46 Pronosticar CAPITULO 2 ® PRONOSTICOS Aisin zines oma desires sin str gut suede en Elinventariose ordena sin una certeza dle que ser as ventas el equipo nue. ose compra peo dei incertiumbre sobre la demand de lon product Ia inversiones se hacen sin saber ual ser lauldad. Los administradont siempre tan tratando de hacer mejores estmacionesacerea elo que sucederd ene futuro fons tal inceridumnbre:E propéito fundamental de los promdsticoses el de hacer buenas cstimaciones, neste captul se examinardn los diferentes tipos de pronéstios,y 4 pesenaré una variedad te modelo de pronétices con nomtes tales como promsedicn movies, Savzacién esponenialy regresion lineal El propa es mostrar que hay mache ma eras en que len edninstretores pueden proncsear ai futures Tomblee se oace wn Tepaso sobre el prondalco de veri en ls negocios y devcrbreman ceo prepares, Imontoreatyjuzgar la exalted de un prontes. Los buenos prondtcos son ena paste Caen de un servicio inte de las operaciones de manufactur; tamblen so una herramienta importants a contre Se modelos para la tma de deisonen. 2QUE ES PRONOSTICAR? Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el ‘manejo de datos hist6ricos para proyectarlos al futuro, mediante algtin tipo de modelo ‘matematico. Puede ser una prediccién del futuro subjetiva o intuitiva. O bien una combi- nacién de ambas, es decir, un modelo matemitico ajustado por el buen juicio de un admi: nistrador, Al conocer las diferentes técnicas de pronésticos en este capitulo, se dara cuenta de que rara vez existe un tinico modelo superior. Lo que mejor funciona en una empresa bajo un conjunto de condiciones, puede ser un desastre completo en otra organizacién, incluso en otro departamento de la misma empresa. En forma adicional, podra advertir que existen limites sobre lo que puede esperarse de los pronésticos. Rara vez son, si aca~ 80, perfectos; también son caros y consumen tiempo en su preparacién y monitoreo ‘Sin embargo, pocos negocios pueden darse el lujo de evitar el proceso del pronésti co sélo en espera de lo que pueda suceder para tomar entonces las oportunidades. La planeacién efectiva depende del pronéstico de la demanda para los productos de la compai Horizontes de tiempo en pronésticos Los pronésticos se clasifican generalmente en el horizonte de tiempo futuro que descri- ben. Las tres categorias son iitiles para los administradores de operaciones, y se numeran, a continuacién: 1. Pronéstico a corto plazo, Este tiene un lapso de hasta un afio, pero es generalmente me- nor a tres meses. Se utiliza para planear las compras, programacion de planta, niveles de fuerza laboral, asignaciones de trabajo y niveles de produccisn, 2. Pronéstico a mediano plazo. Un pronéstico de rango mediano, o intermedio, general- ‘mente con un lapso de tres meses a tres aitos. Es valioso en la planeacion de produc- ci6n y presupuestos, planeacién de ventas, presupuestos de efectivo, y el analisis de varios planes de operacién. 3. Pronéstico a largo plazo. Generalmente con lapsos de tres afios 0 mas, los pronésticos a largo plazo se utilizan para planear nuevos productos, desembolsos de capital, locali- zaciGn de instalaciones 0 su expansién, y la investigacién y el desarrollo, Los pronésticos a mediano y largo plazo tienen tres caracteristicas que los distingue de los pronésticos a corto plazo. Primero, los pronésticos a mediano y largo plazo tienen que ver con asuntos mas extensos, apoyan las decisiones administrativas con respecto a la planeacién, los productos, plantas y procesos. Implementar algunas decisiones de la planta, tal como abrir una nueva plania de manufactura para automéviles Saturn, puede‘POS DE PRONOSTICOS Para darse cuenta de las, tendencias futuras en el mundo de la investigacién médica, Bristol Myers Squibb Company interrogé a 200 cientiticos lnvestigadores reconocidos. Estos lidéres formaron un jurado de opinién ejecutiva que sugitié {que el tratamiento de las ‘enfermedades se concentrara ‘en a cause de la enfermedad, Enotras palabras, en lugar de tfatar enfermedades como el céncer a través de la tliminacién de sus sintomas, et tratamiento médico se enfocaré fen atacar céluas individuales de la propia enfermedad. Como resultado de este pronéstico Cualtativo, Bristol Myers cred ol clasificador do céluas activadas ‘con fluorescencia, que apunta hhacia los anticuerpos de células ‘con tumor a través del uso de rayo laser y computadoras. evarse de cinco a ocho aftes desde el principio hasta la terminacién. En segundo lugar, el pronéstico a corto plazo generalmente utiliza metodologias diferentes de aquellos a ma- yor plazo. Las técnicas matemsticas tales como promedios méviles, suavizacién exponencial y extrapolacién con tendencia (los cuales se explicardn més adelante) son comunes en jos proyectos cortos. En forma mas amplia, los métodos menos cuantitativos son valiosos para predecir cuestiones tales como si un nuevo producto, como una graba- dora de disco éptico, debe ser incorporada a la linea de productos de una compafiia. Y tercero, como es de esperarse, los pronésticos a corto plazo tienden a ser més exactos que los pronésticos a mayor plazo. Los factores que influyen en la demanda cambian diatia- mente; as{ que, si existe incremento en el horizonte de tiempo, es probable que la exacti- tud del pronéstico disminuya. Es casi iniitl decir, por consiguiente, que los pronésticos de ventas tienen que actualizarse con regularidad con objeto de mantener su valor. El pronéstico tiene que revisarse después de cada periodo de ventas. La influencia del ciclo de vida del producto Otro factor que se debe considerar cuando se desarrollen pronésticos de ventas, especial- mente plazos largos, es el ciclo de vida del producto. Los productos, y aun los servicios, no se venden a niveles constantes a través de sus vidas. Los productos més exitosos Basan a uavés de cuatro estados (1) introduccién, 2) crecimiento, (2) madres y (A de Los productos, en los dos primeros estados de su ciclo de vida necesitan pronésticos is largos que aquellos en sus fases de madurez y declinacién. Los pronésticos son tiles para proyectar diferentes niveles de asesoria, niveles de inventarios, y capacidad de la planta mientras el producto pasa del primer estado al iltimo. El tema de lanzar produc tos nuevos, y sus cielos de vida, se trata con mas detalle en el capitulo 4 TIPOS DE PRONOSTICOS Las organizaciones utilizan tres tipos principales de pronésticos al planear el futuro de ‘sus operaciones. Los dos primeros, pronésticos econdmicos y tecnol6gicos, son técnicas especializadas que pueden ser ajenas al papel del administrador de operaciones; s6lo se describen brevemente aqui. El énfasis en este libro se refiere Gnicamente al tercero, los Pronésticos de la demanda, a748 Pronésticos econémicos Pronésticos tecnologicos Pronésticos de demanda Pronésticos euantitativos Pronésticos eualitativos Jurado de opinion ejecutiva Compuesto de fuerza de ventas, Método Delphi Encuesta a consumidores de mercado CAPITULO 2 # PRONOSTICOS 1. Pronésticos econémicos marcan el ciclo del negocio al predecir las tasas de inflacién, oferta de dinero, nuevas construcciones, y otros indicadores de planeacién. Pronésticos tecnolégicos tienen que ver con tasas de progreso tecnolégico, que pue- den dar por resultado el nacimiento de productos novedosos, que requieren nuevas plantas y equipo. 