You are on page 1of 31

UNIVERSIDAD TECNOLOGICA DE HONDURAS

ADMINISTRACION DE LA PRODUCCIÓN

Modulo # 5: Pronósticos (Cont.)

I. Datos Generales
Nombre de la Asignatura: Admón. de la Producción Código: APE-0909
Unidades valorativas: 4 Duración del Módulo: 10 días

Objetivos Específicos:
1. Explicar cómo se utiliza el cálculo del error del pronóstico para determinar el
modelo de pronóstico más adecuado.
2. Describir cómo se desarrollan los cálculos de pronósticos utilizando el modelo
de proyección de tendencias.
3. Explicar cómo se aplica la variación estacional para el ajuste de la demanda.
4. Describir como se emplea el análisis de regresión lineal para el cálculo de
pronósticos.

Competencias a alcanzar:
1. Selecciona el método de pronóstico más adecuado para predecir la demanda
mediante el uso de los métodos de cálculo de error de pronóstico.
2. Obtiene el pronóstico de la demanda utilizando el modelo de proyección de
tendencias.
3. Emplea los índices de variación estacional para ajustar la demanda.
4. Utiliza el análisis de regresión lineal para el cálculo de los pronósticos.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Descripción Breve de Actividades:


1. Realizar ejercicios sobre el error de los pronósticos.
2. Desarrollo de ejercicios de pronósticos mediante proyección de tendencias.
3. Efectuar cálculos de pronósticos mediante análisis de regresión lineal.
4. Realizar la participación 2 del foro del II Parcial.

Descripción Breve de Tareas:


1. Tarea individual: Desarrollar los ejercicios que aparecen al final de este
documento.
2. Tarea Individual: Mapa mental que incluya los temas de las lecciones 4 y 5.

Descripción Breve de Casos Harvard:


a) En el presente parcial se discutirá el caso de Harvard sobre Scharffen Berger
Chocolate Maker en el chat. (ver fecha en el silabo de la clase).

c) Realizar tres participaciones en el foro grupal del caso


UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

II. Desarrollo de Contenido

INTRODUCCIÓN
En el módulo anterior discutimos algunos conceptos sobre los pronósticos, los tipos
de pronósticos y algunos modelos de pronósticos cualitativos y cuantitativos. En este
módulo desarrollaremos el tema de error en los pronósticos para determinar qué
modelo de pronóstico es el más adecuado para hacer una predicción de la demanda.
Además, conoceremos otros modelos de pronósticos cuantitativos, como ser: el
modelo de proyección de tendencia, el modelo de variación estacional, así como el
análisis de regresión lineal.

ERROR EN LOS PRONÓSTICOS


Sabemos que los pronósticos no son totalmente exactos. Ningún modelo de
pronósticos es preciso. Para seleccionar el modelo de pronóstico más adecuado para
predecir la demanda, debemos determinar el error de los modelos de pronóstico que
queremos utilizar, en relación a los valores reales de demanda. El modelo de
pronóstico con el menor margen de error será el más adecuado para predecir la
demanda.

Existen varios métodos para hacer este análisis. Entre ellos tenemos:
1. Desviación absoluta media (MAD, por sus siglas en inglés)
2. Error cuadrático medio (MSC, por sus siglas en inglés)
3. Error porcentual absoluto medio (MAPE, por sus siglas en inglés)

Para los objetivos de este módulo solo se analizará el método de Desviación Absoluta
Media.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Desviación Absoluta Media


La desviación absoluta media (MAD), es el error promedio en los pronósticos,
mediante el uso de valores absolutos. Es valiosa porque, al igual que la desviación
estándar, mide la dispersión de un valor observado en relación con un valor
esperado. (Chase, 2009)
La MAD se calcula utilizando las diferencias entre la demanda real y la demanda
pronosticada sin importar el signo. Es igual a la suma de las desviaciones absolutas
dividida entre el número de puntos de datos o, en forma de ecuación:

∑|𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑅𝑒𝑎𝑙 − 𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜|


𝑀𝐴𝐷 =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠

Ejemplo 1:
En la tabla siguiente se muestran los precios en los últimos meses de un chip
electrónico utilizado en ciertos tipos de computadoras. También se muestra el
pronóstico del precio utilizando promedio móvil simple y suavizamiento
exponencial con α = 0.3. Determine cuál de los dos modelos de pronóstico es
el más adecuado para predecir el precio del chip utilizando calculando la
desviación absoluta media para cada pronóstico.

Precio Suavizamiento
Promedio
Mes por chip exponencial
Móvil simple
($) (α=0.3)

Enero 1.80 1.80


Febrero 1.67 1.80
Marzo 1.70 1.76
Abril 1.85 1.72 1.74
Mayo 1.90 1.74 1.77
Junio 1.87 1.82 1.81
Julio 1.80 1.87 1.83
Agosto 1.83 1.86 1.82
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Solución:
Para determinar la desviación absoluta media primero debemos calcular el error
de cada uno de los pronósticos calculados.

