Tema 6

Administración de Operaciones
Escuela de Negocios
Pronósticos
Semana 6
Pronósticos
SEMANA 3
Logro de aprendizaje Contenidos
• Aplica los métodos intuitivos de • Importancia y enfoques

promedios móviles, de suavización • Pronósticos
exponencial y análisis de tendencia. o Serie de Tiempo
o Regresión
o Correlación
• Monitoreo y control de pronósticos
Observamos y respondemos
¿Por qué se agoto el producto?

Aprendemos
¿Qué es pronosticar?
• Pronosticar es el arte y la ciencia de

predecir los eventos futuros. Puede
implicar el empleo de datos históricos
y su proyección hacia el futuro
mediante algún tipo de modelo
matemático.
• Puede ser una predicción subjetiva o
intuitiva; o puede ser una
combinación.
Aprendemos
Importancia de pronosticar
El pronóstico es la única estimación de la demanda hasta que se conoce la demanda

real. Por lo tanto, los pronósticos de la demanda guían las decisiones en muchas
áreas.
Administración de la
Capacidad Recursos Humanos
cadena de suministro
Aprendemos
Enfoques de pronósticos
Hay dos enfoques generales para pronosticar, de la misma forma que existen dos
maneras de abordar todos los modelos de decisión.
Aprendemos
Modelo de series de tiempo
Promedios móviles
Una serie de tiempo se basa en una secuencia de datos puntuales igualmente espaciados (semanales,
mensuales, trimestrales, entre otros.
Promedio móvil = ∑ Demanda en los n periodos previos

n
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.
Aprendemos
Promedios móvil ponderado

Cuando se presenta una tendencia o un patrón localizable, pueden utilizarse ponderaciones para dar más
énfasis a los valores recientes
Promedio = ∑ (Ponderación para el periodo n)(Demanda en el periodo n)

Móvil ponderado ∑ Ponderaciones
Ponderación Periodo
Aplicada
3 Último mes
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Aprendemos
Suavizamiento exponencial
Técnica de pronóstico de promedios móviles ponderados donde los datos se ponderan mediante una
función exponencial.
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 = .20, el vendedor quiere pronosticar la demanda para marzo
usando el modelo de suavizamiento exponencial.
Nuevo pronostico = Pronostico del periodo anterior

+ α(Demanda real del mes anterior – Pronostico del periodo anterior)
Solución: Nuevo pronostico para la demanda de marzo = 142 +0.0(153-142)=142+2.2 = 144.2

Aprendemos
Medición de los errores de los pronósticos

Aprendemos
Modelo asociativo
Análisis de regresión y correlación

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.
ŷ = valor de la variable dependiente (en nuestro ejemplo, ventas)

Ŷ = a + bx a = intersección con el eje y
b = pendiente de la recta de regresión
x = variable independiente
Los valores de a y b deben ser calculados
Aprendemos
Modelo asociativo

La compañía constructora Nodel renueva casas antiguas en West Bloomfield,
Michigan. Con el tiempo, la compañía ha encontrado que su volumen de
dólares por trabajos de renovación depende de la nómina del área de West
Bloomfield.
Ventas de Nodel (millones de dólares), Nómina local (en miles de millones de

Y dólares), X
2 1
3 3
2.5 4
2 2
2 1
3.5 7
Aprendemos
Modelo asociativo
Ŷ = 1.75 + 0.25X
Ventas = 1.75 + 0.25 (nómina)
Si la cámara de comercio local predice que la nómina para el área de West Bloomfield será de 6,000 millones de
dólares el próximo año, podemos estimar las ventas de Nodel con la ecuación de regresión:
Ventas = 1.75 + 0.25 (6)

= 1.75 + 1.5 = 3.25
= 3.25 (en millones)
Aprendemos
Modelo asociativo
Medición de los errores estándar de la estimación