3. Pronésticos de demanda son proyecciones de la demanda para los productos o servicios de una compafia, Estos pronésticos, también llamados pronésticos de ventas, condu- cen la produccién de una compafia, la capacidad, y los sistemas de programacion, y sirven como insumos a la planeaci6n financiera, de mercado y de personal. ENFOQUES PARA PRONOSTICAR Existen dos enfoques generales para pronosticar, asi como existen dos maneras de abor- dar todos los modelos de decisién. Uno es el anslisis cuantitativo; el otro es el acceso cualitativo. Los pronésticos cuantitativos manejan una variedad de modelos matemsti 08 que utilizan datos hist6ricos y/o variables causales para pronosticar la demanda. Los Pronésticos cualitativos o subjetivos incorporan factores importantes tales como la intui- cién, emociones, experiencias personales del que toma la decisién, y sistema de valores para alcanzar un pronéstico. Algunas compafias utilizan solamente una forma; algunas utilizan la otra; pero en la préctica una combinacién o mezcla de los dos estilos es gene. ralmente lo més efectivo. Repaso de métodos cualitativos En esta seccidn se consideran cuatro técnicas de pronéstico cualitativo diferentes. 1. Jurado de opinién ejecutiva. Este método toma la opinién de un pequefto grupo de administradores de alto nivel, a menudo en combinacién con modelos estadisticos, y se obtiene una estimacién de grupo sobre la demanda 2. Compuesto de fuerza de ventas. En este pronéstico, cada vendedor realiza un esti mado de ventas para su regién; estos prondsticos son revisados para asegurarse que son realistas, y entonces se combinan a niveles de distrito y nacionales para lograr un pronéstico global. 3. Método Delphi. Este proceso grupaliterativo permite a los expertos, que pueden es- tar situados en diferentes lugares, hacer pronésticos. Existen tres tipos diferentes de participantes en el proceso Delphi: los que toman la decisién, personal asesor y encuestados. Los tomadores de decisién generalmente consisten en un grupo de cinco a 10 expertos que harén el pronéstico real. El personal asesor asiste a los que toman la decisidn al preparar, distribuir, recolectar y resumir una serie de cuestionarios y resul- tados de encuestas. Los encuestados son un grupo de personas cuyos juicios son eva- luados y vistos. Este grupo alimenta informaci6n a los responsables de la toma de decisiones antes de que se haga el pronéstico. 4. Encuestaa consumidores de mercado. Este método solicita la informacién de los clien- tes o clientes potenciales acerca de sus planes futuros de compra. Puede ayudar no solamente a pteparar el pronéstico sino también a mejorar el diseno del producto y la planeacién de productos nuevos. Visién general de métodos cuantitativos En este capitulo se tratan cinco métodos cuantitatives para pronosticar, Ellos son: Simplista Promedios méviles Suavizacién exponencial Proyeceién de tendencia Modelo causal de regresién lineal) Modelo causal Modelos de series de tiempoLa economia de Alaska esté dominada por el petréleo, Un impresionante 90% del presupuesto ‘se deriva de los 1.5 milones de bares de petroleo que se extraan diariamante en Prudhoe Bay, La construccién de una fuente més amplia y una economia basada en los ingresos de una industria, el petréleo, ¢s un gran reto para desarrallar. Por lo mismo, se hizo necesario pronosticar cualquier plan a largo plazo. El prondstico estadistico generalmente no ayuda cuando es dificil confiar en los datos histéscos y en la tendencia, El método Delphi se volvé el eje de los prondsticos a largo plazo en Alaska. El panel Delphi de expertos tuvo que representar a todos los grupos y opiniones en el estado y en todas las areas geogrdticas. Esto significa un gran panel. Pero Delphi fue ia, herramienta pertecta para proncsticar, porque se podian evitar los viajes del grupo de expertos, Esto también permitia Ia participacion do los ideres de Alaska, porque sus agendas no se Impactaban con juntas y Viajes. Modelos de series de tiempo. Los primeros cuatro se llaman modelos deseries de tiem- Modelos de series de po. Ellos predicen sobre la base de la suposicién de que et futuro es una funcién del tiempo pasado. En otras palabras, ellos ven lo que ha pasado en un periodo de tiempo y usan una serie de datos pasados para hacer el pronéstico. Si se hacen predicciones sobre ventas semanales de podadoras de pasto, se utilizan las ventas realizadas en semanas anteriores para hacer el pronéstico, Modelos causales. La regresién lineal, un modelo causal, incorpora al modelo las varia- Modelos causales bles o factores que pueden influenciar la cantidad que se pronostica. Un modelo causal para ventas de podadoras de pasto puede incluir factores tales como principios de planta ‘huevos, presupuesto para anunciat y precios de los competidores, Ocho pasos para un sistema de pronésticos Independientemente del método utilizado para pronosticar, se siguen los mismos acho pasos: Determinarel uso del pronéstico: qué abjetivos se persigue obtener? Seleccionar las partidas que se van a pronostcar Determinar el horizonte de tiempo del pronéstico: esa corto, mediano o largo plazo? Seleccionar un(os) modelo(s) de pronéstco. Juntar los datos necesatis para hacer el pronéstico Validarel modelo de pronéstco. Hacer el pronéstico. Instrumentar ls resultados,CAPITULO 2 # PRONOSTICOS Estos pasos presentan una manera sistematica de iniciar, disefar y llevar a cabo un sistema de pronésticos. Cuando el sistema se emplea para generar pronésticos en forma regular durante un tiempo determinado, los datos deben recolectarse en forma rutinaria, J los cémputos reales usados para pronosticar, se abtienen de manera automética, gene ralmente por computadora. PRONOSTICOS DE SERIES DE TIEMPO ‘Una serie de tiempo se basa en la secuencia de puntos de datos separados de manera tuniforme (semanal, mensual, trimestral, y asi sucesivamente). Los ejemplos incluyen ven- tas semanales de IBM PS/2s, reportes trimestrales de ganancias de acciones de AT&T, tembarques diarios de pilas Eveready, e indices anuales de precios a consumidores en Estados Unidos. El pronéstico en series de tiempo implica que los valores futuros se pre dicen tnicamente a parti de valores pasados, y que otras variables se ignoren, no importa {que tan potencialmente valiosas sean. Descomposicién de una serie de tiempo Elandlisis de las series de tiempo propone fraccionar los datos en componentes para pro- yectarlos hacia el futuro. Una serie de tiempo tiene cuatro componentes tipicos: tenden~ ia, estacionalidad, ciclos y variacién al azar. 1. Tendencia (T) es el movimiento gradual, ascendente o descendente, de los datos a tra- vvés del tiempo. 