Para el promedio móvil tenemos el pronóstico del mes de abril, el error para ese
mes sería:
𝐸𝑟𝑟𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = |1.85 − 1.72| = 0.13

Observe que el cálculo se encuentra entre las barras del valor absoluto, lo que
significa que el error siempre lo consideramos como un valor positivo. El error
para el pronóstico de promedio móvil simple en mes de abril es de 0.13. Los
cálculos del error para los demás meses se muestran en la tabla de la siguiente
página.

Para el pronóstico con suavizamiento exponencial tomaremos el pronóstico del


mes de enero, para el cual el error en el pronóstico sería:

𝐸𝑟𝑟𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 = |1.80 − 1.80| = 0.13

El error para el pronóstico de suavizamiento exponencial con α = 0.3 en mes


de enero es de 0. Hay que notar que si nos basáramos solo en este dato para
determinar la exactitud del pronóstico podríamos equivocarnos, ya que en los
meses siguientes se puede observar que hay margen de error. Los cálculos del
error para los demás meses se muestran en la tabla de la siguiente página.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Precio Promedio
Error porcentual S.E. Error porcentual
Mes por chip Móvil
absoluto (α=0.3) absoluto
($) simple

Enero 1.80 1.80 │1.80 - 1.80│= 0.00


Febrero 1.67 1.80 │1.67 - 1.80│= 0.13
Marzo 1.70 1.76 │1.70 - 1.76│= 0.06
Abril 1.85 1.72 │1.85 - 1.72│= 0.13 1.74 │1.85 - 1.74│= 0.11
Mayo 1.90 1.74 │1.90 - 1.74│= 0.16 1.77 │1.90 - 1.77│= 0.13
Junio 1.87 1.82 │1.87 - 1.82│= 0.05 1.81 │1.87 - 1.81│= 0.06
Julio 1.80 1.87 │1.80 - 1.87│= 0.07 1.83 │1.80 - 1.83│= 0.03
Agosto 1.83 1.86 │1.83 - 1.86│=0.03 1.82 │1.83 - 1.82│= 0.01
∑Desvia- ∑Desvia-
0.44 0.53
ciones: ciones:

Una vez que se obtienen los errores absolutos de los pronósticos, se hace una
sumatoria de ellos. Para nuestro caso la sumatoria de errores absolutos para
promedio móvil simple es de 0.44 y la sumatoria para suavizamiento
exponencial con α = 0.3 es de 0.53.
Ahora debemos calcular el MAD para cada modelo de pronóstico. Para promedio
móvil simple el MAD se calcularía:

∑ 𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜𝑠


𝑀𝐴𝐷 =
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑑𝑜𝑠

0.44
𝑀𝐴𝐷 = = 0.088
5
Se ha dividido la sumatoria los errores absolutos entre 5 debido a que solo
tenemos 5 datos de pronóstico de promedio móvil ponderado.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Para el pronóstico con suavizamiento exponencial con α = 0.3 el MAD sería:


0.53
𝑀𝐴𝐷 = = 0.066
8
Se ha dividido la sumatoria de errores absolutos entre 8, ya que tenemos 8
datos de pronóstico para suavizamiento exponencial con α = 0.3.

Respuesta:
Analizando los resultados de MAD para los modelos de pronósticos podemos
observar que de los dos modelos de pronósticos el que tiene el menor MAD es
el pronóstico con suavizamiento exponencial con α = 0.3, por tanto, de los dos
modelos, este es el más adecuado para predecir la demanda.

Algunas observaciones:
 Para determinar el modelo de pronóstico más adecuado es necesario contar
con datos muy precisos de la demanda.
 Se deben utilizar varios modelos de pronósticos considerando varias
condiciones, para obtener el modelo más adecuado para predecir la
demanda. No nos podemos basar en unos dos o tres escenarios se deben
considerar todas las posibilidades que se pueden presentar.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

PROYECCIONES DE TENDENCIA

Esta técnica ajusta una recta de tendencia a una serie de datos puntuales históricos,
y después proyecta dicha recta al futuro para obtener pronósticos de mediano y
largo plazos. Se pueden desarrollar varias ecuaciones matemáticas (por ejemplo,
exponencial y cuadrática), pero en esta sección veremos sólo tendencias lineales (en
línea recta).

