Pro Nos Ti Cos 2011

UNIVERSIDAD PRIVADA SAN PEDRO
Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones
ELABORACION DE PRONOSTICOS Y PLANEACION DE LA DEMANDA

ESTUDIA EL PASADO PARA PRONOSTICAR EL FUTURO
Definicin: Es un proceso que permite estimar un evento futuro analizando para ello datos del pasado.
Los datos del pasado se combinan sistemticamente en una forma predeterminada para obtener el estimativo del futuro. Un pronstico es una prediccin de eventos futuros que se utiliza con propsitos de planificacin. Estimacin anticipada del valor de una variable, por ejemplo: la demanda de un producto. Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el manejo de datos histricos para proyectarlos en el futuro, mediante algn tipo de modelo matemtico. Generalmente los pronsticos son tanto intuitivos como subjetivos, esto es debido a que la toma de decisiones se lleva a cabo con un buen modelo matemtico y el buen juicio del administrador. La elaboracin de pronsticos es el proceso de proyeccin de los valores de una o ms variables en el futuro.
Predecir: Es un proceso que permite estimar un evento futuro basndose para ello en los datos del
pasado y en consideraciones subjetivas, estas no necesitan combinarse de una forma predeterminada. Desde el punto de vista conceptual, algunos autores [Tawfik & Chauvel, 1992; Adam & Ebert, 1991; Kalenatic & Blanco, 1993] expresan la importancia de diferenciar entre los trminos prediccin y pronstico, ya que de acuerdo a su criterio, las predicciones se basan meramente en la consideracin de aspectos subjetivos dentro del proceso de estimacin de eventos futuros, mientras que los pronsticos, se desarrollan a travs de procedimientos cientficos, basados en datos histricos, que son procesados mediante mtodos cuantitativos.
Elaboracin de Pronsticos y Planeacin de la Demanda

Las organizaciones elaboran muchos tipos de pronsticos distintos. Considere una empresa de productos de consumo, como Procter and Gamble, que fabrica numerosos productos en diferentes tamaos. Los directivos principales necesitan pronsticos a largo plazo expresados en total de ventas en dinero para uso en la planeacin financiera y para la planeacin del tamao y ubicacin de nuevas instalaciones. Sin embargo, en los niveles organizacionales ms bajos, los gerentes de los distintos grupos de productos necesitan pronsticos agregados de volumen de ventas para sus productos en unidades que sean ms significativas para ellos; por ejemplo, libras de cierto tipo de jabn, para establecer los planes de produccin. Por ltimo, los gerentes de instalaciones de manufactura, en lo individual, necesitan los pronsticos por marca y tamao, por ejemplo, el nmero de cajas de 64 onzas de detergente Tide para planear el uso de material y los programas de produccin. Para una empresa como sa, los pronsticos tambin deben estar vinculados a distintos mercados globales y ser consistentes a travs de los niveles organizacionales para que sean apoyos de planeacin eficaces. Adems, los pronsticos especiales, tal como los pronsticos de costos de material y de produccin, precios y dems, se pueden requerir para los nuevos productos y artculos de promocin. Es claro que hay pronsticos de diferentes tipos y en
Pronsticos y Planeacin de la Demanda 1 Docente Ing. J. Paredes C.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones distintas unidades de medicin, segn su propsito. En forma similar, las aerolneas necesitan pronsticos a largo plazo de la demanda de viajes areos para planear sus compras de aviones y pronsticos a corto plazo para desarrollar rutas y programas estacionales; los administradores de universidades requieren pronsticos de inscripciones; los encargados de la planeacin de ciudades necesitan pronsticos de tendencias de la poblacin para planear las calles y los sistemas de trnsito masivo; los restaurantes requieren pronsticos para estar en posibilidad de planear las compras de alimentos. En muchas organizaciones, como las aerolneas, las de hotelera y las de ventas al menudeo, la demanda es muy estacional a lo largo de un ao o puede variar en forma significativa con el da de la semana o la hora del da. Las tiendas de abarrotes, los bancos y organizaciones similares necesitan pronsticos de muy corto plazo para planear la programacin de cambios de turno y las rutas de los vehculos y toman otras decisiones de operacin para acomodar esas variaciones en la demanda. Muchas empresas que brindan servicios personalizados encuentran fcil pronosticar el nmero de clientes que demandarn servicio en un periodo en particular, pero muy difcil pronosticar la mezcla de servicios que se requerir o el tiempo que tomar brindar esos servicios. Por tanto, esas empresas necesitan pronsticos especiales de la mezcla de servicios. Los gerentes de operaciones encontraran muy difcil hacer sus trabajos sin buenos pronsticos. Se necesitan pronsticos precisos a lo largo de la cadena de valor, como se ilustra en la figura siguiente y se utilizan por todas las reas funcionales de una organizacin como contabilidad, finanzas, marketing, operaciones y distribucin. Uno de los mayores problemas con los sistemas de pronstico es que se conducen por diferentes necesidades departamentales y sistemas de incentivos y, por tanto, existen mltiples conjuntos de datos para clientes similares, rdenes de trabajo y desempeo de procesos. Esto lleva a pronsticos en conflicto e ineficiencias organizacionales. Una forma de evitar estos problemas es tener slo una base de datos integrada que ayude a sincronizar la cadena de valor.
La elaboracin de pronsticos por lo general est incluida en una cadena de valor general y en los sistemas de software de planeacin de la demanda. Estos sistemas integran marketing, inventarios, ventas, planeacin de operaciones y datos financieros. Por ejemplo, el mdulo de planeacin de la demanda permite a las empresas integrar la informacin de planeacin de diferentes departamentos u organizaciones en un solo plan de demanda. Algunos proveedores de software comienzan a utilizar las palabras planeacin de la demanda o cadena de la demanda en lugar de la cadena de suministro. Este cambio de nombre resalta el hecho de que los deseos y necesidades de los clientes definen el paquete de beneficios para el cliente y que la demanda de clientes obtiene productos y servicios a travs de la cadena de suministro. En el captulo 9 se analizan las ideas y los mtodos para tomar los productos y servicios a lo largo de la cadena de valor. La planeacin de la demanda ofrece las siguientes capacidades clave: o Planeacin de niveles mltiples. La planeacin de la demanda permite a una empresa ver, pronosticar y planear productos en cualquier nivel y dimensin. La planeacin se puede basar en el producto, la geografa o el tiempo y se puede iniciar en forma descendente o en forma ascendente. o Anlisis de datos. Los gerentes pueden analizar con facilidad los datos de planeacin en tablas y en forma de grficas y las caractersticas de navegacin intuitiva les permiten moverse a travs de diversos niveles de datos. o Elaboracin de pronsticos estadsticos. La planeacin de la demanda respalda una gama completa de mtodos de elaboracin de pronsticos de amplio espectro, que utiliza las ventas pasadas para identificar el nivel, la tendencia o los patrones estacionales y las herramientas de regresin para

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones pronosticar el comportamiento del consumidor al determinar el impacto de los factores causales como el precio, nmero de exhibiciones, nmero de tiendas, clima e informacin demogrfica. Respaldo de promocin comercial. La planeacin de la demanda genera pronsticos dirigidos a la promocin sobre un pronstico de lnea de base. Las empresas pueden modelar la demanda promocional con base en las metas de rentabilidad o patrones histricos. Mediante el uso de los estimados de ventas histricos, la planeacin de la demanda SAP puede detectar en forma automtica un patrn de promocin que ocurri en el pasado. Planeacin de la demanda conjunta. Esta capacidad permite a los encargados de la planeacin compartir los planes de la demanda entre los protagonistas clave en la cadena de valor. Los usuarios pueden dirigir los procesos de planeacin conjunta y desarrollarlos con amplitud, ingresar a las grficas que les permiten visualizar grandes cantidades de informacin. Las empresas tambin pueden recabar, pronosticar y planear la demanda desde distintas fuentes de entrada. Por ltimo, los usuarios pueden ver los libros de planeacin en Internet, lo que permite un acceso fcil para los proveedores y clientes con capacidades limitadas de tecnologa de informacin.
Otros usos de los pronsticos

a. Decidir si la demanda es suficiente para justificar la entrada al mercado. Si la demanda existe, pero a un precio demasiado bajo para cubrir los costos en que incurrir la organizacin al generar el producto, la organizacin debe rechazar la oportunidad. b. Determinar las necesidades a largo plazo de la capacidad para el diseo de instalaciones. Una proyeccin exacta de la demanda para varios aos a futuro le puede ahorrar a la organizacin grandes gastos en el aumento o reduccin de la capacidad para satisfacer la demanda. c. Determinar las fluctuaciones a corto plazo (de una semana a tres meses) en la demanda para la planeacin de la produccin, la programacin de la fuerza de trabajo, la planeacin de los materiales y otras necesidades similares. Estos pronsticos tienen especial importancia para los administradores en el rea de operaciones e influyen crucialmente en la productividad operacional, cuellos de botella, programaciones maestras, entrega en las fechas prometidas y otros aspectos similares, que se relacionan con los niveles superiores de la administracin y con la organizacin en su conjunto. d. Otros usos: Mercadotecnia: Tamao del mercado, Participacin en el mercado, Tendencia de precios, Desarrollo de nuevos productos. Produccin: Costo de materia prima, Costo de mano de obra, Disponibilidad de materia prima, Disponibilidad de mano de obra, Requerimientos de mantenimiento, Capacidad disponible de la planta para la produccin. Finanzas: Tasas de inters, Cuentas de pagos lentos Recursos Humanos: Nmero de trabajadores, Rotacin de personal, Tendencias de ausentismo, Tendencia de llegadas tarde Planeacin Estratgica: Factores econmicos, Cambios de precios, Costos, Crecimiento de lneas de productos.
Importancia de los pronsticos

Uno de los primeros pasos de cualquier proceso de planeacin y presupuestacin es la elaboracin de un buen pronstico, principalmente de la demanda y de las ventas. De este pronstico depende la planeacin de la produccin, de las compras, de los requerimientos de mano de obra, de los recursos financieros, etc., por lo que, sin lugar a duda, se convierte en informacin muy valiosa y determinante para alcanzar las metas de cualquier organizacin. La elaboracin del pronstico puede ser simple o compleja, dependiendo de distintos factores. Muchas veces la demanda (o lo que se vaya a pronosticar) es afectada por factores cclicos y estacionales, y otras veces influyen elementos de muy difcil previsin. En cualquier caso la experiencia y el conocimiento del mercado son vitales, pero a veces esto no es suficiente para la elaboracin de un buen pronstico. El optimismo o pesimismo del planeador podran afectar sus proyecciones, por lo que resulta de gran utilidad el empleo de tcnicas que permiten medir la tendencia, la estacionalidad, entre otras caractersticas de la demanda a lo largo del tiempo. El uso de estas tcnicas junto con la experiencia y grado de conocimiento del planeador, le pueden llevar a lograr mejores pronsticos, con los cuales podr realizar una correcta planeacin de las actividades productivas. Para el rea de produccin o ventas de cualquier empresa es fundamental conocer estos mtodos: poder seleccionar un mtodo de pronstico apropiado, emplearlo y obtener conclusiones de l. En este sentido

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones la tecnologa ha contribuido suministrando herramientas muy valiosas a la hora de procesar la informacin. Para evaluar un sistema de pronsticos se lleva a cabo lo siguiente: 1. Determinar el uso del pronostico 2. Seleccionar las partidas que se van a pronosticar 3. Determinar el horizonte de tiempo del pronstico. 4. Seleccionar un(os) modelo(s) de pronostico 5. Juntar los datos del pronostico 6. Validar el modelo del pronostico 7. Hacer el pronostico 8. Instrumentar los resultados. TCNICAS CUALITATIVAS: Utilizan el juicio subjetivo y los esquemas de puntuacin a fin de transformar la informacin cualitativa en estimaciones cuantitativas. Estos mtodos buscan reunir de una forma lgica, equilibrada y sistemtica, toda la informacin y las opiniones relativas a los factores que se tratan de estimar. Algunas de las decisiones ms importantes que toman las organizaciones, frecuentemente decisiones estratgicas, se adoptan con base en los pronsticos cualitativos. Usualmente estos ataen a la introduccin de nuevos productos o servicios, o cambios a largo plazo en la naturaleza de los productos de la organizacin. Los pronsticos cualitativos de la demanda para la introduccin de un nuevo producto ayudan al gerente del rea de operaciones a decidir el mtodo ms eficiente para elaborar el producto y a saber si la organizacin ganar o perder con su estrategia. Tambin se usan en los casos donde hay gran incertidumbre respecto de la futura aceptacin por parte del mercado y el grado de penetracin en el mismo. Los pronsticos cualitativos se llevan a cabo utilizando informacin como encuestas telefnicas o por correspondencia acerca de las actitudes de los consumidores y sus intenciones respecto al producto, grupos de consumidores, pruebas de mercado en lugares limitados, grupos y opiniones de expertos y anlisis de la demanda histrica para productos o servicios similares.
Mtodos para pronosticar
Pronsticos y Planeacin de la Demanda
Docente Ing. J. Paredes C.

