UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

ESCUELA DE INGENIERIA INDUSTRIAL

PLANEAMIENTO Y CONTROL DE OPERACIONES I

PCO

PRONOSTICOS ARONI ARTEAGA, SEBASTIÁN

AVILA VENTO, OLGHER
2015024354
2015237741

PRINCIPIO DE ADMINISTRACIÓN DE OPERACIONES GÓMEZ RODRIGUEZ, MARÍA 2015237777

LA ROSA HILARIO, NATHALY 2015024087
LIMA HUAMANCAYO, FIORELA 2015024381
LÓPEZ ESCOBEDO, VANESSA 2015230316
NORIEGA PURIZAGA, PABLO 2015024479

PALACIOS SOLIS, ARNOLD 2015233076

PEREDA MARCELO, KARINA 2015100574

 DISNEY WORLD
• Cuando se trata de las marcas más respetadas en el mundo, Disney Parks &
Resorts es un líder evidente.
• Están relacionados a la gente, cuantas personas visitan dicho reino y como gastan
su dinero ahí. Iger tiene un informe diario del pronostico de asistentes del día
anterior y la asistencia real.
• Entonces en Disney, los pronósticos son una guía clave para el éxito y la ventaja
competitiva de la compañía..

¿QUÉ ES PRONOSTICAR?
• Es el arte y la ciencia de predecir los eventos futuros. Son costosos y consumen
tiempo, pero es una planeación efectiva depende de la demanda para los
productos.
 HORIZONTES DE TIEMPO
• Pronóstico a corto plazo: Este pronóstico tiene una extensión de tiempo de hasta
1 año, pero casi siempre es menor a 3 meses.

• Pronóstico a mediano plazo: Por lo general, un pronóstico a mediano plazo, o a

plazo intermedio, tiene una extensión de entre 3 meses y 3 años.

• Pronóstico a largo plazo: Casi siempre su extensión es de 3 años o más.

 TIPOS DE PRONÓSTICOS
• Los pronósticos económicos abordan el ciclo del negocio al predecir.
• Los pronósticos tecnológicos se refieren a las tasas de progreso
tecnológico.
• Los pronósticos de la demanda son proyecciones de la demanda de
productos o servicios de una compañía.

VIDA DEL PRODUCTO

Introducción Crecimiento Madurez Declinación

 IMPORTANCIA ESTRATEGICA
Administración de la
Recursos Humanos Capacidad
cadena de suministro

• La contratación, la • Cuando la capacidad • Las buenas relaciones

capacitación y el es inadecuada, los con el proveedor y,
despido de los faltantes que resultan por ende, las ventajas
trabajadores dependen pueden significar de precio en
de la demanda entregas poco materiales y partes
anticipada. confiables, pérdida de dependen de
clientes y pérdida de pronósticos adecuados
la participación en el
mercado.
 SIETE PASOS EN EL SISTEMA DE
PRONOSTICO
1. Determinar el uso del pronóstico
2. Seleccionar los aspectos que se deben pronosticar
3. Determinar el horizonte de tiempo del pronóstico
4. Seleccionar los modelos de pronóstico
5. Recopilar los datos necesarios para elaborar el pronóstico
6. Realizar el pronóstico.
7. Validar e implementar los resultados:
 ENFOQUE DE PRONOSTICO

PRONOSTICOS CUANTITATIVOS PRONOSTICOS CUALITATIVOS

1. Enfoque intuitivo 1. Jurado de opinión ejecutiva

2. Promedios móviles 2. Método Delphi
3. Suavizamiento exponencial 3. Composición de la fuerza de ventas
4. Proyección de tendencias 4. Encuesta en el mercado de consumo
5. Regresión lineal
ENFOQUE INTUITIVO
• La forma más simple de pronosticar es suponer que la demanda del
siguiente periodo será igual a la demanda del periodo más reciente.
En otras palabras, si las ventas de un producto—digamos, teléfonos
celulares Nokia— fueron de 68 unidades en enero, podemos
pronosticar que en febrero las venderán la misma cantidad.
 PROMEDIOS MOVILES
El pronóstico de promedios móviles usa un número de valores de datos históricos reales para
generar un pronóstico.

