Modulo 5 Admon de La Produccion

UNIVERSIDAD TECNOLOGICA DE HONDURAS
ADMINISTRACION DE LA PRODUCCIN I
MODULO V

Modulo # 5: Pronsticos (Cont.)
I. Datos Generales
Nombre de la Asignatura: Administracin de Operaciones I Cdigo: APE-0909 .
Unidades valorativas: 4 Duracin del Mdulo: 10 das .

Objetivos Especficos:
1. Utilizar el clculo del error del pronstico para determinar el modelo de
pronstico ms adecuado
2. Desarrollar los clculos de pronsticos utilizando el modelo de proyeccin de
tendencias
3. Aplica la variacin estacional para el ajuste de la demanda.
4. Emplear el anlisis de regresin lineal para el clculo de pronsticos.

Competencias a alcanzar:
1. Selecciona el mtodo de pronstico ms adecuado para predecir la
demanda mediante el uso de los mtodos de clculo de error de pronstico.
2. Obtiene el pronstico de la demanda utilizando el modelo de proyeccin de
tendencias.
3. Emplea los ndices de variacin estacional para ajustar la demanda.
4. Utiliza el anlisis de regresin lineal para el clculo de los pronsticos.

Descripcin Breve del Foro:
1. Participacin 1: Explique cul modelo de anlisis de error de pronsticos
considera el ms adecuado.
2. Participacin 2: Explique cuando es aplicable el modelo de pronstico por
proyeccin de tendencias.
3. Participacin 3: Explique cuando es conveniente utilizar un modelo de
pronstico mediante anlisis de regresin lineal.

MODULO V

Descripcin Breve de Actividades:
Fecha de entrega 2 de Marzo a las 12:00 p.m.
1. Realizar ejercicios sobre el error de los pronsticos.
2. Desarrollo de ejercicios de pronsticos mediante proyeccin de tendencias.
3. Efectuar clculos de pronsticos mediante anlisis de regresin lineal.

Descripcin Breve de Tareas:
1. Desarrollar los ejercicios que aparecen al final de este documento.
2. Elaborar un mapa mental que relacione los temas del mdulo IV y el
mdulo V.
3. Hacer un resumen del caso de Harvard sobre Scharffen Berger Chocolate
Maker.

Descripcin Breve de Casos Harvard:
a) Hacer un resumen del caso de Harvard sobre Scharffen Berger Chocolate
Maker, con una portada, dos hojas de resumen, una pgina de anlisis del
caso y conclusiones. La configuracin de Word para la redaccin del
documento debe tener: mrgenes normales, espacio entre lneas 1.0, letra
(fuente) Arial 12. Valor 2%
b) En el presente parcial se discutir el caso de Harvard sobre Scharffen Berger
Chocolate Maker en el chat. (ver fecha en el silabo de la clase). Valor 3%.

MODULO V

II. Contenido

Introduccin
En el mdulo anterior discutimos algunos conceptos sobre los pronsticos, los tipos
de pronsticos y algunos modelos de pronsticos cualitativos y cuantitativos. En este
mdulo desarrollaremos el tema de error en los pronsticos para determinar qu
modelo de pronstico es el ms adecuado para hacer una prediccin de la demanda.
Adems, conoceremos otros modelos de pronsticos cuantitativos, como ser: el
modelo de proyeccin de tendencia, el modelo de variacin estacional, as como el
anlisis de regresin lineal.

ERROR EN LOS PRONSTICOS
Sabemos que los pronsticos no son totalmente exactos. Ningn modelo de
pronsticos es preciso. Para seleccionar el modelo de pronstico ms adecuado para
predecir la demanda, debemos determinar el error de los modelos de pronstico que
queremos utilizar, en relacin a los valores reales de demanda. El modelo de
pronstico con el menor margen de error ser el ms adecuado para predecir la
demanda.

Existen varios mtodos para hacer este anlisis. Entre ellos tenemos:
1. Desviacin absoluta media (MAD, por sus siglas en ingls)
2. Error cuadrtico medio (MSC, por sus siglas en ingls)
3. Error porcentual absoluto medio (MAPE, por sus siglas en ingls)

Para los objetivos de este mdulo solo se analizar el mtodo de Desviacin Absoluta
Media.

