Apuntes Unidad 2 Pronosticos PDF

Instituto Tecnolgico de Ocotln
GESTIN DE LA
PRODUCCIN I
Ingeniera en Gestin Empresarial
Ing. Luis Rogelio Valadez Castellanos
Gestin de la Produccin 1
Pronstico de la Demanda
II.- PRONSTICO DE LA DEMANDA

2.1 Importancia estratgica del Pronstico y la Demanda
Determinar qu pasar en el futuro con el fin de tomar decisiones
adecuadas es un problema que se presenta con frecuencia. Este hecho es cierto
no slo en la vida personal, sino tambin en el mundo de los negocios.
Se usa el trmino pronosticar para hacer referencia a un mtodo
especfico, en lugar de la simple adivinanza, para predecir eventos futuros.
En los sistemas de produccin controlados por el mercado de la actualidad,
los pronsticos son ms importantes que nunca. Tanto la recompensa por un buen
pronstico como la penalizacin por uno malo pueden ser bastante altas.
Con la proliferacin de paquetes para computadoras personales, los
pronsticos son ms sencillos y menos costosos que antes. Sin embargo, los
administradores deben tener cuidado de usar los paquetes sin entender los
principios en que se fundamentan. Despus de todo, el programa dar una
respuesta, aun cuando sea mala.
Se analizarn tres clases de mtodos de pronsticos. La primera est
constituida por mtodos subjetivos o cualitativos, en su forma ms simple, utilizan
la opinin de un experto para obtener el pronstico. La segunda clase, los
mtodos causales, intenta relacionar la variable que se quiere pronosticar con
alguna otra variable. Y la tercera clase, los mtodos de series de tiempo, usan el
pasado para tratar de determinar el futuro y estn basadas en principios
estadsticos.
Los pronsticos proporcionan informacin para tomar mejores decisiones.
Una decisin de una sola vez requiere un pronstico, mientras que una decisin
recurrente necesita un pronstico cada vez que se toma la decisin.
Los pronsticos de ventas, calidad de materiales, ingresos, gastos, uso de
energa o los tiempos de llegada de los clientes son una necesidad comn en las
empresas.
Suponga que la decisin es cuntos televisores producir el siguiente ao.
Esta decisin es importante porque afecta directamente el empleo, los niveles de
materia prima, la mercadotecnia (publicidad), la distribucin y el almacenamiento.
Quien toma decisiones es el dueo del problema. El analista es quien
pronostica. La mejor parte de los pronsticos son preparados por equipos que
incluyen la administracin, la mercadotecnia, el analista y tal vez el procesamiento
de datos.
Las principales caractersticas de un problema de pronsticos son el marco
de tiempo, el nivel de detalle, la exactitud necesaria y el nmero de aspectos a
pronosticar.
En sistemas de produccin, casi siempre es de inters el pronstico de la
demanda para el producto o servicio con el fin de decidir cunto producir.
Las decisiones a largo plazo- como abrir nuevas plantas o aumentar la
capacidad de las existentes-, con frecuencia dependen de un pronstico de

demanda. Un marco de tiempo usual para este tipo de decisiones sera de 3 a 5
aos. Las decisiones a largo plazo no requieren de pronsticos exactos; la decisin
de construir una nueva planta se basa en la tendencia de los pronsticos para
varios aos sucesivos y no en una sola estimacin de la demanda. As los
pronsticos muy precisos son innecesarios. Normalmente los pronsticos a largo
plazo se hacen para una sola vez. Es comn que se usen mtodos causales y
cuantitativos para obtenerlos.
Una decisin a mediano plazo puede ser asignar cierta capacidad de la
planta a grupos de productos. De nuevo, puede no ser necesario conocer la
demanda para cada artculo individual, sino para grupos de artculos que
comparten instalaciones de produccin. Los tamaos individuales no son
importantes para determinar la capacidad global. El marco u horizonte de tiempo
para estas decisiones es de tres meses a uno o dos aos y se requiere de mayor
exactitud. Con frecuencia se usan mtodos cuantitativos, incluyendo los causales y
las series de tiempo, para los pronsticos a mediano plazo.
La decisin ms comn a corto plazo es cuntos productos se deben
fabricar. En este caso, se necesita el nmero real de unidades de producto. Esta
decisin puede ser semanal, mensual o tal vez trimestral. Debido a que las
decisiones a corto plazo estn basadas en estos pronsticos, necesitan ser
razonablemente exactos. Los mtodos de series de tiempo son los que se usan
con ms frecuencia para los pronsticos a corto plazo, pero en algunas
situaciones, tambin son tiles los mtodos causales y los cuantitativos. Las
decisiones a corto plazo requieren de pronsticos de cientos de artculos.
2.2 Caractersticas que definen la Demanda

Examinar datos, cuando se tienen, puede proporcionar una gran visin. Si
no existen datos se deben recolectar o se puede usar un enfoque de pronsticos
que no los requiera. Si no se dispone de datos o recolectarlos es demasiado
costoso, se elige un enfoque cualitativo.
Hay factores ya sean internos o externos que afectan a los datos. Los
factores externos estn fuera de nuestro control pero se puede influir en los
factores internos.
Un ejemplo de factor externo es la economa. Si esta experimenta una baja,
por lo general la demanda de bienes y servicios tambin declina.
Entre los factores internos estn la calidad y el precio del producto, el tiempo
de entrega, la publicidad y los descuentos. Si se hace ms publicidad, es probable
que la demanda aumente. La baja calidad, la larga espera por los artculos o el
precio alto usualmente reducen la demanda.
Los datos deben analizarse para detectar si existen factores causales. Un
factor causal es algo que influye en los datos de una manera conocida y puede
ayudar al pronstico.
Si se dispone de datos, se grafican para observar si existe algn patrn.
Estos datos se usan para explicar el anlisis de datos de una serie de tiempo. El
anlisis de datos causales es similar, pero en lugar de graficar, digamos, la
demanda contra el tiempo, se puede graficar la demanda contra la variable causal.
Cuando se examinan los datos y estos parecen estar nivelados, en trminos
burdos, con una pequea variacin, es una caracterstica de un proceso
constante.
Por naturaleza, algunas cosas no son constantes, pueden tener algn
incremento o decremento mientras que el tiempo transcurre. A estos se les conoce
como proceso de tendencia.
Tambin existe el proceso estacional. El patrn parece repetirse cada
cierto tiempo o por temporadas en el horizonte de tiempo.
Cuando la tendencia y la estacionalidad estn presentes, los datos deben
descomponerse para ver los efectos de cada una. Los datos disparados deben
eliminarse antes de analizarlos. Los distribuidores con frecuencia eliminan las
temporadas especiales, como Navidad, de la serie de tiempo y los manejan como
excepciones.
El resultado del anlisis de datos es entender el proceso que causa la
demanda. Siempre habr alguna parte inexplicable- la componente aleatoria- que
en pronsticos se le conoce como ruido. La posibilidad de observar un valor arriba
de la constante o de la tendencia, debe ser la misma que la de un valor por debajo
de estas.
La meta de cualquier sistema de pronsticos es proporcionar esos