Usa un numero de valores de datos históricos reales para generar un pronostico. Estos
promedios serán útiles si suponemos que la demanda del mercado permanecerá estable en el
tiempo.

Matemáticamente el promedio simple se expresa de esta forma, donde n es el numero de

periodos incluidos en el promedio móvil, por ejemplo 4,5 o 6 meses respectivamente, para un
promedio móvil de 4,5 o 6 periodos.
Determinación del promedio móvil

La tienda de suministros para jardín de Donna quiere hacer un pronóstico con el

promedio móvil de 3 meses, incluyendo un pronóstico para las ventas de cobertizos el
próximo enero.

Método: Las ventas de cobertizos para almacenamiento se muestran en la columna

media de la tabla que se encuentra en la parte superior de la próxima página. A la
derecha se presenta un promedio móvil de 3 meses.
Cuando se presenta una tendencia o patrón localizable, pueden usarse ponderaciones
para dar énfasis a valores recientes. Hacer esto permite que las técnicas de pronostico
respondan mas rápido a los cambios, puesto que otorga mayor peso a los periodos
mas recientes.
 Tanto los promedios móviles simples como los ponderados son efectivos para
suavizar las fluctuaciones repentinas en el patrón de la demanda con el fin de obtener
estimaciones estables. Sin embargo, los promedios móviles presentan tres problemas:

1. Aumentar el tamaño de n (el número de periodos promediados) suaviza de mejor

manera las fluctuaciones, pero resta sensibilidad al método ante cambios reales en
los datos.

2. Los promedios móviles no reflejan muy bien las tendencias. Porque son promedios,
siempre se quedarán en niveles pasados, no predicen los cambios hacia niveles más
altos ni más bajos. Es decir, retrasan los valores reales.

3. Los promedios móviles requieren amplios registros de datos históricos.

 Ejemplo N° 4:

Durante los últimos 8 trimestres,en el puerto de Baltimore se han descargado de los

barcos grandes cantidades de grano. El administrador de operaciones del puerto quiere
probar el uso de suavizamiento exponencial para ver qué tan bien funciona la técnica
para predecir el tonelaje descargado. Supone que el pronóstico de grano descargado
durante el primer trimestre fue de 175 toneladas. Se examinan dos valores de α= .10 y
α=.50
 Tonelaje Desviacion Pronóstic Desviacion Desviacion
Pronóstico Pronóstico
Trimestre Real abs. para o para abs. para abs. para
descargado
para α=.10 para α=.20
α=.10 α=.50 α=.50 α=.20
1 180 175 5 175 5 175 5
2 168 175.5 7.5 177.5 9.5 176 8
3 159 174.75 15.75 172.75 13.75 174.4 15.4
4 175 173.18 1.82 165.88 9.13 171.32 4
5 190 173.36 16.64 170.44 19.56 172.06 17.9
6 205 175.02 29.98 180.22 24.78 175.64 29.36
7 180 178.02 1.98 192.61 12.61 181.52 1.52
8 182 178.22 3.78 186.30 4.30 181.21 0.79
9 178.60 184.15 181.37
Suma de desviaciones absolutas 82.5 98.6 81.68

MAD = 10.31 12.33 10.21

Con base en esta comparación de las dos MAD, se prefiere una constante de suavizamiento = .10 en
lugar de una = .50 porque su MAD es más pequeña.

Si la constante de suavizamiento se cambia de = .10 a = .20,¿cuál es la nueva MAD?