Si decidimos desarrollar una recta de tendencia lineal mediante un método


estadístico preciso, podemos aplicar el método de mínimos cuadrados. Este enfoque
resulta en una línea recta que minimiza la suma de los cuadrados de las diferencias
verticales o desviaciones de la recta hacia cada una de las observaciones reales. En
la figura 1 se ilustra el método de mínimos cuadrados. Una recta de mínimos
cuadrados se describe en términos de su intersección con el eje y (la altura a la cual
cruza al eje y) y su pendiente (el ángulo de la recta). Si podemos calcular la

intersección con el eje y y la pendiente, podremos expresar la recta con la siguiente

ecuación:

𝑦̂ = 𝑎 + 𝑏𝑥
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Figura 1: Método de mínimos cuadrados para encontrar la recta que mejor se ajuste, donde los
asteriscos son las ubicaciones de las siete observaciones reales o de los puntos de datos. Fuente:
(Render, 2009)

Donde:
ŷ (que se lee “y gorro”) = valor calculado de la variable que debe predecirse
(llamada variable dependiente)
a = intersección con el eje y
b = pendiente de la recta de regresión (o la tasa de cambio
en y para los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)

Los estadísticos han desarrollado ecuaciones que se utilizan para encontrar los
valores de a y b para cualquier recta de regresión. La pendiente b se encuentra
mediante:
∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅
𝑏=
∑ 𝑥 2 − 𝑛𝑥̅ 2

Donde
b = pendiente de la recta de regresión
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Σ = signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
𝑥̅ = promedio de los valores de x
ȳ = promedio de los valores de y
n = número de puntos de datos u observaciones

La intersección con el eje y, a, puede calcularse como sigue:


𝑎 = 𝑦̅ − 𝑏𝑥̅

Ejemplo 1:
En la tabla siguiente se muestra la demanda de energía eléctrica en N. Y. Edison
durante el periodo 2001 a 2007, en megawatts. La empresa quiere pronosticar
la demanda para 2008 ajustando una recta de tendencia a estos datos.
Demanda de Demanda de
energía energía
Año eléctrica Año eléctrica
2001 74 2005 105
2002 79 2006 142
2003 80 2007 122
2004 90

Solución:
Para realizar el cálculo del pronóstico numeramos cada año, asignando como
número 1 al año más lejano, en este caso 2001, número dos al siguiente y así
sucesivamente. La tabla nos quedaría de la siguiente manera:
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Demanda
de energía
Periodo eléctrica
Año (x) (y) x2 xy
2001 1 74 1 74
2002 2 76 4 152
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3057

La variable independiente (x) será la numeración asignada a los periodos, la


variable dependiente (y) será la demanda.

Sumamos los valores de los periodos, el cual es Σx = 28. Luego obtenemos la


sumatoria de la demanda que es Σy = 692. Después, elevamos al cuadrado los
valores de x y los anotamos en la columna de x2 y sumamos los resultados
obteniendo Σx2 = 140. Finalmente multiplicamos los valores de la columna x
con los valores de la columna y y los anotamos en la columna xy, para
enseguida sumarlos y obtener Σxy = 3057.

Ahora obtenemos la media de la x, dividiendo la sumatoria de las x entre el


número de periodos utilizados en el cálculo:

∑ 𝑥 28
𝑥̅ = = =4
𝑛 7

De la misma forma obtenemos la media de las y, dividiendo la sumatoria de las


y entre el número de periodos:
∑ 𝑦 692
𝑦̅ = = = 98.86
𝑛 7
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Con estos valores obtenidos procedemos a calcular los valores de b y de a


para la ecuación de tendencias.

∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅ 3057 − (7)(4)(98.86) 295


𝑏= = = = 10.54
∑ 𝑥 2 − 𝑛𝑥̅ 2 140 − (7)(4)2 28

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 98.86 − (10.54)(4) = 56.70

Una vez obtenidos los valores de b y de a los sustituimos en la ecuación de la


recta de tendencias:

𝑦̂ = 𝑎 + 𝑏𝑥
𝑦̂ = 56.70 + 10.54𝑥

Una vez que se obtiene la ecuación de la recta de tendencias podemos calcular


el pronóstico para el periodo que se pide. Para nuestro caso para el año 2008
corresponde el periodo 8, porque es el octavo periodo en la secuencia de los
datos utilizados. De esta forma:

𝐷𝑒𝑚𝑎𝑛𝑑𝑎 2008 = 56.70 + 10.54(8) = 141.02 𝑀𝑒𝑔𝑎𝑤𝑎𝑡𝑡𝑠

Respuesta: La demanda para el año 2008 sería de 141 Megawatts.


Para evaluar el modelo, graficamos la demanda histórica y la recta de
tendencia. Para obtener la recta de tendencias, calculamos el pronóstico para
todos los periodos utilizando le ecuación de tendencias.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

En este caso, debemos tener cuidado y tratar de comprender el cambio en la


demanda de 2006 a 2007, lo cual nos puede dar un indicio que la demanda
vaya en descenso.