MODULO V

Desviacin Absoluta Media
La desviacin absoluta media (MAD), es el error promedio en los pronsticos,
mediante el uso de valores absolutos. Es valiosa porque, al igual que la desviacin
estndar, mide la dispersin de un valor observado en relacin 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 nmero de puntos de datos o, en forma de ecuacin:

=
| |

Ejemplo 1:
En la tabla siguiente se muestran los precios en los ltimos meses de un chip
electrnico utilizado en ciertos tipos de computadoras. Tambin se muestra el
pronstico del precio utilizando promedio mvil simple y suavizamiento
exponencial con = 0.3. Determine cul de los dos modelos de pronstico es
el ms adecuado para predecir el precio del chip utilizando calculando la
desviacin absoluta media para cada pronstico.

Mes
Precio
por chip
($)
Promedio
Mvil simple
Suavizamiento
exponencial
(=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

MODULO V

Solucin:
Para determinar la desviacin absoluta media primero debemos calcular el error
de cada uno de los pronsticos calculados.

Para el promedio mvil tenemos el pronstico del mes de abril, el error para ese
mes sera:
= |1.85 1.72| = 0.13

Observe que el clculo 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 pronstico de promedio mvil simple en mes de abril es de 0.13. Los
clculos del error para los dems meses se muestran en la tabla de la siguiente
pgina.

Para el pronstico con suavizamiento exponencial tomaremos el pronstico del
mes de enero, para el cual el error en el pronstico sera:

= |1.80 1.80| = 0.13

El error para el pronstico de suavizamiento exponencial con = 0.3 en mes
de enero es de 0. Hay que notar que si nos basramos solo en este dato para
determinar la exactitud del pronstico podramos equivocarnos, ya que en los
meses siguientes se puede observar que hay margen de error. Los clculos del
error para los dems meses se muestran en la tabla de la siguiente pgina.

MODULO V

Mes
Precio
por chip
($)
Promedio
Mvil
simple
Error porcentual
absoluto
S.E.
(=0.3)
Error porcentual
absoluto
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-
ciones:
0.44
Desvia-
ciones:
0.53

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

=

=
0.44
5
= 0.088
Se ha dividido la sumatoria los errores absolutos entre 5 debido a que solo
tenemos 5 datos de pronstico de promedio mvil ponderado.

MODULO V

Algunas observaciones:
Para determinar el modelo de pronstico ms adecuado es necesario contar
con datos muy precisos de la demanda.
Se deben utilizar varios modelos de pronsticos considerando varias
condiciones, para obtener el modelo ms 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.

Para el pronstico con suavizamiento exponencial con = 0.3 el MAD sera:
=
0.53
8
= 0.066
Se ha dividido la sumatoria de errores absolutos entre 8, ya que tenemos 8
datos de pronstico para suavizamiento exponencial con = 0.3.

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

MODULO V

PROYECCIONES DE TENDENCIA
Esta tcnica ajusta una recta de tendencia a una serie de datos puntuales histricos,
y despus proyecta dicha recta al futuro para obtener pronsticos de mediano y
largo plazos. Se pueden desarrollar varias ecuaciones matemticas (por ejemplo,
exponencial y cuadrtica), pero en esta seccin veremos slo tendencias lineales (en
lnea recta).

Si decidimos desarrollar una recta de tendencia lineal mediante un mtodo
estadstico preciso, podemos aplicar el mtodo de mnimos cuadrados. Este enfoque
resulta en una lnea 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 mtodo de mnimos cuadrados. Una recta de mnimos
cuadrados se describe en trminos de su interseccin con el eje y (la altura a la cual
cruza al eje y) y su pendiente (el ngulo de la recta). Si podemos calcular la
interseccin con el eje y y la pendiente, podremos expresar la recta con la siguiente
ecuacin:
= +

MODULO V

Figura 1: Mtodo de mnimos 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:
(que se lee y gorro) = valor calculado de la variable que debe predecirse
(llamada variable dependiente)
a = interseccin con el eje y
b = pendiente de la recta de regresin (o la tasa de cambio
en y para los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)

Los estadsticos han desarrollado ecuaciones que se utilizan para encontrar los
valores de a y b para cualquier recta de regresin. La pendiente b se encuentra
mediante:

=

2

2

MODULO V

donde
b = pendiente de la recta de regresin
= signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
= promedio de los valores de x
= promedio de los valores de y
n = nmero de puntos de datos u observaciones
La interseccin con el eje y, a, puede calcularse como sigue:
=