Entrada-salida
Causal
Economtrico
Box-Jenkins
Cuantitativo Multiplicativo
Auto proyeccin
Exponencial
Promedio mvil Formal Ciclo de vida
Encuestas
Pronstico
Delphi
Cualitativo
Analoga histrica
Opinin de expertos Informal (intuitivo) Grupos de consumidores
Pruebas de mercadotecnia
Mtodo Delphi: El mtodo Delphi consiste en la elaboracin de pronsticos por opinin de expertos al recabar valoraciones y opiniones de personal clave con base en su experiencia y conocimiento de la situacin. Un grupo especial de expertos se conoce como Delphi. La corporacin RAND desarrollo el mtodo Delphi como una tcnica para que un grupo pronosticara la demanda de productos o servicios nuevos o en un proyecto. El mtodo empieza pidindole a cada miembro que proporcione por escrito su pronstico individual acompaado de cualquier argumento o suposiciones en que se apoye. Estos pronsticos se presentan al investigador Delphi, quien edita, clarifica y resume los datos. Estos datos se les comunican a los miembros, a modo de retroalimentacin, junto con una segunda ronda de preguntas. El procedimiento se repite normalmente alrededor de cuatro rondas, momento en que con frecuencia los miembros del grupo llegan a un consenso en algunos de los temas.

Anlisis del ciclo de vida: Otro recurso cualitativo que se utiliza con frecuencia como ayuda para el
pronstico se conoce como anlisis del ciclo de vida. Los administradores experimentados que han lanzado muchos productos nuevos generalmente pueden estimar cunto tiempo permanece un producto en cada una de las fases de su ciclo de vida. Este pronstico del ciclo de vida, aunado a otra informacin del mercado, produce estimados razonablemente precisos de la demanda a mediano y largo plazo.
Pruebas de mercadotecnia o investigacin de mercado : Se recopilan datos de varias maneras

(encuestas, entrevistas, etc.) para probar hiptesis sobre el mercado. Esto se utiliza tpicamente para proyectar ventas de largo alcance y de nuevos productos.
Analoga Histrica. Se usa para productos nuevos, basndose en el anlisis comparativo de la

introduccin y crecimiento de productos similares, lo que fundamenta la previsin de pautas de semejanza. Analoga de los ciclos de vida, prediccin basada en la fase de introduccin, crecimiento y saturacin de productos similares. Lo que se est proyectando se vincula a un artculo similar. Es importante en la planeacin de nuevos productos en donde se puede derivar una proyeccin mediante el uso de la historia de un producto similar.
Previsin imaginativa: Tambin conocida como juicio informado: por medio de ella el pronstico se
basa en experiencias, intuiciones y juicios personales y de ser posible, en hechos relacionados con los diversos panoramas del futuro. Se caracteriza por una labor de adivinacin subjetiva y de imaginacin; en general, los mtodos empleados no son cientficos.
Consenso de grupo: Se basa en el supuesto de que varios expertos pueden obtener una previsin
mejor que una sola persona. No existe secreto, se estimula la comunicacin. Las previsiones resultan a veces, influidas por factores sociales y no obedecen a un verdadero consenso.
Anlisis de impacto: ste consiste en evaluar sistemticamente el posible impacto de cada uno de los
eventos sobre todo los otros. Se obtienen estimados para cada uno de los eventos, su importancia relativa y probabilidad de ocurrencia.
LOS PRONSTICOS Y EL CICLO DE VIDA DEL PRODUCTO

El ciclo de vida del producto y sus cuatro etapas (introduccin, crecimiento y desarrollo, madurez y declinacin) son una excelente referencia para seleccionar el tipo de pronostico a usar; en especial, por tres razones: los datos con los que se cuenta, el horizonte de tiempo previsible para pronosticar y el mtodo a usar que depende bsicamente de los dos aspectos anteriores. Los datos histricos slo existen cuando el producto est en su desarrollo y es abundante cuando ingresa en la etapa de madurez. Dichos datos deben ser evaluados en su correlacin, para evaluar si seran utilizados. Correlaciones buenas son aquellas mayores de 0.60 y menores de -0.60, hasta 1 y -1 respectivamente. Dichos datos deben ser evaluados en tendencia central y dispersin, tendencia en el tiempo, estacionalidad, ciclo, carrera o racha y otros que ayuden al pronstico.
Ciclo de producto Datos Tiempo Mtodo Tcnicas vida Introduccin Ninguno Largo Cualitativo total Juicio Delphi Analoga histrica Investigacin de mercados Crecimiento desarrollo Algunos Mediano Cualitativo + Algo cuantitativo Histrico Simulacin Madurez Muchos Corto Cuantitativo total -Series de tiempo - Regresin - Correlacin Declinacin Muchos Muy corto Cuantitativo + algo cualitativo - Regresin (economtrico) - Series de tiempo
TECNICAS CUANTITATIVAS: Estas tcnicas se utilizan para hacer anlisis detallados de los
patrones de demanda en el pasado, a lo largo del tiempo y para proyectar estos patrones hacia el futuro. Una caracterstica de estos mtodos es que la demanda puede dividirse en componentes como nivel promedio, tendencia, estacionalidad, ciclos y error.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Los mtodos cuantitativos de pronstico, se dividen generalmente en dos: los que simplemente proyectan de la historia pasada de la variable hacia el futuro (auto proyeccin) y los que tambin incluyen datos externos (causales). La auto proyeccin es el ms simple de ambos y abarca desde usar tan solo un promedio de los datos histricos hasta el empleo de un anlisis de regresin corregido para los datos de los ciclos. Las tcnicas simples de proyeccin como stas son obviamente limitadas y se utilizan principalmente para pronsticos a muy corto plazo. Estas tcnicas generalmente trabajan bien en un ambiente estable, pero no pueden reaccionar ante los factores cambiantes de la industria o cambios en la economa nacional. Los mtodos causales, generalmente muy complejos, incluyen la historia de factores externos y emplean tcnicas estadsticas complejas. Estos enfoques, ms apropiados para pronsticos a mediano plazo (entre el corto y el largo plazo) Las principales tcnicas series de tiempo se resumen a continuacin:
Promedio mvil: El pronstico se basa en un promedio aritmtico o ponderado de un nmero de datos

del pasado.
Precisin Tcnica de previsin Promedio mvil Descripcin Corto plazo 0-3 meses Pobre a buena Medio plazo 03 meses3 aos Pobre Largo plazo 2 aos adelante Muy pobre Identificaci n de puntos de cambio de tendencia Pobre
Aplicaciones tpicas Control de inventario para artculos de volumen bajo
Datos Necesarios
Cada punto de un promedio en movimiento de una serie temporal es el promedio aritmtico o ponderado de varios puntos consecutivos de la serie, donde el nmero de puntos de referencia es seleccionado para eliminar las variaciones estacionales o irregularidades, o ambas.
Suavizacin Exponencial
Box-Jenkins
X-11
Esta tcnica es un promedio, ponderado en movimiento, excepto que se da ms peso a los puntos de referencia ms recientes., descriptivamente el nuevo pronstico es igual al antiguo ms una cierta proporcin de error del pronstico anterior. Existe otro tipo de pronosticacin en la que tambin se tiene en cuenta factores estacionales y de tendencia. Dependiendo de esto en la exponencial algunas son ms verstiles que otras, algunas son ms difciles de computar, y algunas requieren ms tiempo de computador. La suavizacin exponencial es un caso especial de la tcnica Box-Jenkins. La serie cronolgica es adecuada mediante un modelo matemtico que resulta ptimo en el sentido que asigna menores errores a la historia que cualquier otro modelo de esta clase. El tipo debe ser definido por los parmetros identificados. Esta es aparentemente la rutina estadstica ms exacta disponible en la actualidad, pero tambin una de las ms costosas. Desarrollada por Julius Shiskin, de la oficina de Censura, esta tcnica descompone una serie cronolgica en variaciones estacionales, ciclos de tendencia y elementos irregulares. Se utiliza principalmente para el anlisis detallado de la serie cronolgica (incluyendo el estimado de variaciones estacionales); nosotros hemos ampliado sus usos para la pronosticacin, seguimiento y como indicador
Regular a muy buena
Pobre a buena
Muy pobre
Pobre
Control de produccin e inventario, pronsticos de mrgenes y otros datos financieros.
Un mnimo de dos aos de la historia de ventas, si existen variaciones estacionales en su defecto, menos datos (por supuesto, cuanta ms historia mejor). Debe especificarse el promedio en movimiento. Igual que para un promedio en movimiento
Muy a excelente
Pobre a buena
Muy pobre
Regular
Control de produccin e inventario para artculos de volumen grande, pronsticos de los balances de efectivo
Como mnimo 3 aos de historia para comenzar. Sin embargo, ms historia resulta ventajosa. En la identificacin del modelo y en la identificacin del parmetro. Como mnimo 3 aos de historia para comenzar.
Muy bueno a excelente
Bueno
Muy pobre
Muy buena
Seguimiento e indicadores; pronosticacin de las ventas de la compaa, divisin o departamento; establecimiento y crtica de los presupuestos.