Respuesta: 10.21.
 Error cuadrático medio (MSE)

Es una segunda forma de medir el error global de pronóstico. El MSE es el promedio de los
cuadrados de las diferencias encontradas entre los valores pronosticados y los observados. Su
fórmula es:

Una desventaja de emplear el MSE es que tiende a acentuar las desviaciones importantes debido al
término al cuadrado

Error porcentual absoluto medio Éste se calcula como el promedio de las diferencias absolutas
encontradas entre los valores pronosticados y los reales,
y se expresa como un porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos y
los valores reales corresponden a esa misma
cantidad de periodos, el MAPE se calcula como:
 El administrador de operaciones del puerto de Baltimore quiere calcular ahora el MSE para α= .10.
Se usan los mismos datos pronosticados para α = .10 en el ejemplo 4, después se calcula el MSE
usando la ecuación (4-6).
Tonelaje
Pronóstico Pronóstico
Trimestre Real
descargado
para α=.10 para α=.50

1 180 175 25 175 25

2 168 175.5 56.25 177.5 90.25
3 159 174.75 248.06 172.75 189.06
4 175 173.18 3.31 165.88 83.36
5 190 173.36 276.89 170.44 382.59
6 205 175.02 898.80 180.22 614.05
7 180 178.02 3.92 192.61 159.01
8 182 178.22 14.29 186.30 18.49
Suma de errores al cuadrado 1526.5 1561.81

MSE = = 190.8 195.23

¿Este MSE = 190.8 es bueno o malo? Todo depende de los MSE calculados para otros métodos de
pronóstico. Un MSE más bajo es mejor porque es un valor que queremos minimizar. El MSE exagera
los errores porque los eleva al cuadrado.
Encuentre el MSE para α= .50. [Respuesta:MSE = 195.24. El resultado indica que α = .10 es una mejor
elección porque se busca el MSE más bajo. Por coincidencia, esto confirma la conclusión a que se llegó
empleando la MAD en el ejemplo 4].
 SUAVIZAMIENTO EXPONENCIAL CON AJUSTE DE TENDENCIA
Para mejorar nuestro pronóstico, ilustraremos un modelo de suavizamiento exponencial más complejo,
uno que hace ajustes de tendencia. La idea es calcular un promedio suavizado exponencialmente de los
datos y después ajustar el retraso positivo o negativo encontrado en la tendencia. La nueva fórmula es:

Con el suavizamiento exponencial ajustado por la tendencia, las estimaciones del promedio y de la
tendencia se suavizan. Este procedimiento requiere dos constantes de suavizamiento: para el promedio
y para la tendencia. Después calculamos el promedio y la tendencia para cada periodo:
 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 estacionalidad puede aplicarse en
forma horaria, diaria, semanal, mensual, o en otros patrones recurrentes.
 Modelo Estacional Multiplicativo: Técnica que identifica las
variaciones estacionales

• La técnica que identifica las variaciones estacionales de las ventas en un año

de referencia determinado, lo hace mediante el índice estacional cuyo cálculo
se efectúa del modo siguiente:
• 1- se determina el promedio de las ventas en cada uno de los meses a partir de
los años en los que se dispone datos, en el presente caso se tiene tres años
(cuadro)
• 2- se calcula el promedio total anual a partir de los promedios mensuales. Este
será el 100%
• 3- se calcula el índice estacional dividiendo cada promedio mensual entre el
promedio total. La cantidad que resulta, o índice estacional, al multiplicarla
por 100, representa el porcentaje de ventas de cada mes, respecto a las ventas
totales promedio en el año. El promedio de ventas de cada mes es una
cantidad representativa de dicho mes
 Ejemplo:
Promedio de ventas mensuales (millones de unidades monetarias)

VENTAS ESTIMADAS = INDICE ESTACIONAL x VENTAS PROMEDIO

Mes Ventas año 1 Ventas año 2 Ventas año 3 Promedio Indice Estacional Demanda Esperada
Enero 40 52 61 51.00 184.34% 94.01
Febrero 31 42 53 42.00 151.81% 63.76
Marzo 28 35 47 36.67 132.53% 48.59
Abril 35 43 55 44.33 160.24% 71.04
Mayo 7 13 25 15.00 54.22% 8.13
Junio 3 11 20 11.33 40.96% 4.64
Julio 1 9 19 9.67 34.94% 3.38
Agosto 2 11 17 10.00 36.14% 3.61
Setiembre 3 13 18 11.33 40.96% 4.64
Octubre 6 14 25 15.00 54.22% 8.13
Noviembre 12 23 31 22.00 79.52% 17.49
Diciembre 52 65 74 63.67 230.12% 146.51
Ventas Promedio 27.67

Ventas reales Resultado de multiplicar el promedio

Valor promedio de cada mes de cada mes (o tipo de tendencia) por
dividido entre el valor el índice de estacionalidad
promedio total
 Modelo Estacional Multiplicativo: técnica combinada de
estacionalidad y tendencia.