Ejemplo 2:
En la tabla siguiente se muestra la demanda de energa elctrica 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.
Ao
Demanda de
energa
elctrica Ao
Demanda de
energa
elctrica
2001 74 2005 105
2002 79 2006 142
2003 80 2007 122
2004 90

Solucin:
Para realizar el clculo del pronstico numeramos cada ao, asignando como
nmero 1 al ao ms lejano, en este caso 2001, nmero dos al siguiente y as
sucesivamente. La tabla nos quedara de la siguiente manera:

MODULO V

Ao
Periodo
(x)
Demanda
de energa
elctrica
(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
x = 28 y = 692 x
2
= 140 xy = 3057

La variable independiente (x) ser la numeracin asignada a los periodos, la
variable dependiente (y) ser la demanda.

Sumamos los valores de los periodos, el cual es x = 28. Luego obtenemos la
sumatoria de la demanda que es y = 692. Despus, elevamos al cuadrado los
valores de x y los anotamos en la columna de x
2
y sumamos los resultados
obteniendo x
2
= 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 xy = 3057.

Ahora obtenemos la media de la x, dividiendo la sumatoria de las x entre el
nmero de periodos utilizados en el clculo:

=
=
28
7
= 4

De la misma forma obtenemos la media de las y, dividiendo la sumatoria de
las y entre el nmero de periodos:
=
=
692
7
= 98.86

MODULO V

Con estos valores obtenidos procedemos a calcular los valores de b y de a para
la ecuacin de tendencias.

=

2
=
3057 (7)(4)(98.86)
140 (7)(4)
2
=
295
28
= 10.54

= = 98.86 (10.54)(4) = 56.70

Una vez obtenidos los valores de b y de a los sustituimos en la ecuacin de la
recta de tendencias:

= +
= 56.70 + 10.54

Una vez que se obtiene la ecuacin de la recta de tendencias podemos calcular
el pronstico para el periodo que se pide. Para nuestro caso para el ao 2008
corresponde el periodo 8, porque es el octavo periodo en la secuencia de los
datos utilizados. De esta forma:

2008 = 56.70 +10.54(8) = 141.02

Respuesta: La demanda para el ao 2008 sera de 141 Megawatts.

Para evaluar el modelo, graficamos la demanda histrica y la recta de
tendencia. Para obtener la recta de tendencias, calculamos el pronstico para
todos los periodos utilizando le ecuacin de tendencias.

MODULO V

Notas sobre el uso del mtodo de mnimos cuadrados
El empleo del mtodo de mnimos cuadrados implica que se han cumplido tres
requisitos:
4. Siempre deben graficarse los datos porque los datos de mnimos cuadrados
suponen una relacin lineal. Si parece que exista una curva presente,
probablemente sea necesario el anlisis curvilneo.

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.

MODULO V

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, slo podemos pronosticar 3 o 4 meses hacia el futuro. Los pronsticos
de ms tiempo tienen poca validez estadstica. Por lo tanto, no pueden tomarse
datos de 5 aos de ventas y proyectar 10 aos hacia el futuro. El mundo es
demasiado incierto.
6. Se supone que las desviaciones calculadas alrededor de la recta de mnimos
cuadrados son aleatorias (vea la figura 4.4). Por lo general, estn distribuidas
normalmente, con la mayora de las observaciones cerca de la recta y slo unas
cuantas ms 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
carbn o petrleo 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 rpida registran diariamente
repuntes al medio da y nuevamente despus de las 5 P.M. Los cines aumentan su
demanda los viernes y sbados 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 compaas de energa elctrica durante los periodos de fro o calor
intensos, a los bancos los viernes por la tarde, y a trenes subterrneos y autobuses
durante las horas de trfico matutino o vespertino.