2, Estacionalidad (S) es el patrén de datos que se repite a si mismo después de un periodo de dias, semanas, meses o trimestres (de este ultimo surgié el término estacionalidad, fle. las estaciones, otofo, invierno, primavera y verano). Existen seis patrones estacionales comunes: OO Periodo del patron Longitud ‘Nimiero de estaciones del patrén Semana Dia 7 Mes Semana 44%, Mes Dia 2831 Ano ‘rimestre 4 Ako Mes ry Ano Semana 52 Cre 43, Ciclos (C) son patrones que ocurren en los datos cada varios aos. Generalmente se encuentran ligados al ciclo del negocio y son de importancia vital en el andlisis y planeacién de negocios a corto plazo. «4. Varlaciones al azar (R) son “sefiales” en los datos causadas por oportunidades y situa~ ciones inusuales; no siguen un patrén perceptible. La figura 2.1 muestra una serie de tiempo y sus componentes, En estadistica existen dos formas generales de modelos de series de tiempo. El mas ampliamente utilizado es un modelo multiplicativo, que asume que la demanda es el producto de los cuatro componentes: Demanda=TxS%xCxR Unmodelo aditivo ofrece un estimado mediante la suma de los componentes. Se estable- Demanda=T+S+C+RPRONOSTICOS DE SERIES DE TIEMPO. FIGURA 2.1 Demanda del producto, gralicada sobre cuatro afi con la tendencia ¥ estacionalidad indicadas, En los modelos del mundo real, los que pronostican asumen que las variaciones al azar se promedian en el tiempo. Por lo tanto, se concentran tinicamente en el componente estacional. Un componente es la combinacién de la tendencia y los factores cilicos. Enfoque simplista La manera més fécil de pronosticar es asumir que la demanda del siguiente periodo es justamente igual a la demanda en el periodo mAs reciente. En otras palabras, silas ventas de un producto, por ejemplo teléfonos celulares, fue de 68 unidades en enero, podemos pronosticar que las ventas de febrero serén también de 68 teléfonos. Qué sentido tiene esto? Resulta que algunas lineas de productos, seleccionan a este enfoque simplista por- que es el modelo de pronéstico més eficiente en costo y més objetivo. Por lo menos ofrece un punto de partida sobre el que se pueden comparar los modelos més sofisticados que vienen a continuacién. Promedios méviles Los promedios méviles son tiles si se asume que las demandas del mercado serén més © menos constantes durante un determinado periodo de tiempo. Un promedio mévil de ‘cuatro meses se toma sencillamente, como la suma de la demanda durante los ltimos cuatro meses dividida entre 4. Con cada mes que pasa, el dato del mes més reciente se Adiciona ala suma de los datos de los tres meses previos, y el primer mes se suprime. Esto tiende a suavizar las irregularidades a corto plazo en las series de datos. Mateméticamente, el promedio mévil simple (que sirve como estimacién de la de- ‘manda del periodo siguiente) se expresa como: Promedio mévil = Demanda en n periodos previos en donde es el ntimero de periodos en el promedio mévil; por ejemplo, cuatro, cinco o seis, ‘meses, respectivamente, para un promedio mévil de cuatro, cinco o seis periodos. Enfoque simplista Promedios méviles 51< c 52 Ejemplo alterno 2.1 Programa 2.1. Programa pat del programa incluyen el pro CAPITULO 2 © PRONOSTICOS ‘las ventas de podadoras de pasto en Bob's Hardware Store se mucstan lacor Tas nade en medio de la siguiente tabla. Un promedio mévil de tres meses aParece ala derecha Mes Ventas reas de podadoras Promedio mévil de tres meses Enero Febrero Marzo) Abril (i412 13)/3 = 1.2/3 Mayo (12 + 13 + 16)/3 = 132/3 Junio (13 + 16 + 19)/3 = 16 Julio (16 +19 + 23)/3 = 19 1/3 Agosto (19 + 23 + 26)/3 = 22/3 ‘Septiembre (23+ 26 + 30)/3 = 26 1/3 Octubre (26 + 30 + 28)/3 = 28 Noviembre G0 +28 + 18)/3= 25 1/3 jiciembre (B+ 18 +16)/3 = 202/3 Deere CC 1a pronastcar con prometios méviles de ABIPOM vitzando los datos fl oeTE Las saldas oro ome period efor estandar, Bias, MAD y MSE. Para accesa’ este progam 2 rogram nt Prongecas. primero solte models de Time Seve", weg seecsone "Movie Averages” Forecasting, Solution yunber of past data periods (2-99) Bl Pros wae sro, Be pds -> Period Jan Feb Mar Next (x) Demand (y) Forecast. seror|error| Error“? 1 ros 2 3 4 aa.6667 4.33333 4.33333 18.7778 5 tape Cee te CO 6 16.00 7.00 7.00 49.00 7 19.3333 6.66667 6.66667 44.4444 8 3a.ges?—«70333337-33333 53.7778 9 26.3333 3.66667 1.66667 2.77778 10 22.00 -10.00 10.00 100.0000 rey 25.3333 9.3333 9.33333 87.11 a novece? | tetecol: @ccse7 | 44-e442 8.00 6.33333 58.3333 428.778 6.50 54167 yo3704 6.48148 47.6420 (Bias) on) (HSE) period's forecast 16.00 ‘Standard ercor = 7.026492PRONOSTICOS DE SERIES DE TIEMPO. Promedios méviles ponderados Cuando existe una tendencia 0 patrén, los pesos pueden ser utilizados para poner més énfasis en los valores recientes. Esto hace que las técnicas sean mas sensibles a los cam- bios, ya que los periodos recientes pueden tener mayor peso. Decidir qué pesos se van a utilizar requiere de alguna experiencia y un poco de suerte. La eleccién de los pesos es de alguna forma arbitraria ya que no existe férmula alguna para determinarlos, Sel dltimo ‘mes o periodo tiene demasiado peso, el pronéstico puede reflejar un cambio répido e inusual en la demanda o patron de ventas. Un promedio mévil ponderado se puede expresar mateméticamente como: promedio mévil = 2¢P50 para el period n)(Demanda para el periodo n) EPeosSSSSSCSC~*~«RY Bob's Hardware Store (véase ejemplo 1) decide pronosticar las ventas de podadoras de pasto pesando los iltimos tres meses como sigue: Pesos aplicados Periodo @ Ultimo mes ® Hace dos meses Hace tres meses Suma de los pesos 6 sma delos pesos Los resultados de este pronéstico de promedios ponderados se muestra en la tabla siguiente, aS Promedio movil ponderado Mes Ventas reales de podadoras para tres meses EE ees Enero 10 Febrero 2 Marzo B Abril 16 [x13 + (2x12) + oye. Mayo ct [Gx 16) + 2x13) + 02)1/6 Junio B [8 x19) + (2x16) + (13)]/6 = 17 Julio 26 [(8x23) + (2x 19) + (16)]/6=201/2 Agosto 30 [Gx26) + 2x23) + (19)]/6=235/6 Septiembre 8 [@x30) + 2x26) + (23)]/6 =271/2 Octubre 18 [8 28) + (2x30) + (26)]/6 = 281/3 Noviembre 16 (8x18) + (2x28) + G0)]/6 = 231/3 Diciembre 4 [GX 16) + @x18) + 28)]/6 =18 2/3 ee En esta particular situaci6n de pronéstico, se observa que al ponderar més el “ltimo mes, ofrece una proyeccién mucho més acertada 53EEE 54 ‘CAPITULO 2 ® PRONOSTICOS c Tanto os promedios méviles simples como los ponderados son efctivos para sua Fa ane Pere eapta en el patton de demanda, con el fin de ofrecer estimadoe eae a goles promedice movies nen tes problemas. Primero el incre csabls, Sin ema pero de periodospromediads) suaviza mejor ls lutuacones a fa tenor eto aos cambis ees a infrmacin Segundo or Pere as no pueden concer muy bina tendencas Pustogue son Pome Bromedios movies gtendrin dentro de nivles pasado, y no predecrn un cambio dis, sieme al Finalmente low prmedios movies requrenunarancantidad de regstros de dato anteriores. oe ea aaa impresin de los datos en os employ 2, israel efecto de irae de los modelos de promedios