• El análisis tendencial permite conocer:

• Si el negocio ha crecido y cuanto ha crecido en los últimos años.
• Las posibilidades futuras y realizar la planeación de la producción para el largo
plazo (tiempo mayor a un año)
 FÓRMULA PARA EL CÁLCULO DE LOS VALORES DE LAS VENTAS Año Mes Ventas
Ejemplo: TENDENCIALES 1 Ene 40
1 Feb 31
Y” = a + bX
1 Mar 28
n (Suma de XY) – (suma de X) (suma de Y) 1 Abr 35
b = ----------------------------------------------------------------------------------- 1 May 7
n (suma de X cuadrado) – (suma de X) al cuadrado 1 Jun 3
a = Promedio de Y – b promedio de X 1 Jul 1
1 Ago 2
1 Set 3
1 Oct 6
1 Nov 12
1 Dic 52
2 Ene 52
2 Feb 42
2 Mar 35
2 Abr 43
2 May 13
2 Jun 11
2 Jul 9
2 Ago 11
2 Set 13
2 Oct 14
2 Nov 23
4 Ene 37.85 2 Dic 65
4 Feb 38.40 3 Ene 61
4 Mar 38.95 3 Feb 53
4 Abr 39.50 3 Mar 47
Estimación 4 May 40.05 3 Abr 55
3 May 25
tendencial para el 4 Jun 40.61
3 Jun 20
4 Jul 41.16
cuarto año 4 Ago 41.71 3 Jul 19
4 Set 42.26 3 Ago 17
3 Set 18
4 Oct 42.81
3 Oct 25
4 Nov 43.36
3 Nov 31
4 Dic 43.91
3 Dic 74
Ejemplo:

Demanda Esperada = Índice Estacional x Demanda Tendencial

Mes Indice Estacional Demanda Tendencial Demanda Esperada

Enero 184.34% 37.85 69.776
Febrero 151.81% 38.40 58.298
Marzo 132.53% 38.95 51.625
Abril 160.24% 39.50 63.302
Mayo 54.22% 40.05 21.716
Junio 40.96% 40.61 16.633
Julio 34.94% 41.16 14.380
Agosto 36.14% 41.71 15.075
Setiembre 40.96% 42.26 17.310
Octubre 54.22% 42.81 23.209
Noviembre 79.52% 43.36 34.478
Diciembre 230.12% 43.91 101.043
Suavizamiento exponencial
El suavizamiento exponencial es un sofisticado método de pronóstico de promedios móviles ponderado que
sigue siendo bastante fácil de usar. Implica mantener muy pocos registros de datos históricos. La fórmula
básica para el suavizamiento exponencial se expresa como sigue:
En enero, un vendedor de automóviles predijo que la demanda para febrero sería de 142 Ford Mustang.
La demanda real en febrero fue de 153 automóviles. Usando la constante de suavizamiento que eligió la
administración de α = 0.20, el vendedor quiere pronosticar la demanda para marzo usando el modelo de
suavizamiento exponencial.

Método: Se puede aplicar el modelo de suavizamiento exponencial de las ecuaciones 4-3 y 4-4.
Solución: Al sustituir en la fórmula los datos de la muestra, se obtiene:

Nuevo pronóstico (para la demanda de marzo) = 142+ (0.2)(153-142)= 144.2

Medición del error de pronóstico
La exactitud general de cualquier modelo de pronóstico promedios móviles, suavizamiento
exponencial u otro puede determinarse al comparar los valores pronosticados con los valores reales u
observados. Si Ft denota el pronóstico en el periodo t, y At denota la demanda real del periodo t, el
error de pronóstico (o desviación) se define como:

Desviación absoluta media

La primera medición del error global de pronóstico para un modelo es la desviación absoluta media
(MAD). Su valor se calcula sumando los valores absolutos de los errores individuales del pronóstico y
dividiendo el resultado entre el número de periodos con datos (n):
 COEFICIENTES DE CORRELACIÓN PARA RECTAS
DE REGRESIÓN
Las rectas de regresión describen relaciones entre las variables, muestra la forma en que una variable
se relaciona con el valor y los cambios de otra variable.
El coeficiente de correlación es la medida de la fuerza de la relación que hay entre dos variables;
expresa el grado o la fuerza de la relación lineal.