Notas sobre el uso del método de mínimos cuadrados


El empleo del método de mínimos cuadrados implica que se han cumplido tres
requisitos:
4. Siempre deben graficarse los datos porque los datos de mínimos cuadrados
suponen una relación lineal. Si parece que exista una curva presente,
probablemente sea necesario el análisis curvilíneo.
5. No se predicen periodos lejanos a la base de datos dada. Por ejemplo, si
tenemos los precios promedio de las existencias de Microsoft durante 20
meses, sólo podemos pronosticar 3 o 4 meses hacia el futuro. Los pronósticos
de más tiempo tienen poca validez estadística. Por lo tanto, no pueden tomarse
datos de 5 años de ventas y proyectar 10 años hacia el futuro. El mundo es
demasiado incierto.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

6. Se supone que las desviaciones calculadas alrededor de la recta de mínimos


cuadrados son aleatorias (vea la figura 4.4). Por lo general, están distribuidas
normalmente, con la mayoría de las observaciones cerca de la recta y sólo unas
cuantas más lejos.

Variaciones estacionales en los datos


Las variaciones estacionales en los datos son movimientos regulares
ascendentes o descendentes localizados en una serie de tiempo y que se relacionan
con acontecimientos recurrentes como el clima o las vacaciones. La demanda de
carbón o petróleo aumenta durante los meses de invierno. La demanda de clubes
de golf o bronceadores puede ser mayor durante el verano.
La estacionalidad puede aplicarse en forma horaria, diaria, semanal, mensual o en
otros patrones recurrentes. Los restaurantes de comida rápida registran diariamente
repuntes al medio día y nuevamente después de las 5 P.M. Los cines aumentan su
demanda los viernes y sábados por la noche.

De manera similar, comprender las variaciones estacionales es importante para


planear la capacidad en las organizaciones que manejan picos en la carga de trabajo.
Esto incluye a las compañías de energía eléctrica durante los periodos de frío o calor
intenso, a los bancos los viernes por la tarde, y a trenes subterráneos y autobuses
durante las horas de tráfico matutino o vespertino.
El pronóstico de series de tiempo como el efectuado en el modulo anterior implica
la revisión de la tendencia de los datos a lo largo de una serie de tiempo. La
presencia de estacionalidad hace necesario ajustar los pronósticos con una recta de
tendencia. Las estaciones se expresan en términos de la cantidad en que difieren
los valores reales de los valores promedio en la serie de tiempo. Analizar los datos
en términos de meses o trimestres suele facilitar la detección de los patrones
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

estacionales. Los índices estacionales pueden desarrollarse mediante varios métodos


comunes.

En lo que se denomina modelo estacional multiplicativo, los factores


estacionales se multiplican por una estimación de la demanda promedio para
producir un pronóstico estacional. Nuestro supuesto en esta sección es que la
tendencia se ha eliminado de los datos. De otra forma, la magnitud de los datos
estacionales estaría distorsionada por la tendencia.

A continuación se presentan los pasos que seguiría una compañía que tiene
“estaciones” de un mes:
1. Encontrar la demanda histórica promedio de cada estación (o mes en este
caso) sumando la demanda medida en ese mes de cada año y dividiéndola
entre el número de años con datos disponibles. Por ejemplo, si en enero hubo
ventas de 8, 6 y 10 durante los últimos tres años, la demanda promedio de
enero es igual a (8 + 6 + 10)/3 = 8 unidades.
2. Calcular la demanda promedio de todos los meses dividiendo el promedio
total de la demanda anual entre el número de estaciones. Por ejemplo, si el
promedio total de la demanda de un año es de 120 unidades y hay 12
estaciones (una por mes), la demanda mensual promedio es de 120/12 = 10
unidades.
3. Calcular un índice estacional para cada estación dividiendo la demanda
histórica real de ese mes (del paso 1) entre la demanda promedio de todos
los meses (del paso 2). Por ejemplo, si la demanda promedio histórica en
enero durante los últimos 3 años es de 8 unidades y la demanda promedio
de todos los meses es de 10 unidades, el índice estacional para enero es de
8/10= 0.80. De igual forma, un índice estacional de 1.20 para febrero
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

significaría que la demanda de febrero es 20% mayor que la demanda


promedio de todos los meses.
4. Estimar la demanda total anual para el siguiente año.
5. Dividir esta estimación de la demanda total anual entre el número de
estaciones, después multiplicarla por el índice estacional para ese mes. Esto
proporciona el pronóstico estacional.