MODULO V

El pronstico de series de tiempo como el efectuado en el ejemplo 8 implica la
revisin de la tendencia de los datos a lo largo de una serie de tiempo. La presencia
de estacionalidad hace necesario ajustar los pronsticos con una recta de tendencia.
Las estaciones se expresan en trminos de la cantidad en que difieren los valores
reales de los valores promedio en la serie de tiempo. Analizar los datos en trminos
de meses o trimestres suele facilitar la deteccin de los patrones estacionales. Los
ndices estacionales pueden desarrollarse mediante varios mtodos comunes.
En lo que se denomina modelo estacional multiplicativo, los factores estacionales se
multiplican por una estimacin de la demanda promedio para producir un pronstico
estacional. Nuestro supuesto en esta seccin es que la tendencia se ha eliminado de
los datos. De otra forma, la magnitud de los datos estacionales estara distorsionada
por la tendencia.
A continuacin se presentan los pasos que seguira una compaa que tiene
estaciones de un mes:
1. Encontrar la demanda histrica promedio de cada estacin (o mes en este
caso) sumando la demanda medida en ese mes de cada ao y dividindola
entre el nmero de aos con datos disponibles. Por ejemplo, si en enero hubo
ventas de 8, 6 y 10 durante los ltimos tres aos, 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 nmero de estaciones. Por ejemplo, si el
promedio total de la demanda de un ao es de 120 unidades y hay 12
estaciones (una por mes), la demanda mensual promedio es de 120/12 = 10
unidades.
3. Calcular un ndice estacional para cada estacin dividiendo la demanda
histrica real de ese mes (del paso 1) entre la demanda promedio de todos
los meses (del paso 2). Por ejemplo, si la demanda promedio histrica en
enero durante los ltimos 3 aos es de 8 unidades y la demanda promedio

MODULO V

de todos los meses es de 10 unidades, el ndice estacional para enero es de
8/10 = .80. De igual forma, un ndice estacional de 1.20 para febrero
significara 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 ao.
5. Dividir esta estimacin de la demanda total anual entre el nmero de
estaciones, despus multiplicarla por el ndice estacional para ese mes. Esto
proporciona el pronstico estacional.

Ejemplo 3:
Un distribuidor de computadoras porttiles quiere desarrollar ndices mensuales
para las ventas y a partir de ellos calcular el pronstico de la demanda mensual,
suponiendo un pronstico anual para 2008 de 1,440 computadoras. A
continuacin se muestran los datos mensuales para los aos 2005 a 2007.
Mes
Demanda
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
Solucin:
Para iniciar debemos obtener la demanda promedio para cada periodo. Para el
mes de enero sera:

MODULO V

=
80 +85 +105
3
= 90

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

Demanda
Demanda
Promedio para
el periodo
Demanda
promedio
mensual
ndice
Estacional Mes 2005 2006 2007
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
=1128

Despus calculamos la demanda promedio mensual. Para ello, sumamos las
demandas promedio de los periodos y dividimos el resultado entre el nmero de
periodos considerados. En nuestro caso el resultado de la sumatoria es de 1128,
as:
=
1128
12
= 94
Como se trata de una demanda promedio mensual, utilizaremos 94 para todos
los periodos.

MODULO V

Para obtener los ndices estacionales debemos dividir la demanda promedio de
cada periodo entre la demanda promedio mensual. Para el mes de enero sera:

=
90
94
= 0.96

Para determinar la demanda para cada mes del ao 2008, dividimos la demanda
anual entre el nmero de perodos considerados:
2008 =
1440
12
= 120

Luego multiplicamos esta demanda promedio por cada ndice 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 ndices como porcentajes de las ventas promedio. Las ventas
promedio (sin estacionalidad) seran de 94, pero con estacionalidad, las ventas
fluctan entre 85% y 131% del promedio.

MODULO V

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

Ejemplo 4:
Un hospital quiere mejorar sus pronsticos aplicando tanto tendencia como
ndices estacionales a datos recopilados durante 66 meses. Se pronosticarn los
das-paciente para el ao prximo.
Solucin:
Se obtuvo una recta de tendencia; despus se calcularon los ndices
estacionales. Por ltimo, se usa un modelo estacional multiplicativo para
pronosticar los meses del 67 al 78.

Usando los datos recopilados en 66 meses de los das que pasa cada paciente
adulto en el hospital, se calcul la siguiente ecuacin:

= 8,090 + 21.5
Donde:
=das-paciente
x = tiempo, en meses.

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

= 8,090 + (21.5)(67) = 9,530 ( ).

MODULO V

Aunque este modelo, como se observa en la figura de la siguiente pgina,
reconoce la recta de tendencia ascendente en la demanda de servicios a
pacientes hospitalizados, ignora la estacionalidad que el administrador saba
estaba presente.

La tabla siguiente proporciona los ndices estacionales basados en los mismos
66 meses.
ndices estacionales para los das-paciente de un adulto
internado en el hospital
Mes ndice Estacional Mes ndice 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

MODULO V

Estos ndices estacionales se grafican en la figura que se muestra a
continuacin. Observe que enero, marzo, julio y agosto parecen mostrar un
promedio significativamente ms alto que el promedio de das paciente
hospitalizado, mientras que febrero, septiembre, noviembre y diciembre
presentan menos das-paciente internado.