pronsticos con la exactitud necesaria, a tiempo y a un costo razonable.
Ventas
Proceso Constante
80
60
40
20
0
0
10
20
30
40
50
60
Semanas
Accesorios
Proceso de Tendencia
400
300
200
100
0
0
20
40
60
80
100
120
140
160
Permisos para Construccin
Ventas
Proceso Estacional
400
300
200
100
0
1
10
11
12
Trimestres
2.3 Mtodos Cualitativos para estimar la Demanda

Consulta a la Fuerza de Venta
Este mtodo consiste en derivar una proyeccin compilando la informacin
de aquellos que se encuentran al final e la jerarqua organizacional del rea de
mercadotecnia (los vendedores), quienes tratan con lo que est siendo proyectado.
Por ejemplo, una proyeccin de las ventas generales puede derivarse combinando
informaciones de cada vendedor, quien est cerca de su propio territorio.
Aqu se supone que la persona, ms cercana al cliente o la utilizacin final
del producto, conoce mejor sus necesidades futuras. Aunque esto no es siempre
cierto, en muchos casos es una suposicin vlida y es la base de este mtodo.
Las proyecciones efectuadas en este nivel de abajo se suman y se pasan al
nivel superior . ste es usualmente un almacn local que incluye luego las reservas
de seguridad y cualesquiera efectos de ordenar los tamaos de las cantidades.
Esta cantidad se pasa luego al siguiente nivel, que puede ser un almacn regional.
El procedimiento se repite hasta que se vuelva una entrada el nivel superior el cual,
en el caso de una industria de manufactura, sera la entrada al sistema de
produccin.
Jurado de Opinin Ejecutiva
Bajo la idea de que dos cabezas piensan mejor que una, se extrapola a
aquella de que un grupo de personas (los ejecutivos) de varias posiciones puede
desarrollar un pronstico ms confiable que la de un grupo ms pequeo.
Este mtodo es un intercambio abierto y libre durante las reuniones del
consejo consultivo de la empresa. La idea es que los debates en grupo, producen
mejores predicciones que las que se obtienen a nivel individual. Los participantes
pudieran ser tambin vendedores o clientes.
La dificultad con este mtodo abierto, es que los empleados de niveles
inferiores se sienten intimidados por los niveles de gerencia superiores. El mtodo
Delphi se desarroll para tratar de corregir este deterioro de libre intercambio.
Mtodo Delphi
El mtodo Delphy se basa en preguntar a un experto su opinin sobre el
pronstico a proyectar. Este mtodo es llamado as en honor del Orculo de Delfos
(del griego Delphi) de la mitologa griega, quien predijo eventos futuros. Tal opinin
se basa en la experiencia y el conocimiento de la situacin en particular. El
personal de ventas y mercadotecnia son los principales expertos para el
pronstico de un nuevo producto. Una variacin puede consistir en preguntar a
varios expertos y usar una combinacin de resultados, digamos la mediana o el
promedio, como pronstico. Es sencillo llevar a cabo este mtodo pero puede ser
poco preciso.
Un comit de expertos corresponde al Orculo en esta tcnica, y el
facilitador determina los participantes, escribe cuestionarios y analiza los
resultados. Los miembros del comit pueden ser expertos en diferentes campos.
Por ejemplo, uno puede tener orientacin de ventas y otro ser economista. Ellos
ofrecen diversos puntos de vista y consideran muchos factores en el proceso.
Se pide a los miembros del comit que entreguen pronsticos annimos de
eventos especficos y, lo que es ms importante, sus razones para hacer ese
pronstico.
El siguiente cuestionario es un ejemplo sencillo de un cuestionario inicial.
Las preguntas deben ser ambiguas y simples. Las preguntas deben tener una sola
respuesta; si se necesitan respuestas mltiples, debe hacerse una pregunta para
cada una.
1a) Al menos 25% de las secundarias en el medio oeste tendr uno o ms cursos de ritmo
individual, basados en multimedia para el ao _______ .
1b) Mis razones para dar esta respuesta son:
2a) Al menos ______ % de las secundarias en el medio oeste tendr uno o ms cursos de
ritmo individual, basados en multimedia para el ao 2004.
3a) Al menos 80% de las secundarias en al medio oeste podrn pagar $ __________ por el
equipo de apoyo para los cursos basados en multimedia para el ao 2004.
Las respuestas se resumen, se modifica el cuestionario y se regresa a los

miembros del comit, a quienes pide que repitan el proceso. El cuestionario de
cada ronda debe reflejar los resultados de la anterior, con el cuestionario
actualizado se mandan las estadsticas resumidas, es decir la media, la mediana y
el rango.
A continuacin se muestra el cuestionario de las rondas intermedias:
1) Las respuestas de la ronda anterior indican que al menos el 25% de las secundarias del
medio oeste tendrn uno o ms cursos de ritmo individual basado en multimedia para el ao 2001
(mediana), casi todas las respuestas estn entre 1997 y 2006. Su respuesta anterior fue 2002.
1a) Al menos 25% de las secundarias en el medio oeste tendr uno o ms cursos de ritmo
individual, basados en multimedia para el ao _______ .
2)Las respuestas de la ronda anterior indican que al menos 23% (mediana) de las
secundarias del medio oeste tendr uno o ms cursos de ritmo individual, basados en multimedia
para el ao 2004, casi todas las respuestas estn entre 20% y 35%.
2a) Al menos ______ % de las secundarias en el medio oeste tendr uno o