Para medir la exactitud de las estimaciones de regresión, debemos calcular el error estándar de la
estimación
La interpretación del error estándar de la estimación es similar a la

desviación estándar; a saber, ±1 desviación estándar = .6827.
Entonces existe una posibilidad del 68.27% de estar a ±$306,000

de la estimación puntual de $3,250,000.
Aprendemos
Modelo asociativo
Coeficiente de correlación para rectas de regresión

La ecuación de regresión es una forma de expresar la naturaleza de la relación que hay entre dos
variables.
Otra forma de evaluar la relación entre dos variables consiste

en calcular el coeficiente de correlación.
Aprendemos
Modelo asociativo
Coeficiente de correlación para rectas de regresión
Calculamos el valor de r del ejercicio

Aprendemos
Monitoreo y control de pronósticos
Una vez que se obtiene un pronóstico, no debe olvidarse. Ningún administrador desea que se le recuerde
que su pronóstico fue terriblemente impreciso, pero la empresa necesita saber por qué la demanda real
(cualquiera que sea la variable que se examina) difiere de manera significativa de lo proyectado.
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)
(Señal de control) = RSFE = ∑(Demanda real del periodo i – Demanda pronosticada i)

MAD MAD
Donde: MAD = ∑ │Real – Pronostico│

n
Aprendemos
Monitoreo y control de pronósticos

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.
Aplicamos lo aprendido
Caso 1:
Las ventas del popular Beetle de Volkswagen (VW) han crecido de manera estable durante los últimos 5
años en los establecimientos de Nevada (vea la tabla siguiente). El gerente de ventas pronosticó en 2002
que las ventas de 2003 serían de 410 VW. Use suavizamiento exponencial con una ponderación α = .30
para desarrollar los pronósticos de 2004 a 2008.
Caso 1:
Solución
Año Pronóstico
2003 410.0
2004 422.0 = 410 + .3 (450 − 410)
2005 443.9 = 422 + .3 (495 − 422)
2006 466.1 = 443.9 + .3 (518 − 443.9)
2007 495.2 = 466.1 + .3 (563 − 466.1)
2008 521.8 = 495.2 + .3 (584 − 495.2)
Caso 2:
En el hotel Toronto Towers Plaza tienen los datos del registro de Año Registro de cuartos
cuartos de los últimos nueve años. Para proyectar la ocupación futura, 2011: 17
la administración desea determinar la tendencia matemática del 2012: 16
registro de huéspedes. 2013: 16
Esta estimación ayudará a determinar si es necesaria una ampliación 2014: 21
futura del hotel. Dada la siguiente serie de tiempo, desarrolle una 2015: 20
ecuación de regresión que relacione los registros con el tiempo (por 2016: 20
ejemplo, una ecuación de tendencia). Después pronostique los 2017: 23
registros para el año 2020. El registro de cuartos está en miles de 2018: 25
unidades: 2019: 24
Caso 2:
Solución
Año Registros,
Año transformado, (x ) (en miles) (y) x2 xy
2011 1 17 1 11
2012 2 16 4 32
2013 3 16 9 48
2014 4 21 16 84
2015 5 20 25 100
2016 6 20 36 120
2017 7 23 49 161
2018 8 25 64 200
2019 9 24 81 216
Σx = 45 Σy = 182 Σx2 = 285 Σxy = 978
Caso 2:
Solución
Hallando el valor de b=
= 978 –(9)(5) (20.22) = 978-909. 9 = 68.1= 1.135

285 –(9)(25) 85- 225 60
= 20.22 - (1.135)(5) = 20.22 - 5.675 = 14.545
ŷ (registros) = 14.545 +1.135x
La proyección de registros para el año 2009 (que es x = 11 en el sistema de códigos usado) es:
ŷ (registros) = 14.545 +1.135(11) = 27.03

O 27 030 mil huéspedes en el 2021
Caso 3:
Integrated Products Corporation (IPC) necesita estimar sus ventas del Año Ingresos de ventas (millones
próximo año. La siguiente tabla contiene los ingresos de la línea de de dólares .
computadoras XT de la empresa de los últimos seis años. 1 2,4
2 5,9
Suponiendo que los datos de ventas citados sean representativos de las
3 15,5
ventas que se esperan el año siguiente, utilice un análisis de regresión
4 27,8
de serie tiempo para pronosticar los ingresos por ventas de ese año
5 35,9
(año 7).
6 38,1
Caso 3:
Solución
Calculando las sumatorias
Σ
Caso 3:
Solución
Calculando los valores de a, b y la ecuación:

Caso 3:
Solución
Calculando las sumatorias
Σ
Caso 3:
Solución
Calculando el coeficiente de correlación.