més, Suavizacién exponencial La suavizacién exponencial es un método de pronéstico facil de usar y se mancit * Caeeeme por medio de las computadoras. Aunque es un tipo de téenica de Jos promedios méviles,involucra poco respaldo de informacion pasads, La férmula de la Pravizacién exponencial bsica se muestra a continuacién: Pronéstico nuevo = Pronéstico del ditimo periodo + « (Demanda real del dltimo period - pronéstico del citimo periodo) (23) cconstnte de suavizaién donde es un peso, oconstante de suavizacién, que tiene un valor entre Oy 1, inclusive, {Lo ecuacién (2.3) también se puede escribir mateméticamente como: Cc Fs Fat alAva~ Fra) Qa) penePRONOSTICOS DE SERIES DE TIEMPO. donde: I pronéstico nuevo | pronéstico anterior ‘onstante de suavizacién (0< a1) jemanda real del periodo anterior A, El concepto no es complejo. La iltima estimacién de la demanda es igual a nuestra esti- macién anterior ajustada por una fracci6n de la diferencia entre la demanda real del pe- iodo anterior y el estimado anterior. En enero, un agente de viajes que se especializa en cruceros pronosticé una deman- da en febrero para 142 cruceros de una semana. La demanda real de febrero fue de 153 ericeros. Utilizando una constante de suavizacion de a = 0.20, podemos pro- nosticar la demanda de marzo usando el modelo de suavizacion exponencial. Al sustituir en Ja formula se obtiene: ‘Pronéstico nuevo (para la demanda de marzo) = 142 + 0.2053~147) i #1442 La constante de suavizacién, a, estd generalmente en el rango de 0.05 a 0.50 para apli- caciones de negocios. Puede cambiarse para dar mayor peso los datos recientes (cuando es alta), o mayor peso a los datos anteriores (cuando a es baja). La importancia de los datos de periodos pasados se reduce rpidamente cuando @ se incrementa. Cuando @ alcanza el extremo de 1.0, entonces en la ecuacién 2.4, F, = 1.0A,.,. Todos los demas valo- res anteriores se eliminan, y el pronéstico se vuelve idéntico al modelo simplista que se mencioné anteriormente en este capitulo, Esto significa que el pronéstico para el siguien- te periodo es justamente igual ala demanda del actual La siguiente tabla ayuda a ilustrar este concepto. Por ejemplo, cuando a = 05, se puede observar que el nuevo pronéstico se basa casi en su totalidad en a demanda de los “ltimos tres o cuatro periodos. Cuando at =0.1,el pronéstico proporciona poco peso en la demanda reciente y toma muchos periodos (aproximadamente 19) de valores histéricos enconsideracién, Peso asignado a Periodo Segundo Tercer Cuarto (Quinto ‘més periodo més periodo més _—_periodo més __—_periodo més Constante de reciente reciente reciente reciente reciente suavizacion @ afl) ato? (a! ota a=04 on 009 0.081 0073 0.066 a=05 05 025 0.125 0.063 0.031 Seleccién de la constante de suavizacién. El método de suavizacién exponencial es fécil de usar, y se ha aplicado satisfactoriamente en bancos, compafias manufactureras, ‘mayoristas y otras organizaciones. El valor adecuado de la constante de suavizacién, a, hace la diferencia entre el pronéstico exacto y el inexacto. Al seleccionar un valor para la Constante de suavizaciGn, el objetivo es el de obtener el pronéstico mas exacto. La exacti- tud global de un modelo de pronéstico puede determinarse al comparar los valores pro- osticados contra los valores observados o reales. 55rr 56 Cc Desviacién media absoluta (MAD) CAPITULO 2 © PRONOSTICOS Elerror del pronéstico se define como: Error del pronéstico = Demanda ~ Pronéstico Una medida del error global del pronéstico para un modelo es la desviacién media absoluta (MAD). Esta se calcula al sumar los valores absolutos de los errores individua- les del pronéstico y dividiéndolos entre el ntimero de periodos de informacién (1) errors del pronéstic| oy Apliquemnos est concepto con una prueba de ensayo error de dos valores deen elejemplos mod cf El puerto de Nueva Orlefns ha descargado grandes cantidades de carne de barcos procedentes de Sudamérica durante los ocho trimestres pasados. El administrador de operaciones del puerto desea probar el empleo de la suavizaci6n exponencial y In efectividad del metodo en la prediceién del tonelajedescargado. 1 asume que el pronéstico de grano descargado en el primer trimestre fue de 175 toneladas. Se examinan dos valores dea, = 0.10 ya =050. La siguiente tabla muestra loscéleu Jos detallados tinicamente para a = 0.10: MAD = Tonelaje Pronéstico redondeado Prondstico redondeado Trimestre descargado real usando = 0.10% usando a= 0.50° 1 10175 175 2 168 176 = 175.00 + 0.10(180 175) 178 3 159 175= 175.50 + 0.10(168 ~ 175.50) 1B 4 17S 173 = 174.75 + 0.10(159- 174.75) 166 3 190 173-= 173.18 + 0.10(175 - 173.18) 170 6 205-175 = 173.36 + 0.10(190 ~ 173.36) 180 1 180-178 = 175.02 + 0.10(205 ~ 175.02) 193 8 182 178 = 178:02 + 0.10(180- 178.02) 186 9 2 179 = 178.22 + 0.10(182- 178.22) 184 * Pronésios redondeados ala onelada mds ec. Para evaluar la exactitud de cada constante de suavizacion se pueden calcular las desviaciones absolutas y MADs. Prondstico Desviacién Prondstico _Desviacidn Tonelaje —redondeado —absoluta _—redondeado-—_absoluta descargado con para con para Trimesire real a=010 a=050 _a=050 1 180 175 3 175 5 2 168 176 8 178 0 3 159 175 16 173 ry 4 175 1B 2 166 9 s 190 1B 7 170 20 6 205 175 30 180 25 7 180 178 2 193 B 8 182 178 at 186 _4 Suma de desviaciones absolutas ca 100 Hidesvi 10.50 1250PRONOSTICOS DE SERIES DE TIEMPO 7 Sobre la base de este andlisis, una constante de suavizaci6n de a= 0.10se prefiere a ‘@.= 0.50 porque su MAD es menor. ara una ilustracién de cémoAB:POM puede ser utilizado para resover el ejem- plo 4, véase el programa 2.2 programa 2.2 Programa de suavizacién exponencial de AB:POM utlizando informacién del ejomplo 4. Este programa de. ruesta las entradasisalidas para la suavizacion exponencial, usando datos del ejemplo 4. Se capturaron: (1) el numero de periodos de datos, (2) el modelo deseado, (2) alfa, (4) las ocho demandas, (6) el pronéstio inicial de 17S, y (6) los titulos para ada periodo (Le, TRI, TAIZ, y asi sucesivamente). La salida es similar ala del modelo de promedios movies. Forecasting Solution munber of past data periods (2-99) Method -> alpha (a) Period (x) Forecast Ber lerror) Error"? 1 00} 2 175-50 7.50 7.80 56.25 3 176.75 -15.75. 