incorporando otros mtodos analticos. Se utiliza con conocimientos especiales. Quizs es la tcnica ms efectiva para la pronosticacin a mediano plazo 3 meses a 1 ao, permitindole a la persona predecir los puntos de inflexin y programar eventos especiales. Esta tcnica se adecua a una tendencia de lnea y luego la proyecta hacia el futuro por medio de esta ecuacin; por ejemplo, el mtodo de inclinacin caracterstica, polinomios y papel semilogaritmico.
Proyecciones de tendencia
Muy bueno
Pobre bueno
Pobre bueno
Pobre
Pronosticacin de productos nuevos (especialmente a mediano y largo plazo).
Curva de aprendizaje/ex periencia
Modelo de regresin
La curva original de aprendizaje que se obtiene por primera vez durante la fabricacin de aviones se orienta principalmente sobre la mayor eficacia y menores costos de fabricacin, lo que ocurri conforme se acumul el volumen del producto. La repeticin de esta mejora de la eficiencia permiti a los encargados del planeamiento produccin predecir con bastante exactitud los costos futuros. La curva de la experiencia es una generalizacin de la familiar curva de aprendizaje. El grupo consultor de Boston la ha ampliado para incluir otros factores, como costo de volumen y todos los componentes de los costos unitarios del producto final entregado al cliente (por ejemplo: costos de manufactura, costos de venta y distribucin, desarrollo del producto y costos administrativos). Relaciona funcionalmente las ventas con otras variables macroeconmicas, de la competencia o de la ndole interna y estima una ecuacin con base en la tcnica de los mnimos cuadrados. Las relaciones se analizan, fundamentalmente, por medio de mtodos estadsticos, aunque toda ecuacin tiene que pasar una prueba de seleccin desde el punto de vista del sentido comn.
Regular
Regular a bueno
Regular a bueno
Regular
Pronosticacin de costos a un largo plazo para productos establecidos y nuevos, pronosticacin de requerimientos de mano de obra y de capital, programacin, compras, determinacin de precios, etc.
Vara de acuerdo con la tcnica usada. Sin embargo, un buen mtodo emprico es utilizar un mnimo de 5 aos de datos anuales para empezar. Varios aos de historia de uno o ms productos.
Buena a muy buena
Muy buena a excelente
Regular a buena
Muy buena
Previsin de ventas por clases de productos, previsin de mrgenes.
Encuestas de anticipacin y de intencin de compra
Modelo InputOutput
Estas encuestas al pblico en general determinan las intenciones de comprar ciertos productos, o deducen un ndice que deduce el sentir general sobre el presente y el futuro y que estima cmo este sentir afecta los hbitos de compra. Estos mtodos son ms tiles para seguimiento y alerta que para realizar previsiones. El problema fundamental estriba en que pueden situar errneamente un punto de cambio de tendencia (que quiz no se dar nunca). Mtodo de anlisis del flujo de bienes y servicios entre sectores o departamentos, en lo que respecta con la economa de un pas o las relaciones entre una empresa y sus mercados. Muestra que flujo de entradas (Inputs) tiene que existir para que se produzca determinado flujo de salidas (Output). Hay que desarrollar un esfuerzo considerable para utilizar estos modelos adecuadamente y son necesarios detalles adicionales, y que no suelen
Mala buena
Mala buena
Muy mala
Buena
Previsin de ventas por clases de produccin
Para obtener relaciones significativas se necesitan datos mensuales o trimestrales de varios aos. Es preciso, por condicionamiento matemtico, tener dos observaciones ms que el nmero de variables independientes. Suelen hacer falta datos de varios aos, para relacionar estos ndices con las ventas de la empresa.
No es aplicable
Buena a muy buena
Buena a muy buena
Regular
Previsin de ventas de la empresa o de cada divisin por sectores y subsectores econmicos
De 10 a 15 aos de datos histricos. Cantidades considerables de informacin sobre los flujos de productos y servicios dentro de la empresa(o de la economa del pas), para cada ao en que se desee

estar a la mano, si se los quiere aplicar a una determinada empresa. Modelo InputOutput Economtrico Los modelos economtricos y los modelos input-output se suelen combinar, a veces, a efectos de realizar previsiones. El modelo input-output se emplea para introducir las tendencias a largo plazo en el modelo economtrico, tambin contribuye a estabilizar el modelo economtrico. Porcentaje de un grupo de indicadores econmicos que suben o bajan, y convierten este porcentaje en el ndice. Se trata de considera una serie temporal relativa a cierta actividad econmica, cuyo movimiento en una direccin dada precede al movimiento en esa misma direccin de otra serie temporal. Anlisis y previsin de tasas de crecimiento de un nuevo producto, basndose en las curvas en S. Son de capital importancia las fases de aceptacin del producto por los diversos grupos: Innovadores, seguidores tempranos, mayora temprana, mayora tarda y rezagados. No es aplicable Buena a muy buena Buena a excelente Buena Ventas de la empresa por sectores y subsectores econmicos realizar el anlisis input-output. Los mismos que para el promedio mvil y que para el X-11
ndice difusin ndice anticipador
de
Mala buena Mala buena
Mala buena Mala buena
Muy mala
Buena
Previsiones de ventas por clases de productos. Previsiones de ventas por clases de productos
Muy mala
Buena
Anlisis del ciclo de vida
Mala
Mala buena
Mala buena
Mala a buena
Previsiones de ventas de nuevos productos
Los mismos que para las encuestas sobre intenciones de compra. Los mismos que para una encuesta sobre intenciones de compra, ms 5 a 10 aos de datos histricos. Como mnimo, las ventas anuales del producto estudiado u otro similar. Suele ser necesario hacer encuestas de mercado.
Ajuste exponencial: Esta tcnica es similar a la de un promedio mvil, con la diferencia de que los
datos de fecha ms recientes son ms ponderados. La nueva previsin es igual a la anterior ms cierta proporcin de error que hubo en la previsin anterior. Se toman en cuenta las variaciones estacionales. Hay muchos tipos de ajuste exponencial, algunos son ms flexibles, otros son ms complicados en el clculo. Adecuado para usarse en computadores y cuando es necesario hacer una proyeccin acerca de un gran nmero de productos.
Box-Jenkins: Es un mtodo estadstico en donde las variables aleatorias de la serie temporal forman
parte de un proceso estadstico que es analizado mediante una ecuacin de diferencia cuya situacin es ajustada mediante algoritmos estadsticos. Hay que identificar el tipo de modelo y estimar los parmetros. Es uno de los procedimientos estadstico de ms precisin que existe actualmente, pero tambin es uno de los ms costosos. Es muy complicada pero aparentemente es la tcnica estadstica ms exacta que existe. Se refiere a una clase de modelos estadsticos para los datos y ajusta el modelo a las series de tiempos mediante la utilizacin de las distribuciones posteriores bayesianas.
X-11: Esta tcnica desglosa una serie temporal en variaciones estacionales, tendencias cclicas y
elementos irregulares. Se us principalmente para el anlisis detallado de series de tiempo, pero tambin puede usarse para la realizacin de previsiones, seguimiento y alerta, si se le incorporan otros mtodos analsticos. Si se le conoce en profundidad, quizs sea la tcnica ms eficaz para previsiones a mediano plazo (entre tres meses y un ao), pues permite proyectar los puntos de cambio de tendencia y situar en el tiempo ciertos acontecimientos especiales.
Proyecciones de tendencia: Esta tcnica ajusta una lnea de tendencia a una ecuacin matemtica y
a continuacin la proyecta en el futuro con esta ecuacin. Existen diversos tipos de proyecciones: de la pendiente caracterstica, segn su tipo logartmico, potencial, exponencial, logstica, etc.
Modelos Economtricos. Un modelo economtrico es un sistema de ecuaciones de regresin

interdependientes que describe algn sector de actividades econmicas, ventas o utilidades.
METODOS CAUSALES
Estos mtodos desarrollan un modelo de causa y efecto entre la demanda y otras variables. Son los tipos ms elaborados de los instrumentos de previsin. Expresan matemticamente las relaciones causales significativas, y pueden contemplar las caractersticas internas del flujo de materiales en el proceso productivo y la informacin procedente de investigacin de mercado.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Puede tambin incorporar directamente los resultados procedentes de un anlisis de series temporales.
Modelo de regresin: Relaciona funcionalmente las ventas con otras variables macroeconmicas, de
la competencia o de ndole interna, y estima una ecuacin con base en la tcnica de los mnimos cuadrados de los errores. Las relaciones se analizan, fundamentalmente, por medio de mtodos estadsticos aunque toda ecuacin tiene que pasar una prueba de seleccin desde el punto de vista del sentido comn.
Encuestas de anticipacin y de intencin de compra : Estas encuestas al pblico en general

determinan la intencin de comprar ciertos productos o deducen un ndice que mide el sentir general acerca del presente y el futuro y estima cmo este sentir afecta los hbitos de compra. Estos mtodos son ms tiles para seguimiento y alerta que para realizar previsiones. El problema fundamental estriba en que pueden situar errneamente un punto de cambio de tendencia.
Modelo Input-Output: Mtodo de anlisis del flujo de bienes y servicios entre sectores o
departamentos, en lo que respecta a la economa de un pas o a las relaciones entre una empresa y sus mercados. Muestra qu flujo de entradas (inputs) tiene que existir para que se produzca determinado flujo de salidas (outputs).
Modelo Input-Output Economtrico: Es una combinacin de los modelos input-output que suelen
combinar, a veces, para efectos de realizar previsiones. El modelo input-output se emplea para introducir las tendencias a largo plazo en el modelo de regresin; tambin contribuye a estabilizar el modelo economtrico.
ndice de difusin: Porcentaje de un grupo de indicadores econmicos que suben o bajan, y

convierten este porcentaje en el ndice.
ndice anticipador: Se trata de considerar una serie temporal relativa a cierta actividad econmica,
cuyo movimiento en una direccin dada precede al movimiento en esa misma direccin de otra serie temporal.
Anlisis del ciclo de vida: Anlisis y previsin de las tasas de crecimiento de un producto. Son de
capital importancia las fases de aceptacin del producto por los diversos grupos: innovadores, seguidores tempranos, mayora temprana, mayora tarda y rezagada. El ciclo de vida del producto es una excelente referencia para escoger la tcnica y la inversin de recursos (costo) que desean involucrarse.
Patrones de demanda
Las observaciones repetidas de la demanda, tomando como base el orden en que se realizan, forman un patrn que se conoce como serie de tiempo. Una tendencia es el patrn subyacente de crecimiento o declinacin de una serie de tiempo. Los cinco patrones bsicos de la mayora de las series de tiempo aplicables a la demanda son: 1. Horizontal: O sea, la fluctuacin de los datos en torno de una media constante. 2. De tendencia: Es decir, el incremento o decremento sistemtico de la media de la serie a travs del tiempo. 3. Estacional: Los patrones estacionales se caracterizan por periodos repetibles de altas y bajas a lo largo de los periodos cortos. Son patrones repetible de incrementos o decrementos de la demanda, dependiendo de la hora del da, la semana, el mes o la temporada. Ejemplos: la demanda de bebidas fras es baja durante el invierno, comienza aumentar durante la primavera y tiene un mximo durante el verano y comienza a declinar en el otoo; demanda de abrigos, etc. 4. Cclico: Los patrones cclicos son patrones regulares en una serie de datos que suceden durante largos periodos. O sea, una pauta de incremento o decremento graduales y menos previsibles de la demanda, los cuales se presentan en el curso de periodos de tiempo ms largos (aos o decenios); y 5. Aleatorio: Una variacin aleatoria (a veces llamada ruido) es la desviacin inexplicable de una serie de tiempo de un patrn predecible, como una tendencia estacional o patrn cclico.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones 6. Variacin Irregular (una sola vez): Una variacin irregular es una variacin de una sola vez que tiene una explicacin. Por ejemplo, un huracn puede ocasionar un aumento en la demanda de material de construccin, alimentos y agua.
Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cclico) se combinan en diversos grados para definir el patrn fundamental de tiempo de demanda que corresponde a un producto o servicio. El quinto patrn, la variacin aleatoria, es resultado de causas fortuitas y, por lo tanto, no puede ser previsto. La variacin aleatoria representa un aspecto de la demanda por lo que todos los pronsticos resultan equivocados. La figura siguiente muestra los cuatro primeros patrones de una serie de tiempo de la demanda, todos los cuales contienen variacin aleatoria. Una serie de tiempo puede contener cualquier combinacin de estos patrones.
Diseo del sistema de pronsticos

Antes de usar tcnicas de pronsticos para el anlisis de problemas de administracin de operaciones, el gerente tiene que tomar tres decisiones: - Que va a pronosticar - Qu tipo de tcnica de pronstico va a aplicar. - Que tipos de hardware o software de computadora (o ambos) va a utilizar. A pesar de que la realidad se necesita algn tipo de estimacin de la demanda para los bienes y servicios individuales que una compaa produce, puede se mas sencillo pronosticar la demanda total para grupos o conjuntos y derivar despus los pronsticos correspondientes a productos o servicios individuales. Adems la seleccin de la unidad de medicin apropiada para efectuar los pronsticos (por ej. Unidades de producto o servicio, o bien, horas maquina) es tan importante como la habilidad para escoger el mejor mtodo. Acumulacin: Al agrupar varios productos o servicios similares, en un proceso llamado acumulacin, las compaas tienen la posibilidad de realizar pronsticos ms precisos. Muchas empresas utilizan un sistema de pronstico de dos niveles, en la cual se realizan primero pronsticos para familias de bienes o servicios cuyos requisitos de demanda, procesamiento, trabajo y materiales son similares, y de estas cifras generales derivan despus pronsticos para elementos individuales.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Unidades de medicin: Los pronsticos ms tiles para la resolucin de problemas de planificacin y el anlisis de operaciones no son los que se basan en unidades monetarias, sino en unidades de productos o servicios, ya sea automviles, paquetes de correspondencia por entregar o clientes que requieren servicio de mantenimiento o reparaciones para sus vehculos. Si no es posible pronosticar con precisin el nmero de unidades de la demanda de un producto o servicio, muchas veces resulta preferible pronosticas las horas estndar de mano de obra o de maquina requeridas de cada uno de los recursos crticos, basndose en patrones histricos. En el caso de las compaas que producen bienes o servicios por pedido del cliente, las estimaciones por mano de obra o de maquina son importantes para la debida programacin y planificacin de la capacidad.
Horizonte de planeacin de los pronsticos