𝛴𝑥𝑦 − 𝛴𝑥𝛴𝑦 Usualmente identificado como r,

= el coeficiente de correlación
ൣ 𝛴𝑥 − 𝛴𝑥 ][ 𝛴𝑦 − 𝛴𝑦 ቉ puede ser cualquier número entre
+1 y –1.

Coeficiente de determinación es el porcentaje de variación presente en la variable dependiente (y)

explicado por la ecuación de regresión.
 Ejemplo 14: En el ejemplo 12, observamos la relación que hay entre las ventas de
renovación de casas de la compañía constructora Nodel y la nómina pagada en el área de West Bloomfield.
El vicepresidente ahora quiere conocer la fuerza de la asociación entre la nómina local y las ventas.

Conclusión:
Que la r sea igual a
0.901 indica que hay una
correlación significativa
y ayuda a confirmar la
relación estrecha que
existe entre las dos
variables.
ANÁLISIS DE REGRESIÓN MÚLTIPLE
Es el método de pronóstico asociativo con más de una variable independiente.

𝑦ො = + 𝑏1 𝑥1 + 𝑏 𝑥

Donde:
𝑦ො = variable dependiente (ventas).
a = constante, la intersección.
x1 y x2 = valores de las dos variables independientes, nómina del área y tasas de interés,
respectivamente.
b1 y b2 = coeficientes de las dos variables independientes.
 Ejemplo 15: La constructora Nodel quiere ver el impacto de una segunda variable
independiente, tasas de interés, sobre sus ventas.

CONCLUSIÓN:
Al usar ambas variables,
nómina y tasas de interés,
Nodel tiene ahora un
pronóstico de ventas de
3 millones de dólares y
un coeficiente de
correlación más alto.
Esto sugiere una relación
más fuerte entre las dos
variables y una
estimación más precisa
de las ventas.
MONITOREO Y CONTROL DE PRONÓSTICOS
Una señal de control es una medida de qué tan bien predicen los pronósticos los valores reales. Conforme
los pronósticos se actualizan semanal, mensual o trimestralmente, los nuevos datos disponibles de la demanda
se comparan con los valores pronosticados.

La señal de control se calcula como la RSFE (running sum of the forecast errors; suma continua de errores
del pronóstico) dividida entre la MAD (mean absolute deviation; desviación absoluta media):

𝑅𝑆𝐹𝐸 𝛴 𝑚 𝑙 𝑙 − 𝑚 𝑙
𝑆 ñ 𝑙 𝑙 = =
𝑀𝐴 𝑀𝐴

Las señales de control positivas indican que la demanda es mayor que

el pronóstico.
𝛴|𝑅 𝑙−𝑃 |
𝑀𝐴 =
Las señales de control negativas indican que la demanda es menor que
el pronóstico.
Una buena señal de control; es decir, una con RSFE baja, tiene casi
tanto error positivo como error negativo.
 El sesgo es el pronóstico que está consistentemente arriba o consistentemente abajo de los valores reales
de una serie de tiempo.
Cuando una señal de control excede el límite inferior o superior, existe un problema con el método de
pronósticos y la administración querrá reevaluar la forma en que pronostica la demanda.
Una MAD equivale aproximadamente a 0.8 desviaciones estándar
±2 MAD = ±1.6 desviaciones estándar…
Lo cual sugiere que para que un pronóstico esté “bajo control”, se espera que el 89% de los errores
caiga dentro de ±2 MAD, el 98% dentro de ±3 MAD, o el 99.9% dentro de ±4 MAD.
Ejemplo 16: Carlson Bakery quiere evaluar el desempeño de su pronóstico de ventas de bollos.