Ejemplo 2:
Un distribuidor de computadoras portátiles quiere desarrollar índices mensuales
para las ventas y a partir de ellos calcular el pronóstico de la demanda mensual,
suponiendo un pronóstico anual para 2008 de 1,440 computadoras. A
continuación se muestran los datos mensuales para los años 2005 a 2007.
Demanda
Mes 2005 2006 2007
Enero 80 85 105
Febrero 70 85 85
Marzo 80 93 82
Abril 90 95 115
Mayo 113 125 131
Junio 110 115 120
Julio 100 102 113
Agosto 88 102 110
Septiembre 85 90 95
Octubre 77 78 85
Noviembre 75 82 83
Diciembre 82 78 80
Solución:
Para iniciar debemos obtener la demanda promedio para cada periodo. Para el
mes de enero sería:
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

80 + 85 + 105
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝐸𝑛𝑒𝑟𝑜 = = 90
3

Lo mismo hacemos para los otros periodos, anotándolos en la tabla.

Demanda Demanda
Demanda Promedio para promedio Índice
Mes 2005 2006 2007 el periodo mensual Estacional
Enero 80 85 105 90 94 0.96
Febrero 70 85 85 80 94 0.85
Marzo 80 93 82 85 94 0.90
Abril 90 95 115 100 94 1.06
Mayo 113 125 131 123 94 1.31
Junio 110 115 120 115 94 1.22
Julio 100 102 113 105 94 1.12
Agosto 88 102 110 100 94 1.06
Septiembre 85 90 95 90 94 0.96
Octubre 77 78 85 80 94 0.85
Noviembre 75 82 83 80 94 0.85
Diciembre 82 78 80 80 94 0.85
Σ=1128

Después calculamos la demanda promedio mensual. Para ello, sumamos las


demandas promedio de los periodos y dividimos el resultado entre el número
de periodos considerados. En nuestro caso el resultado de la sumatoria es de
1128, así:
1128
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 = = 94
12
Como se trata de una demanda promedio mensual, utilizaremos 94 para todos
los periodos.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Para obtener los índices estacionales debemos dividir la demanda promedio de


cada periodo entre la demanda promedio mensual. Para el mes de enero sería:

𝟗𝟎
𝑰𝒏𝒅𝒊𝒄𝒆 𝒆𝒔𝒕𝒂𝒄𝒊𝒐𝒏𝒂𝒍 𝑬𝒏𝒆𝒓𝒐 = = 𝟎. 𝟗𝟔
𝟗𝟒

Para determinar la demanda para cada mes del año 2008, dividimos la
demanda anual entre el número de períodos considerados:
1440
𝐷𝑒𝑚𝑎𝑛𝑑𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 2008 = = 120 𝑐𝑜𝑚𝑝𝑢𝑡𝑎𝑑𝑜𝑟𝑎𝑠
12

Luego multiplicamos esta demanda promedio por cada índice estacional, como
sigue:
Enero 120 x 0.96 = 114.89 ≈ 115 computadoras
Febrero 120 x 0.85 = 102.13 ≈ 102 computadoras
Marzo 120 x 0.90 = 108.51 ≈ 109 computadoras
Abril 120 x 1.06 = 127.66 ≈ 128 computadoras
Mayo 120 x 1.31 = 157.02 ≈ 157 computadoras
Junio 120 x 1.22 = 146.81 ≈ 147 computadoras
Julio 120 x 1.12 = 134.04 ≈ 134 computadoras
Agosto 120 x 1.06 = 127.66 ≈ 128 computadoras
Septiembre 120 x 0.96 = 114.89 ≈ 115 computadoras
Octubre 120 x 0.85 = 102.13 ≈ 102 computadoras
Noviembre 120 x 0.85 = 102.13 ≈ 102 computadoras
Diciembre 120 x 0.85 = 102.13 ≈ 102 computadoras

Piense en estos índices como porcentajes de las ventas promedio. Las ventas
promedio (sin estacionalidad) serían de 94, pero con estacionalidad, las ventas
fluctúan entre 85% y 131% del promedio.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Por simplicidad, en el ejemplo anterior sólo se usaron 3 periodos para cada índice
mensual. En el ejemplo siguiente se ilustra la forma en que los índices ya preparados
pueden aplicarse para ajustar los pronósticos de la recta de tendencia a la
estacionalidad.

Ejemplo 3
Un hospital quiere mejorar sus pronósticos aplicando tanto tendencia como
índices estacionales a datos recopilados durante 66 meses. Se pronosticarán
los “días-paciente” para el año próximo.

Solución:
Se obtuvo una recta de tendencia; después se calcularon los índices
estacionales. Por último, se usa un modelo estacional multiplicativo para
pronosticar los meses del 67 al 78.

Usando los datos recopilados en 66 meses de los días que pasa cada paciente
adulto en el hospital, se calculó la siguiente ecuación:
𝑦̂ = 8,090 + 21.5𝑥
Donde:
𝑦̂ =días-paciente
x = tiempo, en meses.