ms cursos de ritmo individual, basados en multimedia para el ao 2004.
3) En la ronda anterior , al menos 80% de las secundarias en el medio oeste podrn pagar
$10500 (mediana) por equipo de apoyo para los cursos basados en multimedia en el ao 2004, casi
todas las respuestas estn entre $8200 y $13600.
3a) Al menos 80% de las secundarias en al medio oeste podrn pagar $ __________ por el
equipo de apoyo para los cursos basados en multimedia para el ao 2004.
El procedimiento contina hasta que los miembros del comit llegan a un

acuerdo razonable, por lo general 3 o 4 rondas son suficientes para alcanzar un
consenso, y el resumen de resultados se informa a los participantes y se usa para
tomar la decisin.
El mtodo Delphi tiene varias ventajas, entre ellas est el hecho de que se
incluye la participacin de personas muy diferentes, incluso de distintas
localidades, y elimina el dominio de personalidades fuertes, dando a todos la
misma oportunidad de participar; las respuestas annimas permiten una expresin
ms libre de las ideas. Tambin mantiene la atencin dedicada a la tarea; las
respuestas escritas con frecuencia se razonan ms que las verbales. Tal vez la
mayor ventaja estriba en la generacin y evaluacin de un nmero grande de ideas
para el pronstico, muchas de las cuales pueden pasarse por alto en juntas cara a
cara.
La mayor desventaja es el tiempo necesario para llevar a cabo un estudio
Delphi, muchas veces ms de un mes. Tambin quita tiempo a los participantes y
quiz sea difcil mantenerlos completamente involucrados. Las ideas escritas
pueden tener que aclararse o se corre el riesgo de malinterpretarlas; un estudio
Delphi clsico no tiene medios de aclaracin. Como Delphi es un tipo de
procedimiento basado en el consenso, algunas veces no se alcanzan los acuerdos.
Investigacin de Mercado
Una investigacin de mercado consiste en varios pasos. Primero, es
necesario desarrollar un cuestionario que debe contener preguntas cuyas
respuestas proporcionen la informacin necesaria para determinar un pronstico.
La informacin sobre el cliente puede incluir su edad y sus ingresos, as como una
indicacin de si el cliente comprara o no el producto. Si el cliente es un
distribuidor, la informacin debe comprender el tamao de la tienda y la proyeccin
del nmero de unidades que comprara.
A continuacin se muestra una encuesta para analizar la demanda de las
nuevas cmaras de 35 mm.
Por favor, marque los cuadros apropiados:
No poseo una cmara de 35 mm.
Poseo una cmara SLR de 35 mm.
Poseo una cmara de enfoque automtico de 35 mm.

Planeo comprar una nueva cmara SRL de 35 mm en los prximos dos aos.
Planeo compara una nueva cmara de enfoque automtico de 35 mm en los
prximos dos aos.
No planeo comprar una nueva cmara de 35 mm en los prximos aos.
Junto con el diseo de la encuesta debe determinarse un mtodo para

analizar los resultados.
El siguiente paso es llevar a cabo la encuesta, la cual puede hacerse por
correo, fax, correo electrnico, telfono, una postal para recortar en una revista o
en persona. La manera como se lleve cabo la investigacin puede afectar tanto el
nmero como la calidad de las respuestas.
Una vez que se realiza la investigacin, debe tabularse y analizarse los
resultados. Se debe tener cuidado al interpretar estos resultados. Las tasas de
respuestas pueden ser bajas, las repuestas pueden ser incorrectas, o los factores
considerados en el cuestionario pueden afectar el resultado real de los eventos. El
anlisis estadstico tambin puede ser tardado.
Algunos especialistas en la materia proponen usar los estudios de mercado
para tener una mejor visin con el fin de que la administracin modifique los
pronsticos cuantitativos.
Analoga de Ciclos de Vida
Este mtodo de pronstico se vincula a un artculo similar al que se desea
proyectar. Es importante en la planeacin de nuevos productos donde se puede
derivar una prediccin mediante el uso de la historia de un producto similar.
2.4 Mtodos Cuantitativos para estimar la Demanda

Series de Tiempo
Los mtodos de series de tiempo se utilizan mucho para pronsticos a corto
plazo. Una serie de tiempo es simplemente una lista cronolgica de datos
histricos, para la que la suposicin esencial es que la historia predice el futuro de
manera razonable.
Existen varios modelos y mtodos de series de tiempo entre los cuales
elegir, y que incluyen el comportamiento de la demanda constante, de tendencia y
estacional.
Para cada modelo, se cuenta con varios mtodos de pronstico, que
incluyen promedios, promedios medios mviles, suavizamiento exponencial,
regresin y tal vez combinaciones de todos estos.
Enfoque Simple
Considere el siguiente caso:

La compaa Calgore es una de las ms grandes productoras de
dentfrico en Estados Unidos. Casi 50% de este producto se fabrica en su planta
de Neo Jersey, el resto de la produccin est dispersa en las otras cinco plantas
del pas. El gerente de produccin del dentfrico est preocupado por cunta
pasta debe producir la semana prxima. Las cifras de ventas reales (en miles de
cajas) para las ltimas 50 semanas, obtenidas del departamento de
comercializacin, estn dadas en la siguiente tabla.
semana demanda semana demanda semana demanda semana demanda
1
56
14
49
27
50
40
48
46
15
48
28
42
41
47
53
16
43
29
50
42
48
50
17
47
30
57
43
44
50
18
55
31
51
44
43
52
19
52
32
54
45
50
46
20
52
33
54
46
57
53
21
44
34
51
47
46
55
22
47
35
52
48
44
10
46
23
57
36
48
46
52
11
53
24
45
37
50
50
58
12
45
25
48
38
49
13
50
26
55
39
52
Primero se construye la grfica de dispersin para determinar el tipo de

comportamiento de la demanda;
Demanda de dentrifco
Ventas
80
60
40
20
0
0
10
20
30
Semanas
40
50
60
De la grfica, parece que las ventas son bsicamente constantes con

algunas desviaciones aleatorias (ruido). Por lo tanto, se especula que el proceso es
constante. Matemticamente, la demanda en el periodo t se representa por:
d t a et
Donde a representa la constante fundamental del proceso y et el ruido
aleatorio, que se supone sigue una distribucin normal con media cero y varianza
e2 .
Se pueden usar muchos mtodos para un proceso constante. Se analizar
el uso del ltimo dato, un promedio de todos los datos, un promedio de los datos
ms recientes y los promedios que toman en cuenta todos los datos, pero dan ms
peso a los datos ms recientes.
Mtodos Simples
ltimo dato.
Promedio de los datos pasados.
ltimo Dato
Uno de los mtodos de pronsticos ms sencillos es usar el ltimo dato
como pronstico para el siguiente periodo.
Sea T el periodo actual, y t un periodo arbitrario; dt la demanda histrica en
el periodo t; y FT+k el pronstico hecho en tiempo T para k periodos futuros.
Entonces el pronstico para el siguiente periodo ser la demanda del ltimo
dato. O sea:
FT 1 d T
y para k periodos en el futuro, sera tambin:
FT k d T
Para el caso que nos ocupa, el pronstico para la semana 51 ser la
demanda de la semana 50, as:
F51 d 50 58
10
y as mismo, el pronstico para las semanas 52, 53, ..., k; ser de 58.
El problema con este mtodo, es la variacin inherente. Si la demanda de la
ltima semana est en el lado alto, el pronstico tambin lo est. Si la demanda de
la siguiente semana es alto, es pronstico ser bueno. Sin embargo, para un
modelo constante, se supuso componente aleatoria con distribucin normal y es
igualmente probable que la prxima semana sea baja. En este caso, el ltimo dato
ser un pronstico malo.
Promedio de los Datos Pasados
Con el promedio de los datos pasados, hace que el pronstico sea menos
sensible a las variaciones aleatorias.
Dados T periodos de datos, la demanda promedio en el tiempo T es:
DT
1 T
dT
T t 1
y el pronstico para el siguiente periodo es:

FT 1 DT
Siguiendo con nuestro caso, el pronstico para la semana 51 ser:
F51 D50
1 50
d t 49.88
50 t 1
Incluso se utiliza este mismo pronstico para los tiempos futuros k.

Promedios Mviles
Este mtodo, llamado promedio mvil, es una combinacin entre los

mtodos del ltimo dato y del promedio. Promedia los datos ms recientes para
reducir el efecto de la fluctuacin aleatoria. Como solo usa datos recientes para el
pronstico, un promedio mvil responde al cambio en el proceso de una manera
ms rpida.
Sea N el nmero de periodos que se quieren considerar en el promedio
mvil y MT el valor del promedio mvil. Si el periodo se encuentra en el periodo T,
el promedio mvil est dado por la suma de los ltimos N datos, matemticamente:
MT
T
1
d T N 1 d T N 2 d T 1 d t
N
N t T N 1
Volviendo al caso que nos ocupa, en la semana 50 el promedio mvil de

cinco semanas de ventas sera:
d d 47 d 48 d 49 d 50 57 46 44 52 58
M 50 46
51.4
5
5
Similarmente como los mtodos simples, el pronstico para k periodos
futuros ser:
FT k M T
El promedio mvil es una mejor estimacin par aun proceso constante,
11
porque minimiza la suma de los cuadrados de los errores para los datos.
Cuando se obtiene un nuevo conjunto de datos, se calcula un nuevo
promedio mvil.
Suponga que se vendieron 45000 cajas en la semana 51. el nuevo promedio
mvil de cinco semanas sera el promedio de las semanas 47, 48, 49, 50 y 51, es
decir:
d d 48 d 49 d 50 d 51 46 44 52 58 45
M 50 47
49.0
5
5
El nmero de periodos N, usados en un promedio mvil afecta la rapidez de
respuesta del pronstico a un cambio en el proceso.
Aun cuando la media permanezca constante, el promedio mvil cambiar
debido al ruido. El ruido afecta relativamente poco a una N grande, pero el
pronstico puede cambiar en forma ms drstica si la N es pequea.
La eleccin de N es un trueque entre la respuesta rpida a un proceso de
cambio y el ignorar la fluctuacin aleatoria. Si el proceso es relativamente estable,
se elige una N grande aunque una ms pequea es mejor para un proceso que
puede estar cambiando. Para el pronstico a corto plazo, los valores usuales de
N estn de 5 a 7. Por supuesto, si se sabe que el proceso no es constante, debe
usarse un modelo distinto.
A continuacin se ilustra nuestro caso, con promedios mviles para N = 5, 6
y 7 periodos. Y por comodidad, nicamente se ilustra de la semana 30 en adelante:
60
Demanda de dentrfico
55
Ventas
50
ventas
pm5sem
pm3sem
pm7sem
45
40
35
30
35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
Semanas
12
Suavizacin Exponencial
Si nos detenemos a observar el mtodo de promedios mviles, se notar