Conclusión: Como la
señal de control oscila
de –2 MAD a +2.5
MAD (entre 1.6 y 2.0
desviaciones
estándar), podemos
concluir que está
dentro de los límites
aceptables.
 SUAVIZAMIENTO ADAPTABLE
Enfoque del pronóstico de suavizamiento exponencial en el cual la constante de
suavizamiento se modifica automáticamente para mantener los errores a un nivel mínimo.

PRONÓSTICO ENFOCADO
Es el pronóstico que prueba una variedad de modelos computarizados y selecciona el
mejor para una aplicación en particular. El pronóstico enfocado se basa en dos principios:
1. Los modelos de pronóstico sofisticados no siempre son mejores que los
sencillos.
2. No existe una técnica única que deba emplearse para todos los productos o
servicios
Problema N° 4.36

Los contadores de la empresa Michael Vest creen que algunos ejecutivos estaban incluyendo en sus
cuentas facturas de gastos inusualmente altas cuando regresaban de sus viajes de negocios. Primero
tomaron una muestra de 200 facturas entregadas durante el año pasado. Después desarrollaron la siguiente
ecuación de regresión múltiple para relacionar el costo esperado del viaje con el número de días de viaje
(x1) y la distancia recorrida (x2) en millas:

𝑦ො = $90.00 + $ 48.50 ∗ 𝑥1 + $0.40*2

El coeficiente de correlación calculado fue de 0.68

a) Si Wanda Fennell regresa de un viaje de 300 millas por el que estuvo 5 días fuera de la ciudad, ¿Cuál es
la cantidad esperada que debe solicitar por los gastos?
b) Fennell intridujo una solicitud de reembolso por 685 dólares, ¿qué debe hacer el contador?
c) ¿Deberían incluirse otras variables?¿Cuáles?¿Por qué?
Problema N° 4.37
Las ventas de las pasadas 10 semanas registradas en la tienda de música Johnny Ho en Columbus, Ohio,
se muestran en la tabla siguiente. Pronostique la demanda para cada semana, incluyendo la semana 10,
usando suavizamiento exponencial con
α = 0.5 (pronóstico inicial = 20):

a) Calcule el MAD
b) Calcule la señal de control
 Acumulado de
Demanda Demanda Error absoluto del
Semana Nuevo pronóstico Error RSFE errores absolutos MAD SEÑAL DE CONTROL
REAL pronosticada pronóstico
del pronóstico

20 0 0 0
1 20 20 0 0 0
20.5 0.5 0.5 2
2 21 20 0.5 0.5 0.25
24 4 4 3
3 28 20 4.5 4.5 1.5
28.5 8.5 8.5 4
4 37 20 13 13 3.25
22.5 2.5 2.5 5
5 25 20 15.5 15.5 3.1
24.5 4.5 4.5 6
6 29 20 20 20 3.3
28 8 8 7
7 36 20 28 28 4
21 1 1 8
8 22 20 29 29 3.6
22.5 2.5 2.5 9
9 25 20 31.5 31.5 3.5
24 4 4 10
10 28 20 35.5 35.5 3.55
Problema N° 4.38

El gobierno de la ciudad ha recopilado los siguientes datos de la recaudación anual de impuestos sobre ventas
y registros de automóviles nuevos:

Impuestos anuales recaudados por 1.0 1.4 1.9 2.0 1.8 2.1 2.3
ventas (en mill)

Registros de nuevos automóviles (en 10 12 15 16 14 17 20

miles)

Determine lo siguiente:
a) La ecuación de regresión de mínimos cuadrados.
b) A partir de los resultados del inciso (a), encuentre la recaudación estimada de impuestos por ventas si los
registros de automóviles nuevos acienden a 22 000.
c) Los coeficientes de correlación y determinación.
 Impuestos anuales
Registros de nuevos
recaudados por ventas (en 𝑥 xy 𝑦
automóviles (en miles), x
mill), y