Con base en este modelo, que refleja sólo datos de tendencia, el hospital
pronostica que para el siguiente mes (periodo 67) los días-paciente serán:

𝐷í𝑎𝑠 − 𝑝𝑎𝑐𝑖𝑒𝑛𝑡𝑒 = 8,090 + (21.5)(67) = 9,530 (𝑠ó𝑙𝑜 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎).


UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Aunque este modelo, como se observa en la siguiente figura, reconoce la recta


de tendencia ascendente en la demanda de servicios a pacientes hospitalizados,
ignora la estacionalidad que el administrador sabía que estaba presente.

La tabla siguiente proporciona los índices estacionales basados en los mismos


66 meses.
Índices estacionales para los días-paciente de un adulto
internado en el hospital
Mes Índice Estacional Mes Índice Estacional
Enero 1.04 Julio 1.03
Febrero 0.97 Agosto 1.04
Marzo 1.02 Septiembre 0.97
Abril 1.01 Octubre 1
Mayo 0.99 Noviembre 0.96
Junio 0.99 Diciembre 0.98
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Estos índices estacionales se grafican en la figura que se muestra a


continuación. Observe que enero, marzo, julio y agosto parecen mostrar un
promedio significativamente más alto que el promedio de días paciente
hospitalizado, mientras que febrero, septiembre, noviembre y diciembre
presentan menos días - paciente internado.

Sin embargo, ni los datos de la tendencia ni los estacionales proporcionan por


sí mismos un pronóstico razonable para el hospital. Sólo cuando se
multiplicaron los datos ajustados a la tendencia por el índice estacional
apropiado fue que el hospital pudo obtener buenos pronósticos. Por lo tanto,
para el periodo 67 (enero):

𝐷í𝑎𝑠 − 𝑝𝑎𝑐𝑖𝑒𝑛𝑡𝑒
= (𝑃𝑟𝑜𝑛ó𝑠𝑡𝑖𝑐𝑜 𝑐𝑜𝑛 𝑎𝑗𝑢𝑠𝑡𝑒 𝑑𝑒 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 )(Í𝑛𝑑𝑖𝑐𝑒 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑚𝑒𝑛𝑠𝑢𝑎𝑙)
= (9,530)(1.04) = 9,911
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Los días-paciente para cada mes son:


Periodo 67 68 69 70 71 72 73 74 76 77 78 79

Mes Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Pronóstico con 9,911 9,265 9,764 9,691 9,520 9,542 9,949 10,068 9,411 9,724 9,355 9,572
tendencia y
estacionalidad

La gráfica que muestra el pronóstico con tendencia y estacionalidad se presenta


en la figura siguiente.

Observe que usando sólo la tendencia, el pronóstico para septiembre es de


9,702, pero con el ajuste de tendencia y estacionalidad, el pronóstico es de
9,411. Al combinar los datos de tendencia y estacionalidad el hospital puede
pronosticar mejor los días-paciente internado, el personal requerido, y el
presupuesto vital para garantizar la efectividad de las operaciones.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Métodos asociativos de pronósticos: Análisis De Regresión Lineal

A diferencia del pronóstico de series de tiempo, los modelos de pronóstico


asociativo casi siempre consideran varias variables relacionadas con la cantidad
que se desea predecir. Una vez determinadas dichas variables, se construye un
modelo estadístico que se usa para pronosticar el elemento de interés. Este enfoque
es más poderoso que los métodos de series de tiempo que incluyen sólo valores
históricos para la variable a pronosticar.

En un análisis asociativo pueden considerarse muchos factores. Por ejemplo, las


ventas de computadoras personales se relacionan con el presupuesto para
publicidad, los precios de la compañía, los precios y estrategias promocionales de la
competencia, e incluso con la economía nacional y los índices de desempleo. En este
caso, las ventas de computadoras personales se denominan como la variable
dependiente y las otras variables son las variables independientes. El trabajo del
administrador es desarrollar la mejor relación estadística entre las ventas de
computadoras personales y las variables independientes. El modelo de pronósticos
asociativo cuantitativo más común es el análisis de regresión lineal.

Uso del análisis de regresión para pronosticar


Con el fin de realizar un análisis de regresión lineal, Podemos usar el mismo modelo
matemático que empleamos con el método de mínimos cuadrados para efectuar la
proyección de tendencias. Las variables dependientes que deseamos pronosticar
seguirán siendo. Pero la variable independiente, x, ya no necesita ser el tiempo.
Usamos la ecuación:
𝑦̂ = 𝑎 + 𝑏𝑥
Donde:
ŷ = valor calculado de la variable que debe predecirse
(llamada variable dependiente)
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

a = intersección con el eje y


b = pendiente de la recta de regresión (o la tasa de cambio
en y para los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)

Ejemplo:

Una compañía constructora renueva casas antiguas. Con el tiempo, la compañía


ha encontrado que su volumen de dólares por trabajos de renovación depende
de la nómina del área local. La administración quiere establecer una relación
matemática para ayudarse a predecir las ventas.