que el peso o ponderacin que se da a los datos ms recientes es mayor que la
ponderacin de los datos ms antiguos. A diferencia del promedio simple de todos
los datos, que le da la misma ponderacin o peso a todos los datos sin diferenciar
si son recientes o antiguos.
Sera lgico pensar que mientras ms antiguos sean los datos, estos
deberan de perder significancia conforme transcurre el tiempo, y que los datos
ms recientes tendran que pesar ms sobre la prediccin o pronstico para
periodos futuros.
Para dar cauce a esta reflexin se utiliza el mtodo de suavizacin
exponencial que le da una ponderacin a los datos dependiendo si son recientes o
antiguos.
Se inicia el mtodo calculando la ponderacin o peso, denotada como , de
la siguiente manera:
2
N 1
Donde 0 1 y que ser el peso o ponderacin para datos recientes, y
1 ser la ponderacin para los datos ms antiguos.
Sea S T es estimador para el periodo T, y al igual que en los otros modelos
constantes, el pronstico para el periodo T k es:
FT k ST
Donde ST dT 1 ST 1
Como se puede observar, se requiere tener el estimado de S T 1 , que se
pudiera calcular con el promedio de varios datos pasados.
Considerando el caso del dentfrico, y que tomamos los 5 datos pasados
para estimar S T 1 . Se obtiene que
50 57 46 44 52
49.8
5
2
0.33
Entonces podremos estimar S 50 con
5 1
S 50 0.33d 50 1 0.33S 49 0.3358 0.6749.8 52.5
S 49
Entonces el pronstico para la prxima semana (semana 51) ser: 52.5.

Si en la semana 51 se tuvo una demanda real de 48, entonces el nuevo
estimador S sera:
S 51 0.33d 51 1 0.33S 50 0.3348 0.6752.5 51.0
y as, el pronstico para la semana 52 sera: 51.0.
13
A continuacin se ilustra el caso, para un promedio del primer estimador con

N = 7 periodos. Y por comodidad, nicamente se ilustra de la semana 45 en
adelante:
60
Demanda de dentrifco
ventas
55
pm7sem
Ventas
50
suavizamiento
45
40
35
30
44
45
46
47
48
49
50
51
52
Semanas
Tendencia Lineal

La siguiente tabla proporciona datos de demanda de papel de computadora,
y se muestra su la grfica en el tiempo correspondiente.
Ventas de papel (1000

cajas)
Mes Ventas Mes Ventas Mes Ventas

1
116
163
17
210
133
10
163
18
207
139
11
164
19
225
157
12
191
20
223
154
13
201
21
257
159
14
219
22
232
162
15
207
23
240
172
16
205
24
241
260
240
220
200
180
160
140
120
100
80
60
40
20
0
10
15
20
25
Teimpo (Meses)
Un examen de los datos indica claramente que el proceso no es constante

14
sino que aumenta en forma estable, lo que no es sorprendente debido al

crecimiento del uso de computadoras personales.
Para pronosticar con exactitud esta serie de tiempo, se necesita un modelo
que incorpore esta tendencia. El modelo para un proceso con tendencia lineal est
dado por:
d t a bt et
en donde b es la pendiente de la tendencia y el resto de la notacin se
defini con anterioridad.
Si b es positivo, el proceso crece a travs del tiempo, y una b negativa
implica un proceso que decrece.
Se analizar el proceso creciente, pero la metodologa tambin aplica a la
tendencia decreciente.
Para hacer un pronstico cuando existe una tendencia, es necesario estimar
la constante y la pendiente; hay muchas formas de hacerlo, incluyendo regresin,
variacin de promedios mviles y suavizamiento exponencial.
Suavizamiento Exponencial Doble
Usando suavizamiento exponencial, la estimacin del promedio en T es ST,
de manera que la estimacin de la pendiente en el tiempo T sera:
BT ST ST 1
Con esta idea, se puede usar suavizamiento exponencial para actualizar la
estimacin de la tendencia, lo que lleva al suavizamiento exponencial doble,
representado por el siguiente conjunto de ecuaciones:
S T d T 1 S T 1 BT 1
BT S T S T 1 1 BT 1
Donde es la ponderacin para la pendiente, que se puede calcular igual

que .
As, el pronstico para periodos futuros estar dado por:
FT k ST kBT
Que es la forma de la ecuacin de la recta con pendiente BT y ordenada al
origen ST.
Para obtener un suavizamiento doble en el tiempo T, se necesitan los
valores de St-1 y BT-1, para lo cual se sugiere el siguiente procedimiento:
Se dividen los datos en dos grupos iguales y se calcula el promedio de cada
uno. Este promedio se centra en el punto medio del intervalo de tiempo; si hubiera
12 datos en el grupo, el promedio estara en 6.5. La diferencia entre los dos
promedios es el cambio en la demanda respecto a la media de cada conjunto de
datos.
15
centro
Para convertir esta diferencia en una estimacin de la pendiente, se divide

entre el nmero de periodos que separan los promedios.
Despus, para obtener una estimacin de la ordenada, se usa el promedio
global y la estimacin de la pendiente por periodo multiplicados por el nmero de
periodos a partir del punto medio del periodo actual.
Para ilustrar mejor este mtodo, consideremos el caso del papel de
computadora.
Se calculan los promedios de los meses 1 a 12 y 13 a 24:
116 133 139 157 154 159 162 172 163 163 164 191
P112
156.08
12
201 219 207 205 210 207 225 223 257 232 240 241
P1324
222.25
12
El incremento en las ventas promedio para el periodo de 12 meses es: 66.17.
222.25 - 156.08 = 66.17
y el incremento promedio por mes es: 66.17/12 = 5.51. que es la estimacin
de la pendiente BT, en el periodo 24 es:
225.25 156.08 66.17
BT B24
5.51
12
12
Para obtener una estimacin de la ordenada, S T, del mes 24, primero se
calcula el promedio global de los 24 datos, que es: 189.16.
116 133 139 232 240 241
P124
189.16
24
Este promedio est centrado en el mes 12.5.
Despus, para moverlo al tiempo actual se suma el ajuste por tendencia de
5.51 por mes multiplicado por (24 12.5) meses.
Y la estimacin de la ordenada en el mes 24, es:
ST S 24 189.16 5.5124 12.5 258.09
Una vez que se tienen los valores iniciales de BT y ST, se pueden
pronosticar periodos futuros.
Suponga que se quiere calcular el pronstico de ventas para el mes 25.
Entonces, tomando la ecuacin
FT k ST kBT
F241 F25 S 24 1B24 258.09 15.51 263.60
As mismo se pudiera calcular el pronstico de ventas para el mes 30.