Se necesitan pronsticos de la demanda futura en todos los niveles de toma de decisiones organizacionales. El horizonte de planeacin es la longitud del tiempo en el que se basa un pronstico. Los pronsticos de largo plazo abarcan un horizonte de planeacin de 1 a 10 aos y son necesarios para planear la expansin de instalaciones y determinar las necesidades futuras de terreno, mano de obra y equipo. Cundo y dnde construir nuevas tiendas al menudeo, fbricas, escuelas, bibliotecas y centros de distribucin, hospitales y clnicas y las instalaciones de servicios de emergencia para los departamentos de polica y bomberos dependen de los pronsticos a largo plazo. Los errores en los pronsticos a largo plazo pueden ocasionar que las empresas construyan instalaciones demasiado grandes y, por tanto, crearan grandes desventajas de costos. Del mismo modo, los errores de pronstico a largo plazo tambin pueden hacer que se construyan instalaciones demasiado pequeas, lo que ocasionara una prdida de oportunidades de ganar participacin de mercado y generar ingresos. Se necesitan pronsticos a mediano plazo durante un periodo de 3 a 12 meses para planear a niveles de fuerza de trabajo, asignar presupuestos entre las divisiones, programar trabajos y recursos y establecer planes de compras. Por ejemplo, un departamento de compras puede negociar un descuento significativo al contratar un pedido de una cantidad grande de un producto o servicio en particular a lo largo del siguiente ao. Los pronsticos a mediano plazo tambin ayudan a los departamentos de recursos humanos en las contrataciones futuras, capacitacin de empleados y dems. Los pronsticos a corto plazo se enfocan en un horizonte de planeacin de hasta tres meses y se utilizan por parte de los gerentes de operaciones para planear los programas de produccin y asignar trabajadores a puestos, para determinar los requisitos de capacidad a corto plazo y ayudar a los departamentos de embarque a planear las necesidades de transporte y establecer los programas de entregas. Una divisin de tiempo es la unidad de medida para el periodo que se utiliza en un pronstico. Una divisin de tiempo puede ser un ao, un trimestre, un mes, una semana, un da, una hora o incluso un minuto. Para un horizonte de planeacin a largo plazo, una empresa podra pronosticar en divisiones de tiempo anuales; para un horizonte de planeacin a corto plazo, la divisin de tiempo puede ser una hora o menos. Por ejemplo, los centros de atencin telefnica pronostican la demanda de clientes en intervalos de 5, 6 o 10 minutos. Elegir una duracin correcta del horizonte de planeacin y el tamao de la divisin para la situacin adecuada es una parte importante de la elaboracin de pronsticos.
Seleccin del tipo de tcnica de pronstico

El objeto del pronosticador es elaborar un pronstico til a partir de la informacin disponible, aplicando la tcnica que resulte apropiada para las diferentes caractersticas de la demanda. Para los pronsticos de la demanda se usan dos tipos generales de tcnicas: mtodos cualitativos y mtodos cuantitativos. Entre los mtodos cualitativos figuran los mtodos de juicio, en las que las opiniones de gerentes y expertos, los resultados de encuestas de consumidores y las estimaciones de la fuerza de ventas se traducen estimaciones cuantitativas. Entre los mtodos cuantitativos podemos mencionar los mtodos causales y el anlisis de serie de tiempo. Para pronosticar la demanda, los mtodos causales utilizan datos histricos de variables independientes, como campaas de promocin, condiciones econmicas y actividades de los competidores. El anlisis de series de tiempo es un mtodo estadstico que depende en alto grado de datos histricos de la demanda, con los que proyecta la magnitud futura de la misma y reconoce la tendencia y patrones estacionales. Un factor clave en la seleccin del enfoque de pronstico ms adecuado es el horizonte de tiempo correspondiente a la decisin que quiera pronosticarse. Los pronsticos pueden ser a corto, mediano y largo plazo.

A corto plazo: En el corto plazo (que abarca en este caso entre cero y tres meses futuros), los gerentes
suelen interesarse en obtener pronsticos de demanda para determinados productos o servicios individuales. En el caso de pronsticos de demanda, se dispone de poco tiempo para reaccionar frente a posibles errores, por lo cual es necesario que dichos pronsticos alcancen la mayor precisin posible para fines de planificacin. El anlisis de series de tiempo es el mtodo que se emplea ms frecuentemente para elaborar pronsticos a corto plazo. Es una forma relativamente econmica y precisa de generar el gran nmero de pronsticos requeridos. Por ltimo, los gerentes usan mtodos de juicio para elaborar pronsticos a corto plazo cuando no disponen de datos histricos sobre un elemento especfico, como en el caso de nuevos productos.
A mediano plazo: El horizonte de tiempo que caracteriza al mediano plazo abarca entre tres meses y
dos aos futuros. La necesidad de contar con pronsticos a mediano plazo est relacionada con la planificacin de la capacidad. El nivel de detalle requerido en el pronstico no es tan grande como en el caso del corto plazo. Tpicamente, los gerentes pronostican la demanda total de ventas, expresada en dinero o en el nmero de unidades de un grupo (o familia) de productos o servicios similares. Por lo comn, los modelos causales se utilizan en los pronsticos a mediano plazo. Tambin son tiles algunos mtodos de pronsticos basados en el a juicio. En general, el anlisis de series de tiempo no produce resultados precisos a mediano o largo plazo, principalmente porque en l se supone que los patrones existentes van a continuar en el futuro.
A largo plazo: Cuando los horizontes de tiempo abarcan ms de dos aos, los pronsticos se elaboran
de ordinario en torno a la demanda total de ventas, ya sea en trminos de dinero o de alguna otra unidad de medicin comn (por ej. Barriles, kg, kilowatts). Los pronsticos precisos de la demanda a largo plazo para productos o servicios individuales no slo son muy difciles de realizar, sino tambin excesivamente detallados para los propsitos de planificacin de largo alcance. Tres tipos de decisiones (sobre la localizacin de las instalaciones, la planificacin de la capacidad y la seleccin de procesos) requieren estimaciones de la demanda de mercado para un periodo futuro prolongado. Los modelos causales y los mtodos de juicio son las principales tcnicas que se emplean para elaborar pronsticos a largo plazo. A pesar de todo, hasta los pronsticos basados en modelos causales, obtenidos por mtodos matemticos, tienen que ser matizados a travs de la experiencia y el buen criterio administrativo, tomando en cuenta el buen criterio administrativo, tomando en cuenta el horizonte de tiempo en cada caso y las posibles consecuencias de las decisiones basadas en ellos. Otros factores a considerar: o El contexto del pronstico o La relevancia y disponibilidad de datos histricos o El grado de exactitud deseado o El periodo de tiempo que se va a pronosticar o El anlisis de costo-beneficio del pronstico o El punto del ciclo de vida en que se encuentra el producto.
PATRONES DE DATOS EN SERIES DE TIEMPO

Los mtodos estadsticos para la elaboracin de pronsticos se basan en el anlisis de datos histricos, llamados series de tiempo. Una serie de tiempo es un conjunto de observaciones registradas en puntos sucesivos en el tiempo a lo largo de periodos subsecuentes. Estos mtodos estn basados en la suposicin de que el patrn de la variable dependiente en el pasado habr de continuar en el futuro. En el anlisis de series de tiempo se identifican los patrones fundamentales de la demanda que se combinan entre s para generar el patrn histrico observado en la variable dependiente, despus de lo cual se elabora un modelo capaz de reproducir dicho patrn. En esta seccin centraremos nuestra atencin en los mtodos con series de tiempo aplicables a los patrones de demanda de tipo horizontal, a los de tendencia y a los estacionales.
Estimacin del promedio

Cada serie de tiempo de demanda tiene por lo menos dos de los cinco patrones posibles de demanda: el horizontal y el aleatorio (o al azar). Tambin es posible que tenga patrones de tendencia, estacionales o

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones cclicos. Comenzaremos nuestra exposicin de los mtodos estadsticos en el pronstico de las series de tiempo, refirindonos a la demanda que no tiene patrones de tendencia, estacionales o cclicos. El patrn horizontal de una serie de tiempo se basa en la media de las demandas, por lo cual enfocaremos nuestra atencin en los mtodos de pronstico en los que se estima el promedio de una serie de datos a travs del tiempo. En consecuencia, para todos los mtodos de pronstico expuestos en esta seccin, el pronstico de demanda para cualquier periodo futuro es el promedio de las series de tiempo calculadas en el periodo actual. Por ejemplo, si el promedio de la demanda pretrita calculada el martes es de 65 clientes, entonces los pronsticos para el mircoles, el jueves y el viernes sern de 65 clientes cada da. Las tcnicas estadsticas tiles para el pronstico de esas series de tiempo son: - Promedios mviles simples - Promedios mviles ponderados y - Suavizacin exponencial.
PROMEDIOS MVILES SIMPLES:

El concepto de promedio mvil simple se basa en la idea de promediar las fluctuaciones aleatorias en una serie de tiempo para identificar la direccin subyacente en la que dicha serie est cambiando. Un pronstico de promedio mvil es un promedio de las observaciones n ms recientes de una serie de tiempo. El mtodo de promedio mvil simple se usa para estimar el promedio de una serie de tiempo de demanda y, por lo tanto, para suprimir los efectos de las fluctuaciones al azar. Este mtodo resulta ms til cundo la demanda no tiene tendencias pronunciadas ni influencias estacionales. La aplicacin de un modelo de promedio mvil implica simplemente calcular la demanda promedio para los n periodos ms recientes, con el fin de usarla como pronstico para el siguiente periodo. Para el periodo siguiente, una vez que se conoce la demanda, la demanda ms antigua incluida en el promedio anterior se sustituye por la demanda ms reciente y luego se vuelve a calcular el promedio. De esta manera se usan la n demandas ms recientes, por lo cual el promedio se mueve de uno a otro periodo. En trminos especficos, el pronstico correspondiente al periodo t+1 se puede calcular en la siguiente forma: Ft+1 =
Donde Dt = Demanda real en el periodo t N = nmero total de periodos incluidos en el promedio Ft + 1 = Pronostico para el periodo t + 1 Con el mtodo de promedio mvil, el pronstico de la demanda en el periodo siguiente ser igual al promedio calculado al final de este periodo Elabore un pronstico de promedio mvil de tres semanas para estimar la llegada de pacientes a un hospital. Los nmeros correspondientes a las llegadas de pacientes fueron los siguientes:
14

Figura: Demanda proyectada con base en un promedio de movimiento simple de tres semanas.
Solucin El pronstico promedio mvil al final de la semana 3 es: F4 = = 1066.67 As, el pronstico correspondiente a la semana 4 es de 1068 pacientes aproximadamente. Para elaborar el pronstico correspondiente a la semana 5, es necesario conocer las llegadas reales durante las semanas 2 a 4, es decir, los datos de las tres semanas ms recientes.
PROMEDIO MVIL PONDERADO