El Vicepresidente de Operaciones ha preparado la tabla siguiente, la cual


muestra los ingresos de la empresa y la cantidad de dinero percibido por los
trabajadores locales durante los últimos 6 años.

Ventas Nomina Local (en Ventas Nomina Local (en


(en millones de miles de millones (en millones de miles de millones
dólares), y de dólares), x dólares), y de dólares), x
2.0 1 2.0 2
3.0 3 2.0 1
2.5 4 3.5 7

El Vice-presidente necesita determinar si existe una relación lineal (en línea


recta) entre la nómina del área y las ventas. Para ello, grafica los datos
conocidos en un diagrama de dispersión:
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

A partir de los seis puntos de datos, parece haber una ligera relación positiva
entre la variable independiente (nómina) y la variable dependiente (ventas): A
medida que se incrementa la nómina, las ventas tienden a ser más altas.

Podemos encontrar una ecuación matemática si usamos el enfoque de


regresión de mínimos cuadrados. La variable independiente será la nómina ya
que de ella dependen las ventas.

Nomina Local (en Ventas (en millones de x2 xy


miles de millones de dólares), y
dólares), x

1 2 1 74
3 3 4 152
4 2.5 9 240
2 2 16 360
1 2 25 525
7 3.5 36 852
Σx = 18 Σy = 15 Σx = 80
2
Σxy = 51.5
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

Ahora obtenemos la media de la x, dividiendo la sumatoria de las x entre el


número de periodos utilizados en el cálculo:
∑ 𝑥 18
𝑥̅ = = =3
𝑛 6

De la misma forma obtenemos la media de las y, dividiendo la sumatoria de


las y entre el número de periodos:
∑ 𝑦 15
𝑦̅ = = = 2.5
𝑛 6
Con estos valores obtenidos procedemos a calcular los valores de b y de a para
la ecuación de tendencias.

∑ 𝑥𝑦 − 𝑛𝑥̅ 𝑦̅ 51.5 − (6)(3)(2.5) 6.5


𝑏= = = = 0.25
∑ 𝑥 2 − 𝑛𝑥̅ 2 80 − (6)(3)2 26

𝑎 = 𝑦̅ − 𝑏𝑥̅ = 2.5 − (0.25)(3) = 1.75

Una vez obtenidos los valores de b y de a los sustituimos en la ecuación de la


recta de tendencias:
𝑦̂ = 𝑎 + 𝑏𝑥
𝑦̂ = 1.75 + 0.25𝑥

Una vez que se obtiene la ecuación de la recta de tendencias podemos calcular


el pronóstico para el valor de nómina que se desee. Si la cámara de comercio
local predice que la nómina para el área será de 6,000 millones de dólares el
próximo año, podemos estimar las ventas con la ecuación de regresión:

𝑉𝑒𝑛𝑡𝑎𝑠 (𝑒𝑛 $ 𝑚𝑖𝑙𝑙𝑜𝑛𝑒𝑠) = 1.75 + 0.25(6) = 3.25

Respuesta: Si la nómina es de 6,000 millones de dólares el pronóstico de las


ventas es de $3,250,000.00.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

La parte final del ejemplo muestra una debilidad central de los métodos de
pronóstico asociativo como el de regresión. Aun cuando calculamos una ecuación de
regresión, debemos dar un pronóstico para la variable independiente x —en este
caso, la nómina— antes de estimar la variable dependiente y para el siguiente
periodo. Aunque éste no es un problema para todos los pronósticos, es posible
imaginar la dificultad que implica determinar los valores futuros de algunas variables
independientes comunes (como índices de desempleo, producto nacional bruto,
índices de precios, y otros).

EJERCICIOS
1. Se aplicó cierto modelo de pronóstico para anticipar un periodo de seis
meses. Aquí están la demanda pronosticada y la real:
Mes Pronóstico Real
Marzo 500 400
Abril 650 500
Mayo 800 650
Junio 700 600
Julio 750 650
Agosto 900 800

Calcule la desviación absoluta media para el pronóstico.