16
FT k ST kBT
F246 F30 S 24 6B24 258.09 65.51 291.17
Cuando se conocen las ventas reales del mes 25, se actualizan las
estimaciones por medio del sistema de ecuaciones:
S T d T 1 S T 1 BT 1
BT S T S T 1 1 BT 1
Suponga que las ventas reales del mes 25 fue de 259, y que
2
(N = 24)

0.08
24 1
Entonces la nueva estimacin de la ordenada es:
S T d T 1 S T 1 BT 1 d 25 1 S 24 B24
S 25 0.08259 1 0.08258.09 5.51 263.23
Y la nueva estimacin de la pendiente ser:

BT S T S T 1 1 BT 1 S 25 S 24 1 B24
B25 0.08263.23 258.09 1 0.085.51 5.48
Y el pronstico para el periodo 26 ser:

F251 F26 S 25 1B25 263.23 15.48 268.71
Y el pronstico para el mes 30 ser:
F255 F30 S 25 5B25 263.23 55.48 290.63
La exactitud del pronstico por este mtodo es aceptable para la mayor
parte de los problemas a corto plazo.
A continuacin se ilustran los valores estimados de la pendiente y la
ordenada por el mtodo de suavizamiento exponencial para los periodos del 15 en
adelante, as como el pronstico del valor futuro.
Como iniciamos en el periodo 15, la estimacin de S15 y B15, podran ser:
116 133 139 157 154 159 162
P17
145.71
7
172 163 163 164 191 201 219 207
P815
185.00
8
El incremento en las ventas promedio para el periodo de 7 meses es:
185.00 145.71 = 39.29
y el incremento promedio por mes es: 39.29/7.5 = 5.23. que es la estimacin
de la pendiente BT, en el periodo 15 es:
185.00 145.71 39.29
BT B15
5.23
7.5
7.5
17
Para obtener una estimacin de la ordenada, S T, del mes 15, primero se

calcula el promedio global de los 15 datos, que es: 166.67.
116 133 139 201 219 207
P115
166.67
15
Este promedio est centrado en el mes 7.
Despus, para moverlo al tiempo actual se suma el ajuste por tendencia de
5.23 por mes multiplicado por (15 7) meses.
Y la estimacin de la ordenada en el mes 15, es:
ST S15 166.67 5.2315 7 208.51
El pronstico para el mes 16 es:
FT k ST kBT
F151 F16 S15 1B15 208.51 15.23 213.74
Ventas de papel (1000 cajas)
Suponiendo las ponderaciones como

2
(N = 15)

0.125
15 1
Se actualizan los estimados de la pendiente y la ordenada, toda vez que se
conozcan las ventas reales de los meses siguientes.
260
Ventas de papel
(1000 cajas)
240
Regresin
220
suavizacin
200
14 15 16 17 18 19 20 21 22 23 24 25 26
Teimpo (Meses)
18
Relaciones Causales
Anlisis de Regresin
Cuando se desea pronosticar una variable dependiente, y el valor de la
variable dependiente est relacionado a un valor observable de una o ms
variables independientes, se utiliza el anlisis de regresin, que es un mtodo de
anlisis causal, esto es, que el valor de la variable dependiente est causada, o al
menos tiene una correlacin alta con el valor de la(s) variable(s) independientes.
Sin embargo, la relacin entre las variables dependiente e independiente no
es siempre clara. Para estimar la relacin, se utilizan las tcnicas de regresin.
El anlisis de regresin es una tcnica estadstica para el modelado y la
investigacin de la relacin entre dos o ms variables. En muchos problemas
existe una relacin inherente entre dos o ms variables, y resulta necesario
explotar la naturaleza de esta relacin.
En la prctica, con mucha frecuencia es necesario resolver problemas que
implican conjuntos de variables, cuando se sabe que existe alguna relacin
inherente entre ellas. El aspecto estadstico del problema consiste entonces en
lograr la mejor estimacin de la relacin entre las variables.
Muy a menudo se tiene una sola variable dependiente o respuesta Y, la
cual no se controla en el proceso. Esta respuesta depende de una o ms variables
independientes o de regresin, como son x1, x2,..., xn, las cuales se miden con
un error despreciable y en realidad, en la generalidad de los casos se controlan en
el proceso.
As las variables independientes no son aleatorias y por lo tanto no tienen
propiedades distribucionales.
La relacin fija para un conjunto de datos experimentales se caracteriza por
una ecuacin de prediccin que recibe el nombre de ecuacin de regresin.
Regresin Simple
Consideremos el siguiente caso:

Mary Carter es gerente del departamento de plomera de la tienda Home
Sales de Columbia, un distribuidor lder en productos para la construccin. Cada
mes, debe colocar una orden de accesorios de plomera para baos. Si ordena
ms de lo que vende, los excedentes representan dinero para la empresa que no
puede usar en otra parte. Si ordena muy pocos, las ventas se pierden a favor de
los competidores.
Mary a estado pensando cmo podra anticipar la demanda de accesorios.
Sabe que la mayora de los que vende son para casas nuevas. Los accesorios de
plomera se instalan una vez que se han puesto el techo y las paredes, casi
siempre alrededor de un mes despus de que se emite el permiso de construccin.
Como todas las construcciones necesitan el permiso, el nmero de permisos
emitidos el mes pasado puede ayudarla a determinar el nmero de accesorios que
debe ordenar en este mes.
19
Este es un caso tpico que puede analizarse con regresin, donde la