1.0 10 100 10 1

1.4 12 144 16.8 1.96

1.9 15 225 28.5 3.61

2.0 16 256 32 4

1.8 14 196 25.2 3.24

2.1 17 289 35.7 4.41

2.3 20 400 46 5.29

SUMA = 12.5 104.0 1610.0 194.2 23.5

Problema N° 4.39

La doctora Susan Sweeney, psicóloga radicada en Providence, se especializa en el tratamiento de pacientes con
agorafobia (es decir, miedo a salir de casa). La tabla siguiente indica cuántos pacientes ha atendido anualmente
durante los últimos 10 años. Asimismo señala el índice de robos registrados en Providence para el mismo año.
Año 1 2 3 4 5 6 7 8 9 10

Número de pacientes 36 33 40 41 40 55 60 54 58 61

Índice de robos por cada 1000

58.3 61.1 73.4 75.7 81.1 89.0 101.1 94.8 103.3 116.2
habitantes

Usuando el análisis de tendencia, pronostique el número de pacientes que la doctora

Sweener atenderá en los años 11 y 12. ¿Qué tan bien se ajusta el modelo a los datos?
 Índice de robos por
Número de
Año (x) cada 1000 𝑥 𝑥𝑦
pacientes (y)
habitantes

1 36 58.3 1 36
2 33 61.1 4 66
3 40 73.4 9 120
4 41 75.7 16 164
5 40 81.1 25 200
6 55 89.0 36 330
7 60 101.1 49 420
8 54 94.8 64 432
9 58 103.3 81 522
10 61 116.2 100 610
55 478 854 385 2900 = SUMA
Problema N° 4.40
Con los datos del problema 4.39, aplique regresión lineal para estudiar la relación que hay entre el índice de robos y la carga
de pacientes de la doctora Sweeney. Si el índice de robos se incrementa a 131.2 en el año 11, ¿cuántos pacientes con fobia
atenderá la doctora Sweeney? Si el índice de robos cae a 90.6, ¿cuál es la proyección de pacientes?

Índice de robos
Número de
Año por cada 1000 𝑥 𝑥𝑦
pacientes (y)
habitantes (x)

1 36 58.3 1296 2098.8

2 33 61.1 1089 2016.3
3 40 73.4 1600 2936
4 41 75.7 1681 3103.7
5 40 81.1 1600 3244
6 55 89.0 3025 4895
7 60 101.1 3600 6066
8 54 94.8 2916 5119.2
9 58 103.3 3364 5991.4
10 61 116.2 3721 7088.2
11 170 131.2 28900 22304
66 648 985.2 52792 64863 SUMA
PRONÓSTICOS EN LOS CENTROS DE SERVICIO A CLIENTES
DE FEDEX
• La compañía más grande de envíos de paquetería, FedEx, genera 30 mil millones de dólares en ingresos, empleando 650 aviones,
42,000 camiones y una fuerza de trabajo de 145,000 personas en 210 países. Para apoyar a esta red global, la compañía tiene 51
centros telefónicos de servicio al cliente cuya meta de servicio es contestar el 90% de todas las llamadas en 20 segundos o
menos. Con medio millón de llamadas sólo en Estados Unidos, FedEx utiliza ampliamente modelos de pronóstico para tomar
decisiones relativas al personal y para asegurar que los niveles de satisfacción del cliente se conserven en el lugar más alto de la
industria.
• El departamento de pronósticos y modelado de FedEx realiza varios pronósticos diferentes. Los modelos a un año y cinco años
predicen el número de llamadas, el tiempo promedio de atención, y las necesidades de personal. Dividen los pronósticos en días
entre semana, sábado y domingo, y después usan el método Delphi y análisis de series de tiempo.
• Los pronósticos tácticos de FedEx son mensuales y se utilizan datos diarios históricos de los últimos 8 años.
• Este modelo de series de tiempo aborda el mes, el día de la semana y el día del mes para predecir el volumen de clientes.
Finalmente, el pronóstico operativo utiliza un promedio móvil ponderado y 6 semanas de datos para proyectar el número de
llamadas cada media hora.
• Los pronósticos de FedEx son consistentemente precisos dentro del 1% al 2% de los volúmenes reales de llamadas. Esto significa
que se satisfacen las necesidades de cobertura, se mantienen los niveles de servicio, y se controlan los costos.
Fuente: Baseline (enero de 2005): 54; y Journal of Business Forecasting (invierno de 1999-2000): 7-11.
 RESUMEN:
Los pronósticos son una parte crítica de la función del administrador de operaciones. Los
pronósticos de la demanda dirigen los sistemas de producción, la capacidad y la programación
de la empresa, y afectan las funciones de planeación financiera, marketing y personal.
Existe una variedad de técnicas de pronósticos cualitativos y cuantitativos. Los enfoques
cualitativos emplean el juicio, la experiencia, la intuición y otros factores intangibles difíciles de
cuantificar. Los pronósticos cuantitativos emplean datos históricos y relaciones causales o
asociativas para proyectar las demandas futuras.