15.75 248.063, 4 173.175 1.82500 1.82500 3.33061, 5 173.357 16.6425 16.6425 276.97 6 175.022 29.9783 29.9783 898.70 7 178.020 1.98042 1.98042 3.92208 8 “178.218 3.78 3.78 14.31 36.00 1439.00 30.9586 77.4586 1501.54 4.50 0.5625 4.42265 11.0655 214.506, (Bias) oa) (NSE) Next period's forecast Standard error = 17.3294 Fis Sumary Table F3 = Graph PS Print esc Aparte dela desviacién media absoluta (MAD), también se utilizan otras dos medi- das de la exactitud de los errores historicos. El error medio cuadrado (MSE) es el Error medio cuadrado Promedio de las diferencias al cuadrado, entre el prondstico y los valores observa- (MSE) dos. El error porcentual medio absoluto (MAPE) es la diferencia absoluta entre el Error porcentual medio Pronéstico y los valores observados expresado como un porcentaje de los valores _absoluto (MAP) observados. ‘Suavizacién exponencial con tendencia Asi como con cualquier técnica de promedio mévil, la suavizacién exponencial simple falla al responder las tendenci se calcula un promedio de suavizacién exponencial simple como el anterior, ye ajusta para retrasos positivos o negativos. La ecuacion para la seleccién de tendencia emplea tuna constante de suavizacion, B, de la misma manera que el modelo simple utiliza a El valor de la constante de suavizacidn de la tendencia,B, asemeja ala constantea. fen que una B alta es mas sensible a resentir los cambios en la tendencia. Una B baja da ‘menor peso a las tendencias mas recientes y tiende a suavizar la tendencia presente Para suavizar nuestras correcciones por tendencias, Los valores de B pueden ser encontrados por el sistema de prueba y error, utilizando el MAD como una medida de comparaciénProyeccién con tendencia CAPITULO 2 # PRONOSTICOS Ala suavizacién exponencial simple, a menudo se le refiere como suavizacién de pri- mer grado, y a la suavizacién ajustada por la tendencia se le llama suavizaci6n de segun- do grado, o doble. Otros modelos de suavizacién exponencial avanzada también se en- ‘cuentran en uso, incluyendo el ajustado por estacionalidad y de suavizacién triple, pero éstos se encuentran més alld de los objetivos de este libro.! Proyecciones con tendencia El iltimo método de pronéstico de series de tiempé que se discutiré es el de proyeccién con tendencia. Esta técnica ajusta una linea de tendencia a una serie de puntos de datos historicos, y después proyecta la inea hacia el futuro para pronésticos con un rango de ‘mediano a largo plazo. Se pueden desarrollar varias ecuaciones matemAticas con tenden- «ia (por ejemplo, exponenciales y cuadraticas), pero en esta seccién se verdn tinicamente las tendencias lineals (lineas rectas). Sise decide desarrollar una linea de tendencia recta mediante un método estadistico Preciso, se puede aplicar el método de minimos cuadrados. Este intento da por resultado tuna linea recta que minimiza la suma de los cuadrados de las diferencias verticales entre Ja linea y cada una de las observaciones reales. La figura 23 ilustra el proceso por mini- ‘mos cuadrados, Una linea de minimos cuadrados se describe en términos de su interseccién-y (la altura a la cual intercepta el eje-y) y su pendiente (el dngulo de la linea). Si se puede calcularla pendiente einterseccién-y, es posible expresar la linea en la siguiente ecuacién: feasbr eo donde: 9 (llamada “y testada” = valor calclado de la variable a predecir (llamada la variable dependiente) = intersecci6n eje-y, FIGURA 2.3 EI método de minimos cuadrados para encontrar la linea recta que mejor convenga. Ls asteriscos son as localizaciones de los siete puntos de observaciones reales o puntos de datos. enters ating eed fi Eran cet eer ett eaePRONOSTICOS DE SERIES DE TIEMPO b= pendiente de la linea de regresion (0 rango de cambio fen y para cambios dados en 2), x= la variable independiente (que en este caso es el tempo) Profesionales de la estat ica han desarrollado ecuaciones que pueden ser utilizadas para encontrar los valores de las variables a yb, en cualquier linea de regresin. La pen Giente bse encuentra por: z an donde: pendiente de la linea de regresion signo de sumatoria valores de la variable independiente valores de la variable dependiente 1 promedio de los valores de las x = el promedio de los valores de las y n= el nGimero de puntos de datos, eventos u observaciones, ue Se puede calcular la interseccién de a con y como sigue: any (28) El ejemplo 5 muestra cémo aplicar estos conceptos. po La demanda para la energia eléctrica en N.Y. Edison en el periodo 1987-1993 se ‘muestra a continuaci6n, en megawatts. Ajustar una linea recta con tendencia a es- tos datos y pronosticar la demanda de 1993. ‘Demanda de energla elécrica ‘Con tuna serie de datos en el tiempo, se pueden minimizar los cileulos median te la transformacién de los valores de x (tiempo) a nuimeros més simples. Por lo tanto, en este caso, se puede designar a 1987 como avo 1, 1988 como afio 2, y asf sucesivamente. 5960 CAPITULO 2 # PRONOSTICOS wO- GF 9886 -1054(4) =5670 En consecuencia la ecuacin de tendencia de los minimos cuadrados es ) = 5670 + 10.54x. Para proyectar la demanda en 1994, primero se denota el afio de 1994 en el nuevo sistema de codificacién como. (Demanda en 1994) = 56.70 + 1054(8) = 141.02, 0 141 megawatts Se puede estimar la demanda para 1995 al insertar x = 9 en la misma ecuacién: (Demanda en 1995) = 56.70 + 1054(9) = 151.56, 0 152 megawatts Para verificar la validacién del modelo, se imprime la demanda hist6rica y la linea de tendencia en la figura 2.4. En este caso, se pueden tomar precauciones y tratar de ‘entender las oscilaciones en la demanda de 1992-1993. — Linea de tendencia eae 120 120 Five 31% g 2 0 ° 70 © 0 RET 1965 969 1990 TOOT 1992 1963 1984 1995 Ano FIGURA 2.4 Energia eléctricay inea de tendencia calculada VARIACIONES DE INFORMACION ESTACIONALES El pronéstico de series de tiempo, tal como se indica en el ejemplo 5, involucra examinar la tendenciade los datos a través de una serie de observaciones en el tiempo. Sin embargo, algunas veces, las variaciones recurrentes en ciertas estaciones del ato ejercen, de forma necesaria un ajuste eslacional en el pronéstico de la linea de tendencia. Por ejemplo, la demanda de carbon y petrOleo combustible, generalmente tiene puntos maximos duran- te los frios meses del invierno, La demanda de palos de golf o de locién para broncear pueden tener sus puntos maximos durante el verano, El andlisis de datos en términos ‘mensuales o trimestrales generalmente facilita a la persona que hace la estadistica sea\VARIACIONES DE INFORMACION ESTACIONALES co G ‘Accontinuacién se muestran las ventas mensuales de computadoras laptop IBM en Hardwareland para 1992-1993. Demanda de ventas Demanda _-Demanda ‘Indice promedio —_mensual_ —_estacional Mes 19921993 1992-1993 promedig*_promedio f Enero 80 30 98 0937 Febrero 15 80 94 asi Marzo 80 85 94 0.905 Absil 90 100 94 1.064 Mayo us 123 94 1309 Junio no ns 94 1.223 Sulio 100 105 94 7 ‘Agosto 90 100 94 1.064 Septiembre 85 90 94 0987 Octubre 5 80 94 0851 Noviembre 75 80 4 0851 Diciembre 80 80 94 ost Utilizande estos indices estacionales, si se espera que la demanda anual para 1994 de computadoras sea de 1200 unidades, la demanda mensual se pronosticaria de la siguiente forma: ——— Mes Demanda Mes Demanda Enero Bx 0987 =96 Julio Oy ite 12 Febrero agosto x 1.064 = 106 Marzo Sepiembre 12% 0.987 =96 Absit Cctutre Bx 851 =85 Mayo Noviembre 292, 0.851 =88 Junio Diciembre 2% 0.851 lar los patrones estacionales. Los indices estacionales pueden desarrollarse mediante varios métodos'comunes. El ejemplo 6 ilustra una manera de calcular factores, estacionales a partir de datos histéricos, Para simplificar el ejemplo 6, se utilizaron tinicamente dos periodos por cada indi- ce mensual, por esa causa se ignoraron los calculos de tendencia. El ejemplo ilustra la ‘manera en que los indices que se han calculado pueden ser aplicados para ajustar los pronésticos de la linea de tendencia. 