En el mtodo de promedio mvil simple, todas las demandas tienen la misma ponderacin en el promedio, es decir, 1/n. En el mtodo de promedio mvil ponderado, cada una de las demandas histricas que intervienen en el promedio puede tener su propia ponderacin. El resultado de la suma de las ponderaciones es 1.0. Ft+1 = (ponderacin para periodo n)*(demanda en periodo n) Ft+1 = W tDt + W t-1Dt-1 + W t-2Dt-2 ++W t-k+1 Dt-k+1 Donde la W t representa el peso asignado al periodo t. Ntese que todos los pesos deben sumar 1.0 Por ejemplo un modelo con promedio mvil ponderado de tres periodos, al periodo ms reciente se le puede asignar una ponderacin de 0.50, al segundo ms reciente se le asigna una ponderacin de 0.30, y al tercero ms reciente, una de 0.20. El promedio se obtiene multiplicando la ponderacin de cada periodo por el valor correspondiente a dicho periodo y sumando finalmente los productos. Un promedio mvil ponderado se expresa matemticamente como: Ft + 1 = 0.50Dt + 0.30Dt 1 + 0.20Dt - 2 La ventaja del mtodo de promedio mvil ponderado es que nos permite hacer nfasis en la demanda reciente, por encima de la demanda anterior. Este pronstico suele responder mejor que el pronstico de promedio mvil simple, frente a los cambios registrados en el promedio fundamental de la serie de demandas. A pesar de eso, el pronstico de promedio mvil ponderado seguir retrasndose con respecto a la demanda porque solo calcula promedios de la demanda en el pasado. Este retraso es especialmente notable cuando existe una tendencia, por que el promedio la serie de tiempo va incrementando o disminuyendo en forma sistemtica. Ejemplo 2: El analista que est a cargo de la clnica mdica ha asignado ponderaciones de 0.70 a la demanda ms reciente, 0.20 a la demanda de hace una semana y 0.10 a la demanda de hace dos semanas. Use los datos correspondientes a las tres primeras semanas del ejemplo anterior para calcular el pronstico de promedio mvil ponderado para la semana 4. Solucin: La demanda ponderada en la semana 3 es: F4 = 0.70*(1000)+0.20*(1400) + 0.10*(800) = 1060 Para elaborar el pronstico correspondiente a la semana 5, es necesario conocer las llegadas reales durante las semanas 2 a 4, es decir, los datos de las tres semanas ms recientes. F5 = 0.70*(1500)+0.20*(1000) + 0.10*(1400) = 1390 El mtodo de promedio mvil ponderado presenta las mismas limitaciones que el mtodo de promedio mvil simple: es necesario recolectar los datos de n periodos de demanda para poder calcular el promedio correspondiente a cada periodo.
SUAVIZACIN EXPONENCIAL
Suavizamiento exponencial simple (SES) es una tcnica para la elaboracin de pronsticos que utiliza un promedio ponderado de los valores pasados de la serie de tiempo para pronosticar el valor de sta en el siguiente periodo.
15

Figura: Demanda proyectada de un promedio mvil ponderado
El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin a las demandas anteriores. Es un mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor fluctua entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemos un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin correspondiente a este pronstico es: Ft + 1 = (Demanda para este periodo) + (1 Ft + 1 = o Ft + 1 = (Demanda real actual) + (1 ) (Pronstico de la demanda previa) Dt + (1 - ) Ft ) (Pronstico calculado para el ltimo periodo)
La siguiente es una ecuacin equivalente: Ft + 1 = Ft + (Dt Ft)
Donde se llama constante de suavizamiento (0 1). Para utilizar este modelo, establezca el pronstico del periodo 1, F1, igual a la observacin real del periodo 1, D 1: Ntese que F2 tambin tendr el mismo valor. Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al pronstico del periodo actual ms una proporcin del error del pronstico correspondiente al mismo periodo actual. El nfasis que se hace en los niveles de demanda ms recientes puede ajustarse modificando el parmetro de suavizacin. Los valores ms grandes de hacen nfasis en los niveles recientes de la demanda y dan lugar a pronsticos que responden mejor a los cambios en el promedio fundamental. Con valores ms pequeos, se considera ms uniformemente la demanda pretrita y se producen pronsticos ms estables. Este enfoque es similar al ajuste del valor de n en los mtodos de promedio mvil, salvo que en estos ltimos los valores menores de n ponen nfasis en la demanda reciente y los

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones valores ms grandes conceden mayor ponderacin a la demanda pretrita. En la prctica, se ensaya con diversos valores de y se selecciona el que produzca los mejores pronsticos. Para poner en marcha la suavizacin exponenciacin se requiere un pronstico inicial. Hay dos formas de realizar ese pronstico inicial: usar la demanda del ltimo periodo, o bien, si se dispone de datos histricos, calcular el promedio de varios periodos recientes de demanda. El efecto de la estimacin inicial del promedio sobre las estimaciones sucesivas disminuye a lo largo del tiempo porque, con la suavizacin exponencial, las ponderaciones asignadas a las demandas histricas sucesivas, que se utilizan para calcular el promedio, disminuyen exponencialmente. Podemos ilustrar este efecto con un ejemplo. Suponiendo que = 0.20, el pronstico para el periodo t+1 es: Ft + 1 = 0.20Dt + 0.80Ft Mediante la ecuacin correspondiente a F t, expandimos la ecuacin para F t + 1: Ft + 1 = 0.20Dt + 0.80(0.20Dt 1 + 0.80Ft 1) = 0.20Dt + 0.16Dt 1 + 0.64Ft 1 Si continuamos expandindola, obtenemos: Ft + 1 = 0.20Dt + 0.16Dt 1 + 0.128Dt 2 + 0.1024Dt 3 + Finalmente, las ponderaciones de las demandas que se remontan muchos periodos en el pasado se aproximan a cero. Igual que en el mtodo de promedio mvil ponderado, la suma de las ponderaciones deber ser igual a 1.0, lo cual va implcito en la ecuacin de suavizacin exponencial. Ejemplo 3: Considere nuevamente los datos sobre la llegada de pacientes del ejemplo 1. Ahora nos encontramos al final de la semana 3. A partir de = 0.10, calcule el pronstico de suavizacin exponencial para la semana 4 Solucin: El mtodo de suavizacin exponencial requiere un pronstico inicial. Supongamos que tomamos los datos de demanda de las dos ltimas semanas y los promediamos para obtener (800+1400)/2 = 1100 como pronostico inicial. A fin de calcular el pronstico para la semana 4, utilizamos una suavizacin exponencial con = 0.10, calculamos el promedio al final de la semana 3 en la siguiente forma: F4 = 0.10 (1000) + 0.90 (1100) = 1090 As el pronstico para la semana 4 sera de 1090 pacientes. Si la demanda real para la semana 4 resulta de 1500, entonces el nuevo pronstico para la semana 5 seria: F5 = 0.10 (1500) + 0.90 (1090) = 1131, o sea, 1131 pacientes.
Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Demanda 800 1400 1000 1500 1500 1300 1800 1700 1300 1700 1700 1500 2300 2300 2000 Suavizacin Exponencial
1100,0000 1090,0000 1131,0000 1167,9000 1181,1100 1242,9990 1288,6991 1289,8292 1330,8463 1367,7616 1380,9855 1472,8869 1555,5982
17 Docente Ing. J. Paredes C.

2500 2000 Semanas 1500 1000 500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 La suavizacin exponencial tiene las ventajas de ser sencilla y requerir un mnimo de datos. Su utilizacin es econmica y, por tanto, muy atractiva para las empresas que realizan miles de pronsticos para cada periodo de tiempo. Sin embargo, su sencillez se convierte en una desventaja cuando el promedio fundamental se modifica, como en el caso de las series de demanda que muestran una tendencia. Igual que con cualquier mtodo enfocado nicamente en el supuesto de un promedio estable, los resultados de la suavizacin exponencial se retrasan con respecto a los cambios registrados en el promedio fundamental de la demanda. Los valores ms altos pueden ayudar a reducir los errores de pronstico cuando se produce un cambio en el promedio de las series de tiempo; sin embargo, seguir habiendo retrasos si el promedio cambia sistemticamente. De ordinario, si se requieren valores grandes de (por ej. 0.50) para la aplicacin de una suavizacin exponencial, es muy probable que se requiera un modelo ms refinado a causa de la presencia de una tendencia o una influencia estacional significativa en las series de demanda. Demanda Suavizacion Exponencial
Suavizacin Exponencial con Tendencia

Si somos de la opinin que una serie de tiempo muestra una tendencia lineal (y ninguna estacionalidad), entonces, el mtodo de Holt ofrece, con frecuencia, un buen pronstico. Al final del t-simo periodo, el mtodo de Holt genera una estimacin del nivel de base (Lt) y de la tendencia por periodo (Tt) de la serie. El procedimiento por el cual se incorpora una tendencia a un pronstico suavizado exponencialmente se conoce como mtodo de suavizacin exponencial ajustada a la tendencia. En este enfoque, las estimaciones para el promedio y la tendencia son suavizadas, para lo cual se requieren solamente dos constantes de suavizacin. Calculamos el promedio y la tendencia para cada periodo: Lt = Lt = (Demanda en este periodo) + (1 - )(Promedio + Estimacin de la tendencia en el ltimo periodo) Dt + (1 - )(Lt-1 + Tt-1)
Tt = (Promedio de este periodo promedio del ultimo periodo) + (1 ) (Estimacin de la tendencia en el ltimo periodo) Tt = (Lt Lt-1) + (1 ) Tt-1 Ft+1 = Lt + Tt Dnde: Lt: Promedio exponencialmente suavizado de la serie en el periodo t Tt: Promedio exponencialmente suavizado de la tendencia en el periodo t =Parmetro de suavizacin para el promedio, con un valor entre 0 y 1 = Parmetro de suavizacin para la tendencia, con un valor entre 0 y 1 Ft+1 = Pronostico para el periodo t + 1 Las estimaciones del promedio y la tendencia correspondientes al ltimo periodo, que se requieren en el primer pronstico, pueden obtenerse a partir de datos del pasado o basarse en una estimacin aproximada si no existen datos histricos. Para encontrar los valores de hasta que obtenga los errores del pronstico ms bajos posibles. Este proceso se puede llevar a cabo en un ambiente experimental, usando el modelo para pronosticar las cifras histricas de demanda.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Un laboratorio clnico ofrece servicios a los pacientes del hospital Regional Docente de Trujillo. El administrador est interesado en pronosticar el nmero de pacientes que van a requerir anlisis de sangre cada semana. Es preciso comprar suministros y tomar una decisin acerca del nmero de muestras sanguneas que sern enviadas a otro laboratorio, para compensar las limitaciones de la capacidad del laboratorio principal. Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el corazn han generado un incremento en las solicitudes de anlisis ordinarios de sangre en todo el pas. En promedio el laboratorio clnico realiz 28 anlisis de sangre cada semana durante las 4 ltimas semanas. La tendencia en ese periodo fue de tres pacientes adicionales por semana. La demanda en esta semana fue de 27 anlisis de sangre. Usaremos = 0.20 y = 0.20 para calcular el pronstico correspondiente a la semana prxima. Solucin L0 = 28 pacientes y tambin T0 = 3 pacientes El pronstico para la semana 2(la semana siguiente) es: L1 = 0.20 (27) + 0.80 (28+3) = 30.20 T1 = 0.20 (30.20 - 28) + 0.80 (3) = 2.80 F2 = 30.20 + 2.80 = 33 anlisis de sangre Si el nmero real de anlisis sanguneos requeridos en la semana 2 resultara ser 44, entonces el pronstico actualizado para la semana 3 sera el siguiente: L2 = 0.20 (44) + 0.80 (30.2+2.80) = 35.20 T2 = 0.20 (35.20 30.20) + 0.80 (2.80) = 3.20 F3 = 35.20 + 3.20 = 38.40, es decir 38 anlisis de sangre. Punto de decisin Con este modelo de suavizamiento exponencial ajustado a la tendencia, el pronstico para la semana 2 fue de 33 anlisis de sangre, y de 38 anlisis de sangre para la semana 3. Si el analista elaborara los pronsticos al final de la semana 2 para los periodos posteriores a la semana 3. El pronstico tendra que ser incluso mayor debido a la tendencia ascendente, la cual se estima en 3.2 anlisis de sangre por semana. La figura siguiente muestra el pronstico ajustado a la tendencia (la lnea verde claro) correspondiente al Laboratorio, para un periodo de 15 semanas. Se ha establecido en 0.20, en 0.20, la demanda inicial en 28 y la estimacin inicial de la tendencia en 3. Al final de cada semana, se calcul un pronstico para la semana siguiente, usando el nmero de anlisis de sangre correspondiente a la semana actual. Observe que los pronsticos (los cuales se presentan en la tabla siguiente) varan menos que la demanda real a causa del efecto suavizador del procedimiento que se emple para calcular las estimaciones del promedio y la tendencia. Mediante el ajuste de y , se puede hallar un pronstico ms apropiado. Para elaborar pronsticos correspondientes a periodos posteriores al siguiente, se multiplica la estimacin de la tendencia por el nmero de periodos adicionales que se desea incluir en el pronstico y se suma el resultado al promedio actual. Por ejemplo, si al final de la semana 2 se deseara estimar la demanda de anlisis de sangre en la semana 6 (es decir, 4 semanas ms adelante), el pronstico sera de 35.23 + 4(3.28) = 48 anlisis. Una vez que llega la semana 15 y se sabe que el nmero real de llegadas fue de 75 pacientes, el promedio suavizado se actualiza a 66.38 y el promedio de la tendencia a 2.29. En seguida, se pueden elaborar pronsticos para varias semanas en el futuro. Por ejemplo, los pronsticos para las prximas 3 semanas seran: Pronstico para la semana 16 = 66.38 + (1) (2.29) = 68.67 Pronstico para la semana 17 = 66.38 + (2) (2.29) = 70.96 Pronstico para la semana 18 = 66.38 + (3)(2.29) = 73.25 El mtodo de suavizamiento exponencial ajustado a la tendencia ofrece la ventaja de que es capaz de ajustar el pronstico a los cambios registrados en la tendencia. Sin embargo, cuando la tendencia est cambiando, cuanto ms se proyecta hacia el futuro la estimacin de la tendencia, tanto ms impreciso ser el pronstico. Por eso, es conveniente restringir la utilizacin de los mtodos de series de tiempo a los pronsticos a corto plazo.
19