demanda de accesorios (variable dependiente), se supone que es causada por los
permisos de construccin (variable independiente). Con el anlisis de regresin se
puede determinar si existe o no relacin entre las variables; y si existe tal
correlacin, entonces se podr hacer modelo matemtico para predecir
(pronosticar) las futuras demandas de accesorios de plomera.
A continuacin se muestra el nmero de permisos de construccin de casas
emitidos y el nmero de accesorios de plomera vendidos, por mes, para los
ltimos dos aos.
Registro
Mes del
permiso
Nmero de
permisos
Mes de venta
de accesorios
Nmero de
accesorios
Ene 94
22
Feb 94
72
Feb 94
16
Mar 94
44
Mar 94
24
Abr 94
80
Abr 94
95
May 94
191
May 94
84
Jun 94
187
Jun 94
13
Jul 94
57
Jul 94
114
Ago 94
238
Ago 94
147
Sep 94
283
Sep 94
96
Oct 94
204
10
Oct 94
59
Nov 94
144
11
Nov 94
35
Dic 94
102
12
Dic 94
41
Ene 95
109
13
Ene 95
28
Feb 95
63
14
Feb 95
21
Mar 95
50
15
Mar 95
18
Abr 95
67
16
Abr 95
46
May 95
109
17
May 95
145
Jun 95
304
18
Jun 95
122
Jul 95
239
19
Jul 95
108
Ago 95
223
20
Ago 95
85
Sep 95
173
21
Sep 95
107
Oct 95
211
22
Oct 95
53
Nov 95
104
23
Nov 95
17
Dic 95
59
24
Dic 95
12
Ene 96
24
Lo primero que se hace en el anlisis causal (anlisis de regresin) despus

20
de tener los datos tabulados, es construir una grfica de dispersin.

Para el caso que nos ocupa, se asigna al eje x la variable independiente, los
permisos de construccin. Y al eje y la variable dependiente, la venta de
accesorios.
El objetivo es determinar un modelo matemtico que simule el
comportamiento de la relacin entre las dos variables, para posteriormente
validarlo, y finalmente utilizarlo como modelo predictor para valores futuros.
Accesorios
Grfica de Dispersin Permiso contra Ventas

320
280
240
200
160
120
80
40
0
0
20
40
60
80
100
120
140
Permisos para Construccin
Como se observa en la grfica, los datos se pueden representar como un

proceso de tendencia, y los datos se pudieran ajustar a una lnea recta con
ordenada al origen y pendiente positiva. Sea la ecuacin de la lnea recta:
y a bx
Y la lnea recta ajustada o recta de regresin:
y i a bxi ei
Dnde:
ei es el error de la estimacin, con respecto a los datos reales.
b
a
es la pendiente ajustada.
es la ordenada al origen ajustada.
y i
es la respuesta esperada para cada xi.
El objetivo de la regresin es minimizar el error de las estimaciones dados

por:
ei yi y i
Utilizando el mtodo de los mnimos cuadrados (minimizar la suma de los
cuadrados de las diferencias entre los datos reales y los datos esperados del
modelo) y desarrollando las ecuaciones respectivas se llega a:
n
La pendiente estimada:
21
n xi yi xi yi
i 1
i 1
i 1
n xi2 xi
i 1
i 1
n
Y la ordenada al origen estimada:
1 n
b n
y i xi
n i 1
n i 1
Para facilitar el clculo y la obtencin de los valores de la pendiente

estimada y la ordenada al origen estimada, se pueden calcular las sumatorias
indicadas por separado y luego sustituirlas en las frmulas.
Los clculos por separado de las sumatorias adems, servirn ms adelante
para verificar la adecuacin del modelo.
As:
Nmero de
permisos
Nmero de
accesorios
xi
yi
22
72
16
44
24
80
95
191
84
187
13
57
114
238
147
283
96
204
59
144
35
102
41
109
28
63
21
50
18
67
46
109
145
304
122
239
108
223
85
173
107
211
53
104
17
59
12
24
1508
3337
xi2
yi2
xiyi
22
Entonces las sumatorias respectivas son:
1508 ;
3337 ;
x y
i
294095 ;
2
i
140928 ;
2
i
621017
Sustituyendo en las frmulas se tiene:

n
n xi y i xi y i
i 1
i 1
i 1
24 294095 1508 3337 1.83

24 140928 15082
n xi2 xi
i 1
i 1
1 n
b n
3337 1.83
a yi xi
1508 24.17
n i 1
n i 1
24 24
Y la ecuacin de regresin queda como:
y 24.17 1.83x
n
Con esta ecuacin se pueden predecir (pronosticar) los accesorios a vender

en el prximo mes dados los permisos de construccin del mes actual.
Si en enero 1996 se tienen 23 permisos de construccin entonces los
accesorios que se espera vender en el mes de febrero 1996 ser:
y 24.17 1.83x 24.17 1.8323 66
En general, b puede ser positivo o negativo. Un valor positivo implica que la
variable dependiente aumenta conforme la variable independiente aumenta o que
tiene una correlacin positiva. Una b negativa implica lo opuesto. La magnitud de
b debe reflejar la cantidad del cambio en la variable dependiente para una unidad
de cambio en la variable independiente. Si el signo o la magnitud de b parecen no
apropiados para la situacin, piense con cuidado en el modelo.
El valor de a representa el valor de la variable dependiente cuando la
variable independiente es cero, lo que no necesariamente tiene un significado; si
cero no es un valor posible de la variable independiente, a puede ser todava
positivo. En este caso, a calibra los otros valores.
El coeficiente de correlacin est definido como:
n
r2
yi
yi
i 1
n
i 1
Para el ejemplo que nos ocupa, y despus de calcular alas sumatorias

respectivas, el coeficiente de correlacin ser:
r2
0.98
En la prctica, un coeficiente de correlacin de 0.85 se considera bastante

bueno.
23
Lo que se puede concluir para el ejemplo, es que el modelo es adecuado

para futuras predicciones.
Regresin Mltiple
Anlisis de Regresin para Procesos Estacionales