6Las lineas de ensamble de Giidden Paints lenan miles de latas por hora. Para predecit fa demanda de sus productos, ia ‘empresa utliza métodos Ccausales de prondstico tales como ragresién lineal, con varables independientas como ingresos disponibles de ‘GNP. Aunque el almacenaje de inicio seria una variable natural, Glidden lo encontrs pobremente Correlacionado con as ‘timas verias. Resuita ue la mayoria de las pinturas Glidden se Venden a través de dotalistas a los clantes {ue son propietarios de casas o negocios, CAPITULO 2 * PRONOSTICOS Erne El presidente de Rhonda Marx's Chocolate Shop ha utilizado regresién en series de tiempo para pronosticar la venta de menudeo para los préximos cuatro trimestres. Las ventas estimadas son de $100 000, $120 000, $140 000, y $160 000 para los res- [pectivos trimestres, Los indices estacionales para los cuatro trimestres son de 1.30, 0.90, 0.70 y 1.15, respectivamente. 3 Para calcular un pronéstico estacional o de ventas ajustado, se debe multiplicar ‘cada indice estacional por el pron6stico de la tendencia adecuado. Deatacoat = [RICE * 9c dei cn ‘Entonces para: ‘rimestre I: 9, = (1.30)($100 000) = $130 000 ‘Trimestre I: 9, = (0.90)($120 000) = $108 000 ‘Trimestre I: 9}, = (0.70)($140 000) = $98 000 Trimestre IV; Gye (1.15)($160 000) = $184 000 METODOS DE PRONOSTICO CAUSAL: ANALISIS DE REGRESION Y CORRELACION Los modelos de pronéstico causal generalmente consideran algunas variables que estin relacionadas con la variable que se predice. Una vez que estas variables relativas se han encontrado, se construye y utiliza un modelo estadistico para pronosticar la variable de interés, Este intento es mas poderoso que los métodos de series de tiempo que tinicamen: te utilizan datos hist6ricos para pronosticar la variable,METODOS DE PRONOSTICO CAUSAL: ANALISIS DE REGRESION Y CORRELACION Se pueden considerar muchos factores en un anélisis causal. Por ejemplo, las ventas de un producto pueden estar relacionadas con el presupuesto para publicidad de la em- ppresa, el precio, los precios de los competidores y las estrategias promocionales, o aun las tasas econémicas y de desempleo. En este caso, as ventas serian llamadas variable depen- diente y las otras variables serfan llamadas variables independientes. El trabajo del adminis- trador es el de desarrollar la mejor relacién estadistica entre las ventas y las variables. independientes. EI modelo de pronéstico causal cuantitativo més comiin es elanilisis de regresién lineal. Uso del anilisis de regresi6n para pronosticar Se puede utilizar el mismo modelo matematico que se empleé en el método de los mini- ‘mos cuadrados para proyectar la tendencia, al llevar a cabo el andlisis de regresi6n lineal. Las variables dependientes que se desean pronosticar seguirdn siendo lasy. Pero ahora la variable independiente, x, no es el tiempo. Jeatbr donde: lor de la variable dependiente, en este caso ventas intersecci6n con el eje-y yendiente de la linea de regresion x=a variable independiente Richard Nodel es duefio de una compaiia que constraye oficinas en Detroit. Al [paso del tiempo, la compania se ha percatado que el volumen en délares de su trabajo de renovacién es dependiente de la némina en el drea de Detroit. La si- {ulente tabla enumera ingresos y la cantidad de dinero ganada por los trabajadores Asalariados en Detroit durante los afos 1988-1993. Ventas de Nodel ($000 000) y ‘La administracion de Nodel desea establecer una relaci6n matemstica que le ayude ‘a predecir las ventas, Primero, necesitan determinar si existe una relacién de linea recta (lineal) entre la n6mina del drea y las ventas, para imprimir los datos conoci- dos en tn diagrama, Anilisis de regresién lineal64 CAPITULO 2 * PRONOSTICOS 3 s i (en $ ciontos de mies) 5.8 4 67 ‘Némina del drea (en $ ciontos de millones) Apartir de los eis puntos de datos se puede apreciar que existe una ligerarelacién Positiva entre a variable independiente, la némina y la variable dependiente; las ven tas. Mientras la némina se incrementa, las ventas de Nodel tienden a ser mayores, Se puede encontrar una ecuacién matemética al utilizar el sistema de regresion Por minimos cuadrados, Ventas, y Nomina, x 2 xy ae 20 1 1 20 30 20 25 6 100 20 4 40 20 1 20 c 38 ® 45 @ Sey 513-1005. ee a eo 5 = (0.25)(3) = 1.75 La ecuaci6n de regresionestimada, por lo tanto, es: 9-175+ 0252 . Ventas = 1.75 + 0.25 némina Sila cdmara local de comercio predice que la némina del rea de Detroit ser de ‘$600 millones el afio préximo, es posible estimar las ventas de Nodel con la ecuacion de regresion: Ventas (en cientos de miles) = 175 +0.25(6) 175 +150= 325 : Ventas = $325 000 Cc Para lustrar la forma en que puede usarse AB-POM para resolverel ejemplo 8, véase el programa 23,METODOS DE PRONOSTICO CAUSAL: ANALISIS DE REGRESION Y CORRELACION 65 Programa 2.3 Programa de regresién lineal de AB:POM ullizando les datos del ejemplo &. Unicamente hay una variable independiente, también iamada regresiin simple. Las saldas incluyen la linea de regresién, el coeficiente de cortelacin y e! certoresténdar. En éste y en otros casos, los puntos de datos también pueden ser gralicads al oprmir la tecla de tuncién F3, Este programa se accesa desde ol meni de pronésticos al solitar la opcién de “minimos cuadrads”. number of past data periods (2-99) fj Nuaber of independ. variables (1-6) fi ei gieao | cae La parte final del ejemplo 8 ilustra una debilidad importante en los métodos causales como la regresin. Aun cuando se tenga una ecuacién de regresién calculada, es necesa- rio ofrecer un pronéstico de la variable independiente x (en este caso, némina) antes de estimar la variable dependienteyy para el siguiente periodo de tiempo. Aunque esto noes tun problema para todos los pronésticos, es de suponer la dificultad para determinar los valores futuros de algunas variables independientes comunes (tales como tasas de des- empleo, producto nacional bruto, indices de precios, y asi sucesivamente). Error estandar del estimado El pronéstico de $325 000 para las ventas de Nodel en el ejemplo 8 es llamado un punto ¢stimado de y. El punto estimado es en realidad la media, o valor esperado, de una distri- Dbucién de valores de venta posibles. La figura 25 ilustra este concepto, Para medir la exactitud de los estimados en la regresion es necesario calcular el error Error estindar estindardel estimado, Syx. Aesto se lellamadesviacin esténdar de la regresién. Laecuacién del estimado 29¢s una expresion similar ala encontrada en la mayoria de los libros de estadistica para calcular la desviacién estandar de una media aritmética fay-y, nd 29) donde: el valor-y para cada punto de dato ye y= el valor calculado para la variable dependiente, 4 pattir de la ecuacién de regresion m= el niimero de puntos de datos66 CAPITULO 2 # PRONOSTICOS ines de regreién Fal75+.28" FIGURA 2.5. Distibucién sobre el punto estimado de némina de $600 mitones. La ecuacién 2.10 puede parecer més compleja, pero es en realidad una versién mas facil de la ecuacin 2.9. Cualquiera de ls f6rmulas ofrece el mismo resultado y puede ser utilizado al preparar los intervalos de prediccién alrededor del punto estimado.? (2.10) Calcular el error estindar de la estimaci6n para los datos de Nodel en el ejemplo 8. El sinico ndimero necesario que no esté disponible para resolver S,, ¢s Ey?. Una suma répida revela que Iy? = 39.5. Por lo tanto: 5, = [BP ayn bay vs a) __ [S95 L7SNSO) 021) e 6-2 = 10109375 = 0.306 (en $ cientos de miles) El error esténdar del estimado es entonces de $30 600 en ventas. 