Sin embargo, ni los datos de la tendencia ni los estacionales proporcionan por
s mismos un pronstico razonable para el hospital. Slo cuando se
multiplicaron los datos ajustados a la tendencia por el ndice estacional
apropiado fue que el hospital pudo obtener buenos pronsticos. Por lo tanto,
para el periodo 67 (enero):

= ( )( )
= (9,530)(1.04) = 9,911

MODULO V

Los das-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.
Pronstico con
tendencia y
estacionalidad
9,911 9,265 9,764 9,691 9,520 9,542 9,949 10,068 9,411 9,724 9,355 9,572

La grfica que muestra el pronstico con tendencia y estacionalidad se
presenta en la figura siguiente.

Observe que usando slo la tendencia, el pronstico para septiembre es de
9,702, pero con el ajuste de tendencia y estacionalidad el pronstico es de
9,411. Al combinar los datos de tendencia y estacionalidad el hospital puede
pronosticar mejor los das-paciente internado, el personal requerido, y el
presupuesto vital para garantizar la efectividad de las operaciones.

MODULO V

MTODOS ASOCIATIVOS DE PRONSTICOS: ANLISIS DE REGRESIN
LINEAL
A diferencia del pronstico de series de tiempo, los modelos de pronstico asociativo
casi siempre consideran varias variables relacionadas con la cantidad que se desea
predecir. Una vez determinadas dichas variables, se construye un modelo estadstico
que se usa para pronosticar el elemento de inters. Este enfoque es ms poderoso
que los mtodos de series de tiempo que incluyen slo valores histricos para la
variable a pronosticar.
En un anlisis asociativo pueden considerarse muchos factores. Por ejemplo, las
ventas de computadoras personales se relacionan con el presupuesto para
publicidad, los precios de la compaa, los precios y estrategias promocionales de la
competencia, e incluso con la economa nacional y los ndices 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 relacin estadstica entre las ventas de
computadoras personales y las variables independientes. El modelo de pronsticos
asociativo cuantitativo ms comn es el anlisis de regresin lineal.

Uso del anlisis de regresin para pronosticar
Con el fin de realizar un anlisis de regresin lineal, Podemos usar el mismo modelo
matemtico que empleamos con el mtodo de mnimos cuadrados para efectuar la
proyeccin de tendencias. Las variables dependientes que deseamos pronosticar
seguirn siendo. Pero la variable independiente, x, ya no necesita ser el tiempo.
Usamos la ecuacin:
= +

Donde:
= valor calculado de la variable que debe predecirse

MODULO V

(llamada variable dependiente)
a = interseccin con el eje y
b = pendiente de la recta de regresin (o la tasa de cambio
en y para los cambios dados en x)
x = variable independiente (que en este caso es el tiempo)

Ejemplo 5:
Una compaa constructora renueva casas antiguas. Con el tiempo, la compaa
ha encontrado que su volumen de dlares por trabajos de renovacin depende
de la nmina del rea local. La administracin quiere establecer una relacin
matemtica 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 ltimos 6 aos.

El Vice-presidente necesita determinar si existe una relacin lineal (en lnea
recta) entre la nmina del rea y las ventas. Para ello, grafica los datos
conocidos en un diagrama de dispersin:

MODULO V

A partir de los seis puntos de datos, parece haber una ligera relacin positiva
entre la variable independiente (nmina) y la variable dependiente (ventas): A
medida que se incrementa la nmina, las ventas tienden a ser ms altas.
Podemos encontrar una ecuacin matemtica si usamos el enfoque de regresin
de mnimos cuadrados. La variable independiente ser la nmina ya que de ella
dependen las ventas.

MODULO V

Ahora obtenemos la media de la x, dividiendo la sumatoria de las x entre el
nmero de periodos utilizados en el clculo:
=
=
18
6
= 3
De la misma forma obtenemos la media de las y, dividiendo la sumatoria de
las y entre el nmero de periodos:
=
=
15
6
= 2.5
Con estos valores obtenidos procedemos a calcular los valores de b y de a para
la ecuacin de tendencias.