Ningún método de pronósticos es perfecto para todas las condiciones. A

pesar de que la administración haya encontrado un enfoque
satisfactorio, el monitoreo y el control de los pronósticos deben ser
continuos para asegurar que los errores no sean demasiado grandes. A
menudo, los pronósticos pueden representar un desafío para la
administración; sin embargo, también pueden ser muy gratificantes.
RESUMEN DE FÓRMULAS PARA PRONÓSTICOS:
Promedios Móviles: Pronóstico basado en un promedio de valores recientes
𝑚 𝑙
𝑃 𝑚 𝑚 𝑙=

Promedios Móviles Ponderados: Un promedio móvil con ponderaciones que varían:

𝑃 𝑙 𝑚 𝑙
𝑃 𝑚 𝑚 𝑙 =
𝑃
Suavizamiento Exponencial: Promedio móvil con ponderaciones que siguen una distribución exponencial:
𝑁𝑢
=𝑃 𝑙 + 𝛼 𝑚 𝑙 𝑙𝑚
−𝑃 𝑙
𝐹𝑡 = 𝐹𝑡−1 + 𝛼 𝐴𝑡−1 − 𝐹𝑡−1
Desviación Absoluta Media: Medición del error global del pronóstico:
𝑅 𝑙−𝑃 𝐸 𝑃
𝑀𝐴 = =

Error Cuadrático Medio: Una segunda medición del error de pronóstico:

𝐸
𝑀𝑆𝐸 =

Error Porcentual Absoluto Medio: Tercera medición del error de pronóstico:

𝑛
𝑖=1 100 𝑅 𝑙𝑖 − 𝑃 𝑖 /𝑅 𝑙
𝑀𝐴𝑃𝐸 =

Suavizamiento Exponencial Con Ajuste De Tendencia: Modelo de suavizamiento exponencial que puede
tomar en cuenta la tendencia:
𝑃 𝑙𝑢𝑦 𝑙 𝐹𝐼𝑇𝑡
=𝑃 𝑢 𝑧 𝑥 𝑙𝑚 𝐹𝑡 + 𝑢 𝑧 𝑥 𝑙𝑚 𝑇𝑡
𝐹𝑡 = 𝛼 𝐴𝑡−1 + 1 − 𝛼 𝐹𝑡−1 + 𝑇𝑡−1
𝑇𝑡 = 𝛽 𝐹𝑡 − 𝐹𝑡−1 + 1 − 𝛽 𝑇𝑡−1
Proyección de la Tendencia y Análisis de regresión: Ajuste de una recta de tendencia a los datos históricos
o de una recta de regresión a una variable independiente:
𝑦´ = + 𝑏𝑥
𝑥𝑦 − 𝑥𝑦
𝑥 − 𝑥
= 𝑦ത − 𝑏𝑥ҧ
Análisis de regresión Múltiple: Modelo de regresión con más de una variable independiente (de predicción)
𝑦´ = + 𝑏1 𝑥1 + 𝑏 𝑥 + ⋯ + 𝑏𝑛 𝑥𝑛
Señal de Control: Medida de qué tan bien predicen el pronóstico los valores reales:
𝑅𝑆𝐹𝐸 𝑚 𝑙 𝑙 𝑖 − 𝑚 𝑙 𝑖
𝑆 ñ 𝑙 𝐶 𝑙= =
𝑀𝐴 𝑀𝐴