2 Cuando el tamafo de una muestra es grande (1 > 30) el intervalo de prediccin para un valor indivi dual de y puede ser caleulado empleando las tablas normals, Cuando el niimero de observaciones ‘Pequeto, fa distrbucion-t es apropiada, Véase Applid Statistics, de Neter, Wasserman y Whitmore, 33 Edicion (Newton, MA: Allyn & Bacon, 1991).METODOS DE PRONOSTICO CAUSAL: ANALISIS DE REGRESION Y CORRELACION Coeficientes de correlacién para regresién lineal La ecuaci6n de regresién es una forma de expresar la naturaleza de la relacién entre dos variables? La ecuacién muestra cémo una de las variables se relaciona con el valor y los cambios en otra variable. ‘Otra forma de evaluar la relacién entre dos variables es mediante el célculo del coefi- ciente de correlacién. Esta medida expresa el grado 0 fuerza de la relacién lineal. Gene~ falmente definida como r, el coeficiente de correlacion puede ser cualquier mimero entre ‘iy -1- La figura 2.6 ilustra cmo puede aparecer la diferencia entre valores de r. Para calcular r se utiliza casi la misma informacién que se necesit6 anteriormente para calcular a y b para la linea de regresién, La ecuaciOn para res nExy-ExBy flex? — xy? dy? Qu Cm Enel ejemplo 8 observamos la relacion éntre las ventas de edificios de oficina de ‘Nodel Construction Company y la némina en Detroit. Ahora, para calcular el coefi- ciente de correlacion para los datos mostrados, (inicamente es necesario adicionar tuna columna mAs de célculos (para y) y aplicar entonces a ecuaci6n para r 7109515) -09150) © 6180) = 8) 16095) 05071 El valor de 0.901 para r aparenta ser una correlacién mar la estrecha relacién entre las dos variables. ‘Aunque el coeficiente de cortelacin es la medida mis utiizada para describir la relacin entre dos variables, existe otra medida. Se le ama coficiente de determinacién. Es Sencillamente, el cuadrado del coeficiente de correlacin, es decir. Fl valor de r seré siempre un ntimero positivo en el rango de 0S <1, Elcoeficiente de determinacion es el > Las lineas de regresin no son relaciones de “causa y efecto", Unicamente describen las rlaciones centre las variables Coeficiente de correlacion. 6768 Regresién maltiple capiruLo 2 * PRONOSTICOS (6) Corroiaclén postive erfecta ee) (6) Sn eoolaion: (Corian nogatva rad 2 Perfecta: as rent FIGURA 2.6 Para valores del coeficiente de corelacién. porcentaje de variacién en la variable dependiente (y) que es explicada porla ecuacién de regresin. En el caso de Nodel, el valor deres de 0.81 (0.901? =0.811), e indica que el 81% de la variacién total se explica por medio de la ecuacién de regresién, Anilisis de regresién miltiple La regresién miiltiple es una extensiGn practica del modelo que se ha observado. Perm te la construccién de un modelo con algunas variables independientes. Por ejemplo, si ‘Nodel Construction deseara incluir el promedio de las tasas de interés anual en su mode. lode pronéstico de ventas de renovacién, la ecuacién adecuada sevia Jans bin +b e212 donde 9) la variable dependiente, ventas a = interseccién-y byt, Ayn rendientes de la linea de regresién valores de las dos variables independientes, némina del rea y tasas de interés, respectivamente Las mateméticas de la regresién miiltiple se convierten en algo complejo (y a menudo asignadas a la computadora), asf que se dejan las formulas para ,b, y ba los textos de estadistica .METODOS DE PRONOSTICO CAUSAL: ANALISIS DE REGRESION Y CORRELACION ‘Aigunos de los mejores cerebros on Estados Unidos estan concentrados en el campo de ‘pronésticos econdmicos a corto plazo. Aunque los pronasticadores mejor conacidos han sido ‘exitosos més de la mitad de las vaces en las titimas dos décadas, han existido periods en los {que sus errores fueron grandes. Por ejemplo, en el verano de 1981, ia media de cinco pronosticadores destacados, con respecto al prondstico aun afo a futuro predio un Crecimiento de 2.1% del Producto Nacional Bruto en Estados Unidos para 1982. En su lugar, la economia se sumergié en una profunda recesién, con un descenso de! PNB de 1.8%. Como ‘comanté un periadista, “Esto es como haber pronosticado seminublado y recibir en cambio una tormenta de nieve de 10 pulgadas. Después de todo, asi en economia como en mpteorologia, es la habilidad de predecir cambios tempestuosos lo que hace valiosos alos pronésticos” Cou Lanueva linea de correlacién miitiple para Nodel Construction, calculada por medio de software en computadora, es: 9=1.80 + 030x, -50r, ‘También se encuentra que el nuevo coeficiente de correlacién es 0.96, que implica la inclusién de la variable x, las tasas de interés, y adiciona més fuerza a la relacion, lineal. ‘Ahora se pueden estimar las ventas de Nodel si se sustituyen los valores para lanémina del siguiente ano y la tasa de interés, Sila némina de Detroit seré de $600 millones y la tasa de interés serd de 0.12 (12%), las ventas se pronosticardn como: ‘Ventas (S cientos de miles) = 1.80 + 0.30(6) -5.0(0.12) 6970 Sefal de rastreo CAPITULO 2 # PRONOSTICOS MONITOREO Y CONTROL DE PRONOSTICOS ‘Toda ver qie el pronéstico se ha completado, es importante que no se olvide. Ningin administrador desea que se le recuerde cuando su pronéstic es totalmente inexacto, pero tina empresa necesita determinar el motivo por el que la demanda real (0 cualquier otra variable que se estéexaminando)difiere sigificativamente de lo que se proyect6 ‘Una manera de monitorear los pronésticos para asegurar que se estén llevando 2 caboen forma adecuada es el empleo de una seRal de rastreo. Una sfial de rastreo es una ‘medida de la efectividad del pronéstico, al predecir los valores reales, Al actualizat los prondsticos en forma semanal, mensualotrimestral, el nuevo valor disponible dela de- nanda se compara con los valores pronosticados. La sefal de rastreo se calcula como la sua de los errores de los proméstcoscorrientes (RSFE) dividido entre la desvicion media absouta (MAD Sehalde _ RSFE rastreo MAD __ HDemanda real enel periodo ~ Demanda pronosticada en el periodo i) MAD (2.13) donde: te onéstico Map ~2LEsoresde pronéstico | como se vio anteriormente en la ecuacién 25. Las seRales de rastreo positivas indican que la demanda es mayor ala pronosticada. Las senales negativas indican que la demanda es menor que la pronosticada. Una buena sefal de rastreo, esto es, con RSFE baja, tiene casi tanto error positivo como negativo. En