2. Se usó un modelo de pronóstico específico para adelantar la demanda de
un producto. Los pronósticos y la demanda correspondiente que se
presentaron a continuación se dan en la tabla. Use las técnicas MAD para
el modelo de pronóstico.
Mes Pronóstico Real
Marzo 350 330
Abril 380 420
Mayo 390 375
Junio 395 412
Julio 425 455
Agosto 475 445
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

3. A continuación se presentan dos pronósticos de producción semanales


realizados mediante dos métodos diferentes para el número de litros de
una marca de refrescos en miles. También se muestran la producción real
en miles de litros:

Pronósticos
Demanda
Semana Método 1 Método 2 real
1 0.90 0.80 0.70
2 1.05 1.20 1
3 0.95 0.90 1
4 1.20 1.11 1

Calcule el MAD para cada modelo de pronóstico y determine el más


adecuado de los dos para predecir la demanda.
4. Una granja avícola ha recolectado los datos de la demanda de huevos del
año pasado, la cual se puede observar en la tabla siguiente:

Demanda Demanda
Mes (Docenas) Mes (Docenas)
Enero 4,200 Julio 5,300
Febrero 4,300 Agosto 4,900
Marzo 4,000 Septiembre 5,400
Abril 4,400 Octubre 5,700
Mayo 5,000 Noviembre 6,300
Junio 4,700 Diciembre 6,000

Utilice proyección de tendencia para determinar una ecuación de tendencia


y pronostique la demanda para el mes de enero del próximo año.
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

5. A continuación se da la demanda tabulada actual de un artículo durante un


periodo de nueve meses (de enero a septiembre). Utilice proyección de
tendencias para determinar la demanda del mes de octubre.

Demanda Demanda
Mes (Unidades) Mes (Unidades)
Enero 110 Junio 180
Febrero 130 Julio 140
Marzo 150 Agosto 130
Abril 170 Septiembre 140
Mayo 160

6. La asistencia a un parque de diversiones ha sido la siguiente:


Asistencia Asistencia
(en (en
Mes miles) Mes miles)
Trimestre 1 91 Trimestre 3 231
2007 2008
Trimestre 2 152 Trimestre 4 101
2007 2008
Trimestre 3 212 Trimestre 1 120
2007 2008
Trimestre 4 95 Trimestre 2 172
2007 2008
Trimestre 1 98 Trimestre 3 256
2008 2008
Trimestre 2 165 Trimestre 4 105
2008 2008

a) Calcule los índices estacionales usando todos los datos.


b) Si espera que la demanda para el año 2010 sea de 6,500 personas,
¿Cuál será la demanda para cada trimestre?
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

7. En el pasado, una distribuidora vendió un promedio de 2,000 llantas cada


año. En los dos años anteriores vendió 400 y 500, respectivamente,
durante el otoño, 700 y 600 en invierno, 300 y 330 en primavera, y 600 y
570 en verano. Luego se invertir en un plan de publicidad muy prometedor,
proyecta que las ventas se incrementarán el próximo año a 2,500 llantas.
¿Cuál será la demanda en cada estación?
8. Una venta de café local a determinado que las ventas de una de las
presentaciones de sus productos depende del precio asignado. Los datos
recopilados por el propietario son los siguientes:

Precio Venta de
(Lempiras) café
(unidades)
27 750
35 500
20 985
42 270
31 530
40.5 450

Usando estos datos, realice las siguientes actividades:


a) Elabore un gráfico de dispersión de los datos para determinar si existe
una relación entre el precio y las ventas.
b) Desarrolle una ecuación que relacione el precio con las ventas de la
presentación de café estudiada utilizando regresión lineal simple.
c) ¿Cuál sería el pronóstico de ventas para la presentación de café
estudiada si el precio por taza fuera de L. 25.00?
d) Si el precio de la presentación de café estudiada fuera de L. 18.00,
¿Cuál sería el pronóstico de ventas?
UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIÓN

9. Una empresa de manufactura ha recolectado los siguientes datos en


cuanto a su producción por horas trabajada:
Horas (X) 80 73 83 84 78 60 82 85 79 67 80 62
Producción 300 280 315 330 300 220 300 340 315 240 310 240
(Y)

a) Elabore un gráfico de dispersión de los datos para determinar si existe


una relación entre las horas trabajadas y la producción.
b) Desarrolle una ecuación que relacione las horas trabajadas y la
producción utilizando regresión lineal simple.
c) ¿Cuál sería el pronóstico de producción si trabajaran 100 horas?
d) ¿Cuál sería la producción pronosticada si se laboran 70 horas?

BIBLIOGRAFIA:
1. Chase, R., Aquilano, N. y Jacobs, (2009). Administración de Operaciones:
Producción y cadena de suministros, México: McGraw Hill.
2. Render, B. y J. Haizer. (2009). Principios de Administración de Operaciones.
(7a ed). México: Editorial Pearson/Prentice Hall.
3. Schroeder, R. (2011). Administración de Operaciones. (8a ed). México:
McGraw-Hill.

You might also like