=

2
=
51.5 (6)(3)(2.5)
80 (6)(3)
2
=
6.5
26
= 0.25

= = 2.5 (0.25)(3) = 1.75
Una vez obtenidos los valores de b y de a los sustituimos en la ecuacin de la
recta de tendencias:
= +
= 1.75 + 0.25
Una vez que se obtiene la ecuacin de la recta de tendencias podemos calcular
el pronstico para el valor de nmina que se desee. Si la cmara de comercio
local predice que la nmina para el rea ser de 6,000 millones de dlares el
prximo ao, podemos estimar las ventas con la ecuacin de regresin:
( $ ) = 1.75 +0.25(6) = 3.25
Respuesta: Si la nmina es de 6,000 millones de dlares el pronstico de las
ventas es de $3,250,000.00.

MODULO V

La parte final del ejemplo muestra una debilidad central de los mtodos de
pronstico asociativo como el de regresin. Aun cuando calculamos una ecuacin de
regresin, debemos dar un pronstico para la variable independiente x en este
caso, la nmina antes de estimar la variable dependiente y para el siguiente
periodo. Aunque ste no es un problema para todos los pronsticos, es posible
imaginar la dificultad que implica determinar los valores futuros de algunas variables
independientes comunes (como ndices de desempleo, producto nacional bruto,
ndices de precios, y otros).

EJERCICIOS
1. Se aplic cierto modelo de pronstico para anticipar un periodo de seis meses.
Aqu estn la demanda pronosticada y la real:

Calcule la desviacin absoluta media para el pronstico.
2. Se us un modelo de pronstico especfico para adelantar la demanda de un
producto. Los pronsticos y la demanda correspondiente que se presentaron
a continuacin se dan en la tabla. Use las tcnicas MAD para el modelo de
pronstico.

MODULO V

3. A continuacin se presentan dos pronsticos semanales realizados mediante
dos mtodos diferentes para el nmero de galones de gasolina, en miles,
demandado en una gasolinera local. Tambin se muestran los niveles reales
de demanda, en miles de galones:

Calcule el MAD para cada modelo de pronstico y determine el ms adecuado
de los dos para predecir la demanda.

4. La demanda de audfonos para estereofnicos y reproductores de discos
compactos para trotadores ha llevado a Nina Industries a crecer casi 50% en
el ao pasado. El nmero de trotadores sigue en aumento, as que Nina
espera que la demanda tambin se incremente, porque, hasta ahora, no se
han promulgado leyes de seguridad que impidan que los trotadores usen
audfonos. La demanda de estreos del ao pasado fue la siguiente:

Utilice proyeccin de tendencia para determinar una ecuacin de tendencia y
pronostique la demanda para el mes de Enero del prximo ao.
5. A continuacin se da la demanda tabulada actual de un artculo durante un
periodo de nueve meses (de enero a septiembre). Utilice proyeccin de
tendencias para determinar la demanda del mes de Octubre.

MODULO V

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

a) Calcule los ndices estacionales usando todos los datos.
b) Si espera que la demanda para el ao 2008 sea de 6,000 personas,
Cul ser la demanda para cada trimestre?
7. En el pasado, la distribuidora Arup Mukherjee vendi un promedio de 1,000
llantas radiales cada ao. En los dos aos anteriores vendi 200 y 250,
respectivamente, durante el otoo, 350 y 300 en invierno, 150 y 165 en
primavera, y 300 y 285 en verano. Con una ampliacin importante en puerta,
Mukherjee proyecta que las ventas se incrementarn el prximo ao a 1,200
llantas radiales. Cul ser la demanda en cada estacin?
8. El administrador de Coffee Palace, Joe Felan, sospecha que la demanda de
cafs con leche sabor moca depende de su precio. Con base en observaciones
histricas, Joe ha recopilado los siguientes datos que muestran el nmero de
cafs de este tipo vendidos a seis precios diferentes:

MODULO V

Usando estos datos, cuntos cafs con leche sabor moca pronosticara usted
para ser vendidos de acuerdo con una regresin lineal simple si el precio por
taza fuera de $1.80?
9. Los siguientes datos relacionan las cifras de ventas del pequeo bar de la
casa de huspedes Marty and Polly Starr, en Marathon, Florida, con el nmero
de huspedes registrados en la semana:

a) Desarrolle una regresin lineal que relacione las ventas del bar con los
huspedes (no con el tiempo).
b) Si el pronstico para la semana siguiente es de 20 huspedes, de
cunto se espera que sean las ventas?

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

Modulo 5 Admon de La Produccion

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Modulo 5 Admon de La Produccion

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD TECNOLOGICA DE HONDURAS

Das könnte Ihnen auch gefallen