otras palabras, las desviaciones pequefas estan bien, pero los positivos y los negativos eben balancearse unos a otros de tal forma que la sefal de rastreo estécentrada lo mas posible alrededor del cero. "Una vez que las seiales de rastreo se calculan, se comparan con los limites de control predeterminados. Cuando una seal de rastreo excede un limite superior 0 inferior, s¢ Tprende” una sefal. Esto significa que exste un problema con el método para pronost car y la administracin necesita reevaluar la manera en que pronostica la demanda, La figura 2.7 muestra la gréfica de una sefal de rastreo que esti excediendo el rango de variacién aceptable, Si el modelo utilizado es la suavizacin exponencial, quiz4 la cons- tante de suavizacién deba ser reajustada. "{Cémo deciden las empresas cuales deben ser los limites superior e inferior del ras- treo? No existe una respuesta nica, pero se intenta encontrar valores razonables;en otras palabras, limites no tan bajos que se prendan con cualquier pequeno error de variacién Ue pronéstico,y no tan altos como para permitir que los pronésticos malos sean pasados por alto. George Plossl y Oliver Wight, dos expertos en control de inventario, sugieren la btilizacion de méximos de #4 MADs (para partidas con alto volumen de almacenamiento) y 28 MADs (para partidas de poco volumen)* Otros pronosticadores sugieren rangos Inenores. UnMAD es equivalente a aproximadamente 0.8 desviaciones estindar, asi que 12 MADs = #16 desviaciones estindar; 23 MADs = +24 desviaciones estindar; y =4 MADs = #322 desviaciones estindar. Esto sugiere que para mantener un pronéstico “en control”, se espera que el 89% de los errores caiga dentro de #2 MADs; 98% dentro de =3 MADs; 0 99.9% dentro de 24 MAD ejemplo 12 muestra la forma en que la sefal de rastreo y el RSFE pueden ser calcu: laos. “ease G, W. Plossl y 0. W. Wight Production and Inventory Control (Englewood Chis, NJ: Prentice-Hall, 1967, Spara comprobar estos tes porcentajes por usted mismo, s6lo clogue una curva para s1.6 desviaciones cctindar (Valores 2) Utlzando la tabla normal en el apéndice A encontraré que el érea bajo la curva es ‘5c0.99, Esto representa 22 MADs. De igual manera, 23 MADs = #2.4 desviaciones estandar que abarcan ‘96% del dre, y as sucesivamente para 24 MADS.MONITOREO Y CONTROL DE PRONOSTICOS FIGURA 2.7. Una impresién de sefiales de rastreo. coe 12 ‘A continuacién se muestran las ventas trimestrales (en miles) de Spot-Less Dry ‘Cleaners’, as{ como sus ventas pronosticadas y los célculos de error. El objetivoes el de calcularla senal de rastreo y determinar si sus prondsticos se comportan adecua- damente. Ventas Ventas Errordel | Err Sefal de Thimestre pronosticadas reales Error RSFE | prontstco | acumulado MAD rast 1 100 90-10-1010 10) 100 2 1000 «955-5 5 6 75 2 3 300550 6 3% ©1000 4 mo 100-10 ~10 10 4 100 +1 5 MO 125 5 +5 9 15 5 10 -+05 6 040,330 43580. a 42 +25 7 RSE __35 Sefatderastreo = SFE = 35 2 sal MAD" 142~> Esta sefial de rastreo se encuentra dentro de los limites aceptables. Se observa que se movi6 de-20 MADsa + 2.5 MADs. Suavizacién ajustada Se ha publicado mucha investigacién sobre el tema del pronésticoajustado. El pronéstico ajustado se refiere al seguimiento por computadora de las sefiales de rastreo,y el autoajuste sila sefalrebasa su limite predeterminado. Por ejemplo, cuando'se aplica ala suavizacion exponencial, los coeficientes a y b se seleccionan primero sobre la base de valores que ‘minimizan los errores del pronéstico, y entonces se justan cuando la computadora ob- serva una sefal de rastreo errante. Aesto se le llama suavizacién ajustada, Suavizacion ”cAPITULO 2 © PRONOSTICOS ‘Ala suavizaci6n exponencial simple, a menudo se le refit Soo, suavizacién de pri ser grado, y ala suavizacion ajustada pot fa Tendencia se le lama suavizacion de segun do grado, 0 dable. Otros modelos de suavizacion exponencial avanzada también se en- deo wade so, incluyendo el justado por estacionalidad Y de suavizacién triple, pero Caer jentran mas alls de los objetivos de est bro. Proyecciones con tendencia Et ultimo método de pronéstico de series de tempo ave 5° discutiré es el de proyeccién royecclén con tendencia con tendencia, Esta téenica hots Tinea de tendencia a una serie de puntos de datos fonericos, y después proyecta la linea hacia el futuro pars pronésticos con un rango de iano a largo plazo. Se pueden desarrollar varias ecuacionee ‘mateméticas con tenden- Tis (por eemplo, exponencialesy cundraticas)pero}en es eccion se veran tinicamente fas tendencias lineales (lineas rectas) Sr gecide desarrollar una linea de tendencia recta median's ft método estadistico preciso, se puede aplicar el método de mininos ‘cwadrados. Este intento da por resultado Pree ccrecta que minimiza la suma de los cuadrados de as ‘diferencias verticales entre leiineay cada una de ls observaciones reales. La figure 23 ilustra el proceso por mini- ‘mos cuadrados. ‘Una linea de minimos cuadrados s sérminos de su interseccion-y (la altura la cual intercepla el ejey) y su pendiente (el sngele ‘de la linea), Si se puede aie darla pendienteeintersecion-,es posible expresar I linea er la siguiente ecuacién: Qearbr co) donde: 9 amada “ estada” = war eacuad del arable 2 pede amas la variable dependiente) ‘a= intersecci6n eje-y, Valores dota viable dopenciorte, FIGURA23 EI método de mirimos cuatrades para encontrar inea Joc ASF mejor conven FIGURA 2.9. a locakzacnes dens site puros de oservaiones rai 9 puntos de dat «params detalles, vse, Carnes “Exponential Soothing: The tate of 06 Journal of Force ilove des 0 Ben Ste en oy Beicion. (Englewood Chis, NP Fiat 1973PRONOSTICOS DE SERIES DE TIEMPO b= pendiente de la linea de regresién (o rango de cambio feny para cambios dados en x), la variable independiente (que en este caso es el tempo) Profesionales de la estadistica han desarrollado ecuaciones que pueden ser utilizadas para encontrar los valores de las variables a yb, en cualquier linea de regresién. La pen Giente b se encuentra por: an donde: b= pendiente de la linea de regresién = signo de sumatoria x= valores de la variable independiente y= valores de la variable dependiente = el promedio de los valores de las x J = el promedio de los valores de las y ‘n= el nGimero de puntos de datos, eventos u observaciones, Se puede calcula la intersecci6n dea con y como sigue: any-F (28) El ejemplo 5 muestra cémo aplicar estos conceptos. La demanda para la energia eléctrica en N.Y. Edison en el periodo 1987-1993 se ‘muestra a continuaci6n, en megawatts. Ajustar una linea recta con tendencia a es- 48 datos y pronosticarla demanda de 1993, ‘Demanda de energia eléctrica Gon una serie de datos en el tiempo, se pueden minimizar los cflculos median- te la transformacién de los valores de x (tiempo) a niimeros més simples. Por lo tanto, en este caso, se puede designar a 1987 como af 1, 1988 como afio 2, y asi sucesivamente. See a ee ee EEE ‘Demanda de energiaelécrica Periodo i 4 1 2 » t “s 5 % 3 20 4 % 6 500 3 its 2 323 ‘ ie % ss a 1a # 4 tra’ 59