Figura: Demanda proyectada de una suavizacin exponencial con tendencia
Modelos Avanzados para la Elaboracin de Pronsticos Diversos otros mtodos se utilizan con frecuencia cuando existen factores de tendencia o estacionales. Estos son: o Promedio mvil doble: Se utiliza para series de tiempo con tendencia lineal. o Suavizamiento exponencial doble: Se utiliza para las series de tiempo con tendencia lineal. o Aditivo estacional: Se utiliza para las series de tiempo con estacionalidad, que es ms o menos estable al paso del tiempo. o Multiplicativa estacional: Se utiliza para las series de tiempo con estacionalidad que aumenta o disminuye en magnitud con el paso del tiempo. o Aditiva Holt-Winters: Se utiliza para series de tiempo con una tendencia lineal y estacionalidad, que es ms o menos estable al paso del tiempo. o Multiplicativa Holt-Winters: Se utiliza para series de tiempo con tendencia lineal y estacionalidad que aumenta o disminuye en magnitud al paso del tiempo.
ERRORES EN LOS PRONOSTICOS Y PRECISION

Todos los pronsticos estn sujetos a error y entender la naturaleza y tamao de los errores es importante para la adecuada toma de decisiones. Al utilizar diferentes mtodos para elaborar pronsticos se requiere de una medida de efectividad, siendo el error el mecanismo ms comnmente utilizado. El error en los pronsticos es la diferencia numrica entre la demanda pronosticada y la demanda real. Denotamos los valores histricos de una serie de tiempo por D 1, D2,, Dt. En general, Dt representa el valor de la serie de tiempo para el periodo t. Dejaremos que Ft represente el valor del pronstico para el periodo t. Cuando se haga este pronstico, no sabremos el valor real de la serie en el periodo t, Dt. Sin embargo, una vez que Dt se vuelve conocida, podemos evaluar qu tan bien nuestro pronstico pudo estimar el valor actual de la serie de tiempo. Un error de pronstico es la diferencia entre el valor observado de la serie de tiempo y el pronstico Dt Ft Obviamente un mtodo que produzca el error ms pequeo es deseable. Entre estos tenemos las siguientes medidas: Resulta evidente que uno de los principales problemas del administrador de operaciones, es el de seleccionar el mejor mtodo de pronstico, que debe obedecer, en el caso de los mtodos cuantitativos, al comportamiento histrico de los datos, con base en el anlisis de los patrones de comportamiento medio, tendencia, ciclos estacionales y elementos aleatorios. En el caso de que los datos histricos no

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones existan o sean poco confiables, lo mejor es emplear un mtodo cualitativo, los cuales, aunque no ofrecen un alto grado de seguridad, resultan mejores que nada. Uno de los elementos de juicio que permiten la seleccin del mtodo, lo proporciona el anlisis de error, el cual expresa la diferencia entre los datos reales y los pronosticados. Los mtodos de clculo del error del pronstico ms comunes son: Error promedio, Desviacin Absoluta Media (MAD DAM ), Error Cuadrado Medio (MSE), Error Porcentual Medio Absoluto (MAPE), la Media de las Desviaciones por Periodo (BIAS)y el error tpico de estimacin o error estndar para la estimacin de y. De cualquier forma, el mejor pronstico es aquel, que adems de manipular los datos histricos mediante una tcnica cuantitativa, tambin hace uso del juicio y el sentido comn empleando el conocimiento de los expertos. [Hanke & Deitsch 1996] LA DESVIACIN ABSOLUTA MEDIA (DAM) o MAD (del ingls mean absolute desviation) Es una medida del error global del pronstico para un modelo, Se obtiene de la sumatoria de las desviaciones absolutas para todos los periodos entre el nmero total de los periodos evaluados. DAM = DAM = Donde Fi = pronstico de la demanda en el periodo i Di = demanda real en el periodo i N = nmero de periodos de datos EL SESGO Se define como la suma algebraica de los errores de todos los periodos entre el nmero de periodos Sesgo =
Aunque son de apariencia muy similar, estas dos variables miden efectos extremadamente diferentes al pronosticar. Puesto que el DAM suma tan solo los valores absolutos de los errores, tanto los valores positivos como los negativos se agregan a la suma para as determinar el tamao promedio del error. Esto da al administrador una idea de la precisin del modelo de pronstico. Un administrador podra aprovechar este conocimiento y decir: Estos pronsticos normalmente son precisos slo dentro del 10%; es mejor mantener un abastecimiento adicional de alrededor del 10 por ciento como proteccin contra este posible error. Por otro lado, el sesgo indica si el pronstico est usualmente muy bajo o muy alto y qu tanto. Un administrador que lo sepa puede decir En promedio, se est pronosticando un 10 por ciento muy alto; sin peligro se puede hacer de 5 a 10 por ciento menos, para protegerse contra este error potencial. O sea que la DAM indica tan solo el tamao promedio del error, mientras que el sesgo seala el promedio total del error y su direccin. Como se mencion anteriormente, los mejores mtodos para pronosticar mostrarn las medidas de menor error. Suponga que dos mtodos para pronosticar se prueban comparndolos con los datos de la demanda por un periodo de cuatro meses. El mtodo A dio pronsticos de enero a abril de 102, 107, 106 y 113 respectivamente; el mtodo B dio 104, 105, 107, 110 y las demandas reales fueron 103, 106, 106 y 111. La DAM para el mtodo A seria: DAM = Y el sesgo sera: Sesgo = = 0.50 Para el mtodo B, la DAM es tambin 1, pero el sesgo es 0; por lo tanto el mtodo B es mejor. Bien puede suceder que un mtodo tenga una DAM menor, pero un sesgo mayor, o viceversa. En tales casos hay que considerar las circunstancias de la situacin, para determinar si la medida ms importante es la DAM o el sesgo. CUADRADO DEL ERROR MEDIO (MSE del ingls mean squared error) Es el promedio de las diferencias al cuadrado, entre el pronstico y los valores observados. MSE =
=1

MAPE (Mean Absolute Porcentual Error Error Porcentual Medio Absoluto): Es la media absoluta entre el pronstico y los valores observados expresados como porcentaje de los valores observados. DAM =
DESVIACION ESTANDAR O ERROR ESTANDAR DE LA REGRESION La desviacin estndar es la medida de la dispersin de los valores pronosticados con respecto de la demanda real. La estimacin se hace ms precisa conforme el grado de dispersin alrededor del plano de regresin se hace ms pequeo. Para medirla se utiliza la frmula: =
= 1.25 DAM
o utilizar la siguiente ecuacin, que es equivalente : S = Y: Valores observados en la muestra : Valores estimados a partir a partir de la ecuacin de regresin n : Nmero de datos m : Nmero de variables independientes Ejemplo 4: La tabla siguiente muestra las ventas reales de sillas tapizadas que realiz un fabricante de muebles y los pronsticos correspondientes a cada uno de los ltimos ocho meses. Calcule usted el DAM, El sesgo, MSE y la desviacin estndar Mes t 1 2 3 4 5 6 7 8 Total Demanda Dt 200 240 300 270 230 260 210 275 Pronostico Ft 225 220 285 290 250 240 250 240 Error Et -25 20 15 -20 -20 20 -40 35 -15 Cuadrado del error Error absoluto Et2 ( 625 25 12.5% 400 20 8.3 225 15 5.0 400 20 7.4 400 20 8.7 400 20 7.7 1600 40 19.0 1225 35 12.7 5275 195 81.3 Promedio 10.1625%
Solucin: Usando las formulas correspondientes a cada una de las mediciones, tenemos: Desviacin absoluta media DAM = 195/8 = 24.4 Sesgo = -15/8 = -1.875 Cuadrado del error medio MSE = 5275/8 = 659.4 Porcentaje absoluto medio = 81.3/8 = 10.1625% Desviacin estndar = = 27.45
METODOS CAUSALES
Los mtodos causales se emplean cuando se dispone de datos histricos y la relacin entre el factor que se intenta pronosticar y otros factores externos o internos (por ej. Las actividades del gobierno o promociones publicitarias) puede identificarse. Las relaciones de este tipo se expresan en trminos matemticos y suelen ser muy complejas. Los mtodos causales proveen instrumentos de pronsticos ms refinados y son excelentes para los puntos de flexin de la demanda y para la elaboracin de pronsticos a largo plazo. Existen muchos mtodos causales a saber: - Regresin lineal - Regresin exponencial - Regresin cuadrtica