Deportes Meller fabrica una gran variedad de ropa deportiva: camisetas,
sudaderas, pants, y uniformes de nylon. Stephon est desarrollando un plan de
capacidad para el ao prximo y necesita saber cuntos uniformes de ftbol tendr
que hacer Meller en cada trimestre. Stephon recolecta los datos de los tres aos
anteriores, que indican las ventas totales por trimestre, en donde el trimestre 12 es
el ltimo dato disponible.
Trim
10
11
12
Ventas
182
154
201
217
146
140
191
248
142
138
202
209
Una grfica de dispersin muestra lo que parece un patrn estacional de las

ventas de uniformes, y que se repiten cada ao.
Ventas
Venta de uniformes de Meller
300
250
200
150
100
50
0
1
9 10 11 12
Trimestres
Para representar estos patrones estacionales se utilizan las funciones

trigonomtricas de seno y coseno por pares. Una onda de seno tiene un periodo
2, de manera que para ajustarla a periodo de cuatro trimestres de las ventas de
uniformes se usa Sen(2t/4) . El modelo que se usa para representar estas
relaciones senoidales es:
y t b0 b1t b2 Sen2t / 4 b3 Cos2t / 4
y se estiman los parmetros para el modelo, utilizando regresin mltiple;
considerando la variable t (tiempo = 1, 2, ... , n); y las componentes Seno y
Coseno como otras dos variables independientes.
As se tendr un modelo de regresin mltiple con tres variables
independientes y cuatro parmetros que calcular para obtener la ecuacin de
regresin.
Entonces resolviendo el ejemplo de Meller se tiene:
24
Sistema de ecuaciones de regresin:

nb0 b1 xt1 b2 xt 2 b3 xt 3 y t
b0 xt1 b1 xt21 b2 xt 2 xt1 b3 xt 3 xt1 xt1 yt
b0 xt 2 b1 xt1 xt 2 b2 xt22 b3 xt 3 xt 2 xt 2 y t
b0 xt 3 b1 xt1 xt 3 b2 xt 2 xt 3 b3 xt23 xt 3 y t
Calculando las sumatorias respectivas y sustituyendo en el sistema de

ecuaciones, se tiene:
12b0 78b1 0b2 0b3 2170
78b0 650b1 6b2 6b3 14240
0b0 6b1 6b2 0b3 124
0b0 6b1 0b2 6b3 242
Resolviendo el sistema se obtiene:

b0 192.2951
b1 1.7633
b2 22.4300
b3 42.0966
y la ecuacin de regresin es:

y t 192.2951 1.7633t 22.43Sen2t / 4 42.0966Cos2t / 4
Se puede verificar la adecuacin del modelo a travs del anlisis residual,
de donde se obtiene el coeficiente de correlacin:
r 2 0.88
Donde se deduce que el modelo es adecuado.
Y as se puede pronosticar que para el prximo ao la demanda ser:
147 para el primer trimestre (trimestre 13).
126 para el segundo (trimestre 14).
188 para el tercero (trimestre 15).
206 para el cuarto (trimestre 16).
25
300
250
200
150
100
50
0
Ventas
15
13
11
Pronstico
Ventas
Venta de uniformes de Meller
Trimestres
Ejercicios:
4.18; 4.19; 4.20; 4.21.

Planeacin y Control de la Produccin
Sipper-Bulfin
Mc Graw Hill
2.5 Monitoreo y Control de los Pronsticos
2.6 Elaboracin de Pronsticos con software especfico.
26

Apuntes Unidad 2 Pronosticos PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes Unidad 2 Pronosticos PDF

Uploaded by

Copyright:

Available Formats

Instituto Tecnolgico de Ocotln

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

II.- PRONSTICO DE LA DEMANDA

Ing. Luis Rogelio Valadez Castellanos

capacidad de las existentes-, con frecuencia dependen de un pronstico de

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

2.2 Caractersticas que definen la Demanda

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

La meta de cualquier sistema de pronsticos es proporcionar esos

Permisos para Construccin

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

2.3 Mtodos Cualitativos para estimar la Demanda

Ing. Luis Rogelio Valadez Castellanos

Las respuestas se resumen, se modifica el cuestionario y se regresa a los

2a) Al menos ______ % de las secundarias en el medio oeste tendr uno o

Ing. Luis Rogelio Valadez Castellanos

2b) Mis razones para dar esta respuesta son:

El procedimiento contina hasta que los miembros del comit llegan a un

Ing. Luis Rogelio Valadez Castellanos

Poseo una cmara de enfoque automtico de 35 mm.

Junto con el diseo de la encuesta debe determinarse un mtodo para

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

2.4 Mtodos Cuantitativos para estimar la Demanda

Considere el siguiente caso:

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

Primero se construye la grfica de dispersin para determinar el tipo de

De la grfica, parece que las ventas son bsicamente constantes con

Ing. Luis Rogelio Valadez Castellanos

y el pronstico para el siguiente periodo es:

Incluso se utiliza este mismo pronstico para los tiempos futuros k.

Este mtodo, llamado promedio mvil, es una combinacin entre los

Volviendo al caso que nos ocupa, en la semana 50 el promedio mvil de

Ing. Luis Rogelio Valadez Castellanos

Ingeniera en Gestin Empresarial

Ing. Luis Rogelio Valadez Castellanos

Si nos detenemos a observar el mtodo de promedios mviles, se notar

Entonces el pronstico para la prxima semana (semana 51) ser: 52.5.

Ing. Luis Rogelio Valadez Castellanos

A continuacin se ilustra el caso, para un promedio del primer estimador con

Considere el siguiente caso:

Ventas de papel (1000

Mes Ventas Mes Ventas Mes Ventas

Un examen de los datos indica claramente que el proceso no es constante

Ing. Luis Rogelio Valadez Castellanos

sino que aumenta en forma estable, lo que no es sorprendente debido al

Donde es la ponderacin para la pendiente, que se puede calcular igual

Ing. Luis Rogelio Valadez Castellanos

Para convertir esta diferencia en una estimacin de la pendiente, se divide

As mismo se pudiera calcular el pronstico de ventas para el mes 30.

Ing. Luis Rogelio Valadez Castellanos

Y la nueva estimacin de la pendiente ser:

Y el pronstico para el periodo 26 ser:

Ing. Luis Rogelio Valadez Castellanos

Para obtener una estimacin de la ordenada, S T, del mes 15, primero se

Ventas de papel (1000 cajas)

Suponiendo las ponderaciones como

Ingeniera en Gestin Empresarial