que

• Los promedios móviles requieren amplios

Promedio Prom Movil Suavizado Regresion

• Se utiliza cuando la tendencia esta presente.

• Los datos mas antiguos, por lo general son los

• Se da mayor peso a los valores mas recientes.

Donde n es el número de periodos incluidos en el promedio móvil

• Requiere constante de suavizamiento 

At-1 = Demanda real del periodo anterior

Pronóstico Marzo = 142 + 0.20 (153 – 142) = 144.2

El pronóstico de la demanda de marzo será 144.2 toneladas.