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Regresin mltiple
REGRESION LINEAL SIMPLE (O RECTA DE MINIMOS CUADRADOS) COMO METODO PARA LA ELABORACION DE PRONOSTICOS Un anlisis de regresin es un mtodo para construir un modelo estadstico que define una relacin entre una sola variable dependiente y una o ms variables independientes, todas las cuales son numricas. Llamamos modelos lineales a aquellas situaciones que despus de haber sido analizadas matemticamente, se representan por medio de una funcin lineal. En algunos casos nuestro modelo coincide precisamente con una recta; en otros casos, a pesar de que las variables que nos interesan no pertenecen todas a la misma lnea, es posible encontrar una funcin lineal que mejor se aproxime a nuestro problema, ayudndonos a obtener informacin valiosa. Nuestro modelo lineal se puede determinar de manera grfica o bien, por medio de una ecuacin. Existen ocasiones en que a una de nuestras variables le pedimos que cumpla varias condiciones a la vez, entonces surge un conjunto de ecuaciones donde el punto de interseccin de dichas ecuaciones representa la solucin de nuestro problema Sirve para determinar la relacin funcional entre 2 variables de tal manera que se pueda estimar el valor de una variable (dependiente) en funcin de una variable independiente. Este anlisis permite conocer los valores de la ecuacin que vincula a dos variables. En la regresin lineal, una variable, conocida como variable dependiente, est relacionada con una o ms variables independientes por medio de una ecuacin lineal. La variable dependiente, como la demanda de perillas para puertas, es la que el gerente o administrador quiere pronosticar. Se supone que las variables independientes, como los gastos de publicidad o el inicio de construccin de nuevas viviendas, influyen en la variable dependiente y, por ende, son la causa de los resultados observados en el pasado La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para solucionar problemas comunes en los negocios. Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna Relacin Funcional entre dos o ms variables, donde una variable depende de la otra variable. Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en un modelo de Regresin Simple. "Y es una funcin de X" Y = f(X) Como Y depende de X, Y es la variable dependiente, y X es la variable independiente. En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y cul es la variable independiente. En el Modelo de Regresin Simple se establece que Y es una funcin de slo una variable independiente, razn por la cual se le denomina tambin Regresin Divariada porque slo hay dos variables, una dependiente y otra independiente y se representa as: Y = f (X) "Y est regresando por X" La variable dependiente es la variable que se desea explicar, predecir. Tambin se le llama REGRESANDO o VARIABLE DE RESPUESTA. La variable Independiente X se le denomina VARIABLE EXPLICATIVA REGRESOR y se le utiliza para EXPLICAR Y. La figura siguiente muestra la relacin entre una regresin lineal y los datos. En trminos tcnicos, la lnea de regresin minimiza las desviaciones al cuadrado de los datos reales. En los modelos de regresin lineal ms sencillos, la variable dependiente es funcin de una sola variable independiente y, por tanto la relacin terica es una lnea recta: Y = a +bX Donde
Y= variable independiente X = Variable independiente


Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones a = interseccin de la recta con el eje Y b = Pendiente de la recta El objetivo del anlisis de regresin lineal consiste en encontrar los valores de a y b que minimicen la suma de las desviaciones al cuadrado de los puntos de la lnea representada en la grfica que corresponden a los datos reales.
b=
a=
-b
Ejemplo 5: Volumen de pasajeros por ao y datos de mnimos cuadrados para el sistema de transporte masivo. Datos para la lnea de regresin simple Ao X Y XY X2 Y2 (Y- )2 ( Y - )2
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 n= B= A= s= 1 2 3 4 5 6 7 8 9 10 55 10 5,0364 0,600 4,1565 10 12 15 18 25 30 33 35 45 60 283 10 24 45 72 125 180 231 280 405 600 1972 = 1 4 9 16 25 36 49 64 81 100 385 28,3 100 144 225 324 625 900 1089 1225 2025 3600 10257 5,636 10,673 15,709 20,745 25,782 30,818 35,855 40,891 45,927 50,964 19,041 1,762 0,503 7,538 0,611 0,669 8,148 34,703 0,860 81,656 155,491 334,890 265,690 176,890 106,090 10,890 2,890 22,090 44,890 278,890 1004,890 2248,100
24

Calculo de b = Calculo de a =
= 5.0364 = 0.60
-b
Por lo tanto Y = 0.60 + 5.0364X
Interpretacin del coeficiente de regresin b

Si b > 0, entonces, la tendencia lineal es creciente, es decir, a mayores valores de X corresponden mayores valores de Y. Tambin, a menores valores de X corresponden menores valores de Y. Si b < 0, entonces, la tendencia lineal es decreciente, es decir, a mayores valores de X corresponden menores valores de Y. Tambin, a menores valores de X corresponden mayores valores de Y. Si b = 0, entonces, Y = a. Luego, Y permanece estacionario para cualquier valor de X. Es decir no hay regresin.
Coeficiente de Correlacin o Determinacin

Describe la intensidad de la relacin entre dos conjuntos de variables de nivel de intervalo. Es la medida de la intensidad de la relacin lineal entre dos variables. El valor del coeficiente de correlacin puede tomar valores desde menos uno hasta uno, indicando que mientras ms cercano a uno sea el valor del coeficiente de correlacin, en cualquier direccin, ms fuerte ser la asociacin lineal entre las dos variables. Mientras ms cercano a cero sea el coeficiente de correlacin indicar que ms dbil es la asociacin entre ambas variables. Si es igual a cero se concluir que no existe relacin lineal alguna entre ambas variables. Es una medida estadstica que se utiliza para medir el grado de relacin entre dos variables, es decir nos permite establecer cun fuerte o cun dbil es este vnculo. Se simboliza por r y su valor est entre -1 r 1
r=
Tambin r se puede calcular de la siguiente ecuacin r=
25

Interpretacin del coeficiente de correlacin

Si r > 0: Se dice que existe una correlacin directa positiva, ambas variables aumentan 0 (disminuyen) simultneamente. Si r < 0: Se dice que existe una correlacin inversa negativa, mientras los valores de una variable aumenta, los de la otra disminuyen y viceversa. Si r = 1: Se dice que hay una correlacin perfecta positiva. Si r = -1: Se dice que hay una correlacin perfecta negativa. Si r = 0: No hay correlacin alguna de regresin. Todas las predicciones son iguales a una constante. El coeficiente de correlacin r, es pues una medida de la proximidad del ajuste de la recta de regresin. Cuando mayor sea el valor absoluto de r, mejor ser el ajuste y ms til la recta de regresin como instrumento de prediccin. En este tema bsico diremos que hay una correlacin significativa entre dos variables cuantitativas, si el coeficiente de correlacin est entre 0.6 r -0.6 Nota (Una advertencia) El haber supuesto una funcin lineal entre dos variables y haber encontrado un alto coeficiente de correlacin, no necesariamente significa que una variable dependa de la otra, pues, esta correlacin puede no ser causal sino casual. Calculamos la correlacin respectiva
26

r=
= 0.9648
Existe una alta correlacin entre la variable independiente X y la variable dependiente Y Calculo del coeficiente de correlacin empleando el otro mtodo
r2 =
r = 0.9648
= 0.9308
Error tpico de estimacin (o error estndar para la estimacin de Y o error tpico XY)
Es una medida de la cuanta de error en el pronstico del valor de Y para un valor individual de X. El error en los pronsticos es la diferencia numrica entre la demanda pronosticada y la demanda real.
s= s=
Calculo del error tpico de estimacin, empleando la formula siguiente:
s=
= 4.1565
Ejemplo 6: La persona a cargo de programar la produccin de una compaa tiene que elaborar pronsticos de la demanda de un producto, a fin de planear las cantidades de produccin ms apropiadas. Durante un almuerzo de negocios, la gerente de marketing aporta informacin sobre el

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones presupuesto de publicidad destinado a una bisagra de bronce para puertas. Presentamos a continuacin los datos sobre ventas y publicidad correspondiente a los cinco ltimos meses. Mes Ventas (miles de unidades) Publicidad(miles de $) 1 264 2.5 2 116 1.3 3 165 1.4 4 101 1.0 5 209 2.0 El gerente de marketing afirma que la compaa gastar el mes entrante $ 1750 en publicidad para el producto. Aplique la regresin lineal para desarrollar una ecuacin y un pronstico para ese producto.
Mes 1 2 3 4 5 n= B= A= X 2,50 1,30 1,40 1,00 2,00 8,20 5,00 109,229 -8,135 Y 264 116 165 101 209 855 XY 660 150,8 231 101 418 1561 X2 6,25 1,69 1,96 1,00 4,00 14,90
b=
= 109.229
a= r = 0.98
- 109.229*
= 171 179.1355 = -8.135
La ecuacin de regresin es: Y = -8.135 + 109.229X Sin el mes entrante se gastara $ 1750 en publicidad (X = 1.75), entonces se esperan las ventas en Y = -8.135 + 109.229(1.75) = 183.016 miles de unidades Es acertado seleccionar los gastos de publicidad para realizar un pronstico de ventas? Observe que el coeficiente de correlacin de la muestra, r, es 0.98. Puesto que el valor de r es muy prximo a 1.00, concluimos que existe una fuerte relacin positiva entre las ventas y los gastos de publicidad, y que la seleccin fue acertada. a y b, tambin se obtiene resolviendo las siguientes ecuaciones normales:
REGRESION EXPONENCIAL Llamamos modelos exponenciales a aquellas situaciones que, despus de haber sido examinadas matemticamente, se representan por medio de una funcin exponencial. Un modelo exponencial se puede determinar a travs de una ecuacin o bien, por medio de una grfica que mejor aproxime los datos de nuestro problema, aunque es preferible el primer mtodo, ya que el tipo de informacin que obtenemos es ms preciso. En algunos casos puede ocurrir que nuestro modelo coincida precisamente con una exponencial, mientras que habr otras ocasiones en las que no todos los datos pertenecen a la misma curva. En dicha situacin trataremos de encontrar aquella exponencial que mejor represente al modelo que estamos analizando. Los modelos exponenciales son muy frecuentes en el estudio de ventas de productos, crecimientos poblacionales, en el clculo de intereses bancarios, as como tambin diversos fenmenos fsicos.

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Puede expresarse la tendencia exponencial con la ecuacin siguiente: Y = ABX (1) = AXB (2) Y = AXB (3) Y=A (4) Y= (5) Donde Y y X son las variables, y A y B son los parmetros de la curva, y e = la base para los logaritmos naturales.
Figura: Curvas exponenciales
29

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Si el diagrama de (Xi, Yi) se ve como algunas de las partes (a) a (i) de la figura anterior, entonces hay una relacin no lineal entre x y y. El procedimiento que sigue es uno de tantos que se puede usar para estimar una relacin no lineal. Paso 1: Localice los puntos y determine qu parte de la figura anterior, se ajusta mejor a los datos. Supongamos, por ejemplo, que los datos se parecen a la parte ( c ). Paso 2: La segunda columna de la tabla siguiente proporciona la relacin funcional entre x y y. Por lo que toca a la parte ( c ), podra ser y = Ae . Paso 3: Transforme cada punto dado de acuerdo con las reglas de la tercera columna de la tabla siguiente. Por lo tanto, si la parte ( c ) de la figura es relevante, transforme cada valor de y en In y y cada valor de x en x. Dada la relacin en la segunda columna de la tabla siguiente, los datos transformados de La misma tabla deben, al graficarse, indicar una relacin de lnea recta. Para la parte ( c ), por ejemplo, si y = AeBX, entonces, al calcular los logaritmos naturales de ambos miembros se tiene In y = In(A) + Bx, de modo que en realidad si existe una relacin lineal entre x y In y.
BX
Paso 4: Estime la recta de regresin de mnimos cuadrados para los datos transformados. Si Bo (A) es la ordenada al origen de la recta de mnimos cuadrados (para los datos transformados), B 1 (B) es la pendiente de la recta de mnimos cuadrados (para los datos transformados) y Se es el error estndar de la estimacin de la regresin, entonces lea la relacin estimada en la columna final de la tabla anterior. Por lo tanto, si la parte (c) fuera relevante, estimara que (A + BX) nuestros ejemplos lo consideramos = e A continuacin se dan algunas linealizaciones: para
Cambiando variables y aplicando logaritmos a ambos lados de las ecuaciones tenemos: X Y = AB (1) Log Y = Log A + X*Log B (De donde Y = Log Y; a = Log A; b = Log B) Por lo tanto: Y = a + b*X = AXB (2)
Y = Log A + B*Log X (a = Log A; b = Log B) Por lo tanto Y = a + b*X Y = AXB (3)
Log Y = Log A + B*Log X (De donde Y = Log Y; a = Log A; x = Log X) Por lo tanto: Y = a + B*x