Caso 4:
El hospital Carbondale está considerando comprar una nueva ambulancia. La decisión dependerá, en
parte, del número de millas que deberá recorrerse el próximo año. Las millas recorridas durante los 5
años anteriores son como sigue:
a) Pronostique el número de millas para el próximo año usando un
promedio móvil de 2 años.
b) Encuentre la MAD para el pronóstico con promedio móvil de 2 años
del inciso (a). (Sugerencia: Tendrá sólo 3 años de datos correspondientes).
c) Use un promedio móvil ponderado de 2 años con ponderaciones de .4 y .6 para pronosticar el número de millas
para el próximo año. (El peso de .6 es para el año más reciente). ¿Qué MAD resulta del uso de este método de
pronóstico? (Sugerencia: Tendrá sólo 3 años de datos correspondientes).
d) Calcule el pronóstico para el año 6 usando suavizamiento exponencial, un pronóstico inicial para el año 1 de
3,000 millas, y α = .5.
Gracias

Tema 6

Cargado por

Copyright:

Formatos disponibles

Tema 6

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 6

Cargado por

Copyright:

Formatos disponibles

Administración de Operaciones

Logro de aprendizaje Contenidos

• Aplica los métodos intuitivos de • Importancia y enfoques

¿Por qué se agoto el producto?

• Pronosticar es el arte y la ciencia de

El pronóstico es la única estimación de la demanda hasta que se conoce la demanda

Modelo de series de tiempo

Promedio móvil = ∑ Demanda en los n periodos previos

La tienda de suministros para jardín de Donna quiere

Modelo de series de tiempo

Promedios móvil ponderado

Promedio = ∑ (Ponderación para el periodo n)(Demanda en el periodo n)

Modelo de series de tiempo

Nuevo pronostico = Pronostico del periodo anterior

Solución: Nuevo pronostico para la demanda de marzo = 142 +0.0(153-142)=142+2.2 = 144.2

Modelo de series de tiempo

Medición de los errores de los pronósticos

Análisis de regresión y correlación

ŷ = valor de la variable dependiente (en nuestro ejemplo, ventas)

Análisis de regresión y correlación

Ventas de Nodel (millones de dólares), Nómina local (en miles de millones de

Análisis de regresión y correlación

Ventas = 1.75 + 0.25 (nómina)

Ventas = 1.75 + 0.25 (6)

Medición de los errores estándar de la estimación

La interpretación del error estándar de la estimación es similar a la

Entonces existe una posibilidad del 68.27% de estar a ±$306,000

Coeficiente de correlación para rectas de regresión

Otra forma de evaluar la relación entre dos variables consiste

Coeficiente de correlación para rectas de regresión

Calculamos el valor de r del ejercicio

Monitoreo y control de pronósticos

(Señal de control) = RSFE = ∑(Demanda real del periodo i – Demanda pronosticada i)

Donde: MAD = ∑ │Real – Pronostico│

Monitoreo y control de pronósticos

= 978 –(9)(5) (20.22) = 978-909. 9 = 68.1= 1.135

= 20.22 - (1.135)(5) = 20.22 - 5.675 = 14.545

ŷ (registros) = 14.545 +1.135x

ŷ (registros) = 14.545 +1.135(11) = 27.03

Calculando las sumatorias

Calculando los valores de a, b y la ecuación:

Calculando las sumatorias

Calculando el coeficiente de correlación.

También podría gustarte