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Y=A (4)
Log Y = Log A + B*X (De donde Y = Log Y; a = Log A) Por lo tanto: Y = a + B*X Nosotros vemos que estas ecuaciones son una lnea recta. Y = (5)
Y = a + b*X Ejemplo para el modelo 1: Tome el logaritmo de todas las Y, entonces tendr los siguientes valores: Datos para la lnea de regresin exponencial Ao X Y Y' = Log(Y) XY' X2 Y'2 (Y - )2
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 n= b= a= s= 1 2 3 4 5 6 7 8 9 10 55 10 0,08321 0,930 2,36061 10 12 15 18 25 30 33 35 45 60 283 1,0000 1,0792 1,1761 1,2553 1,3979 1,4771 1,5185 1,5441 1,6532 1,7782 13,8796 1,000 2,158 3,528 5,021 6,990 8,863 10,630 12,353 14,879 17,782 83,203 1 4 9 16 25 36 49 64 81 100 385 1,0000 1,1646 1,3832 1,5757 1,9542 2,1819 2,3059 2,3841 2,7331 3,1618 19,8446 1,2112 8,5114 10,309 12,486 15,123 18,317 22,186 26,872 32,547 39,421 47,747 57,831 0,095 0,236 0,015 0,101 7,918 9,786 0,205 19,545 7,545 4,705 50,152 28,3
( Y - )2
334,890 265,690 176,890 106,090 10,890 2,890 22,090 44,890 278,890 1004,890 2248,100
B = AntiLog(0,08321) = A = AntiLog(0,930) =
Y=
b=
= 0.08321
Calculo de a = =
- 0.08321*
= 0.930
Por lo tanto tenemos: Y = 0.930 + 0.08321X Por otra parte: A = AntiLog (a) = AntiLog(0.930295) = 8.5114 B = AntiLog(b) = AntiLog(0.08321) = 1.2112 Y = AntiLog(Y) Y = 8.5114*1.2112X Coeficiente de Correlacin: r2 = (2248.10 50.152)/2248.10 = 0.9777 Donde r = 0.9888 Error tpico de estimacin = s = = = 2.36061
31

MODELO DE REGRESIN GEOMTRICA ( Y = AXB ) Linealizndolo tenemos: Log Y = Log A + B*Log X (De donde y = Log Y; a = Log A; x = Log X) Por lo tanto: y = a + b*x MODELO DE REGRESION GEOMETRICA Ao
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
X
1 2 3 4 5 6 7 8 9 10 55 b B
Y
10 12 15 18 25 30 33 35 45 60 283
Log Y = y'
1.0000 1.0792 1.1761 1.2553 1.3979 1.4771 1.5185 1.5441 1.6532 1.7782 13.8796
Log X = x'
0.0000 0.3010 0.4771 0.6021 0.6990 0.7782 0.8451 0.9031 0.9542 1.0000 6.5598 0.8866 7.7019
x'y'
0.0000 0.3249 0.5611 0.7557 0.9771 1.1494 1.2833 1.3944 1.5776 1.7782 9.8017
x'2
0.0000 0.0906 0.2276 0.3625 0.4886 0.6055 0.7142 0.8156 0.9106 1.0000 5.2152
xy'
1.0000 2.1584 3.5283 5.0211 6.9897 8.8627 10.6296 12.3525 14.8789 17.7815 83.2027 28.3 7.7019 13.0816 17.8336 22.2189 26.3503 30.2901 34.0772 37.7385 41.2931 44.7557
(Y - )2
5.2813 1.1698 8.0290 17.7990 1.8234 0.0841 1.1604 7.4994 13.7408 232.3894 288.9766
( - )2
424.2817 231.6004 109.5465 36.9799 3.8013 3.9603 33.3764 89.0853 168.8218 270.7893 1372.2428
(Y- )2
334.8900 265.6900 176.8900 106.0900 10.8900 2.8900 22.0900 44.8900 278.8900 1004.8900 2248.1000
0.7643 a 0.7643 A
Por lo tanto tenemos: y = 0.8866 + 0.7643x Por otra parte: A = AntiLog (a) = AntiLog(0.8866) = 7.7019 B = b = 0.7643 Y = AntiLog(y)
Y = AXB Ecuacin de regresin Geomtrica Y = 7.7019*X0.7643
32

Calculo del error estndar del pronstico
s=
= 5.6664
Calculo del coeficiente de correlacin
r=
= 0.7813
Calculo del coeficiente de determinacin
r2 = (r)2 = 0.78132 = 0.6104
Ejemplo: Para ejemplificar la idea, suponga que queremos predecir las ventas de televisores pantalla plana, en una tienda de enseres electrodomsticos. Las ventas de los ltimos 24 meses, se proporcionan en la tabla siguiente y tambin se grafican. Usaremos X = nmero del mes como variable independiente. En la grfica realizada se observa una relacin en forma de S entre X = nmero del mes y Y = ventas durante el mes (como la parte (i) de las figuras exponenciales. De modo que, segn la (A + B/X) tabla de conversin: Y = e Al recorrer la tercera columna de la tabla de conversiones, estimamos la recta de regresin de mnimos Cuadrados para los puntos (1/1, In 23), (1/2, In 156), , (1/24, In 3495). Encontramos que A = 8.387 y B = -5.788 De modo que la ecuacin es: Y
= e(8,38678863-5,78799615/X)
Para ilustrar el uso de esta frmula en la prediccin de ventas, supongamos que queremos pronosticar las ventas de televisores de pantalla plana durante el mes 26. Para X = 26, podramos pronosticar que se vendran Y = e(8,38678863-5,78799615/26) = 3512.91 televisores pantalla plana
33

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Datos para recta de regresin lineal
Mes (X)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 300
Datos para la curva exponencial de la forma Y = e(A+B/X)

(Y -
Unidades (Y)
23 156 330 482 1209 1756 2000 2512 2366 2942 2872 2937 3136 3241 3149 3524 3542 3312 3547 3376 3375 3403 3697 3495 60382
XY
23 312 990 1928 6045 10536 14000 20096 21294 29420 31592 35244 40768 45374 47235 56384 60214 59616 67393 67520 70875 74866 85031 83880 930636
Y' = Log(Y)
3,1355 5,0499 5,7991 6,1779 7,0975 7,4708 7,6009 7,8288 7,7690 7,9868 7,9628 7,9851 8,0507 8,0836 8,0548 8,1674 8,1724 8,1053 8,1739 8,1244 8,1242 8,1324 8,2153 8,1591 179,4277
X' = 1/X
1,0000 0,5000 0,3333 0,2500 0,2000 0,1667 0,1429 0,1250 0,1111 0,1000 0,0909 0,0833 0,0769 0,0714 0,0667 0,0625 0,0588 0,0556 0,0526 0,0500 0,0476 0,0455 0,0435 0,0417
X'Y'
3,1355 2,5249 1,9330 1,5445 1,4195 1,2451 1,0858 0,9786 0,8632 0,7987 0,7239 0,6654 0,6193 0,5774 0,5370 0,5105 0,4807 0,4503 0,4302 0,4062 0,3869 0,3697 0,3572 0,3400
X'
(Y 13,4475 242,9342 637,4377 1032,5529 1379,1042 1672,5800 1919,7150 2128,7476 2306,9416 2460,1781 2593,0943 2709,3272 2811,7382 2902,5947 2983,7084 3056,5401 3122,2784 3181,8984 3236,2070 3285,8769 3331,4728 3373,4725 3412,2822 3448,2500
1 4 9 16 25 36 49 64 81 100 121 144 169 196 225 256 289 324 361 400 441 484 529 576 4900
757,3067 910,2293 1063,1519 1216,0745 1368,9971 1521,9197 1674,8423 1827,7649 1980,6875 2133,6101 2286,5328 2439,4554 2592,3780 2745,3006 2898,2232 3051,1458 3204,0684 3356,9910 3509,9136 3662,8362 3815,7588 3968,6814 4121,6041 4274,5267
539206,2807 568861,7998 537511,6851 538865,3609 25599,0725 54793,5821 105727,5176 468177,6344 148465,6947 653494,1578 342771,8966 247550,6665 295524,9104 245717,9153 62889,0092 223591,0972 114197,7624 2024,1914 1375,3993 82275,0239 194268,3555 319995,5021 180288,6060 607661,8240
1,0000 0,2500 0,1111 0,0625 0,0400 0,0278 0,0204 0,0156 0,0123 0,0100 0,0083 0,0069 0,0059 0,0051 0,0044 0,0039 0,0035 0,0031 0,0028 0,0025 0,0023 0,0021 0,0019 0,0017 1,6041
91,2504 7557,5523 94517,9529 303108,5356 28935,4219 6958,9014 6445,6747 146882,3904 3487,8937 232152,3654 77788,3749 51834,9033 105145,6975 114518,1594 27321,3280 218518,7528 176166,2275 16926,4183 96592,2691 8122,1810 1894,6176 871,8757 81064,2056 2185,5661 1809088,5155
529 24336 108900 232324 1461681 3083536 4000000 6310144 5597956 8655364 8248384 8625969 9834496 10504081 9916201 12418576 12545764 10969344 12581209 11397376 11390625 11580409 13667809 12215025 185370038
3,7760 22,3835
Regresin Lineal n= 24 B= 152,922609 A= 604,384058 s= 348,614923 r= 0,89659614 Y = A + BX Y = 604,384058 + 152,9227X
Regresin exponencial n= 24 B= -5,78799615 A= 8,38678863 s= 280,45681 Y=e

(A+B/X)
Y = e(8,38678863-5,78799615/X)
34

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Datos reales VS pronosticados con regresin Lineal Y = A + BX
Datos reales VS pronosticados (A+B/X) exponencial Y = e con curva
4500 4000 3500 3000 2500 2000 1500 1000 500 0

1 4 7 10 13 16 19 22
4000
3500 3000 Mes (X) Unidades (Y) 757,3067 2500 2000 1500 1000 500 0 1 4 7 10 13 16 19 22 Mes (X) Unidades (Y) 13,4475
REGRESIN CUADRTICA Decimos que el modelo es cuadrtico si lo podemos expresar por medio de una funcin cuadrtica. Un modelo cuadrtico se puede determinar a travs de una ecuacin o bien, por medio de una grfica que mejor aproxime los datos. En algunos casos puede ocurrir que nuestro modelo coincida precisamente con una parbola, mientras que habr otras ocasiones en las que no todos los datos pertenecen a la misma curva. En dicha situacin trataremos de encontrar aquella parbola que mejor represente el modelo que estamos analizando. La regresin cuadrtica es el proceso por el cual encontramos los parmetros de una parbola que mejor se ajusten a una serie de datos que poseemos, ya sean mediciones hechas o de otro tipo. La regresin cuadrtica es la parbola de mnimos cuadrados, de la forma:
Una funcin cuadrtica o de segundo grado se puede representar de manera genrica como: Y = A + BX + CX2 Entonces lo que nos interesa es encontrar los valores de A, B y C que hacen que el valor de y calculado sea lo ms cercano posible al medido. Se tiene que resolver el siguiente sistema de ecuaciones:
= An + B =A =A
+C +B +B
+C +C
Y expresada en forma matricial queda:
35

Con los datos del mismo ejemplo inicial tenemos: MODELO DE REGRESION CUADRATICA Y XY X2 X3 X4
10 10 12 24 15 45 18 72 25 125 30 180 33 231 35 280 45 405 60 600 283 1972 0.4205 b 1 1 4 8 9 27 16 64 25 125 36 216 49 343 64 512 81 729 100 1000 385 3025 0.4114 a 1 16 81 256 625 1296 2401 4096 6561 10000 25333 9.8500
Ao
X2Y
10 48 135 288 625 1080 1617 2240 3645 6000 15688
2001 1 2002 2 2003 3 2004 4 2005 5 2006 6 2007 7 2008 8 2009 9 2010 10 Total 55 c
Tambin los coeficientes A, B y C, lo podemos encontrar, mediante las ecuaciones siguientes: Coeficiente del trmino de segundo grado (C) C=
Coeficiente del trmino de primer grado (B) B=
Termino independiente (A)
A=
Leyenda: : Es la demanda estimada con la ecuacin de regresin : Es l Y promedio, en este caso es = , es decir = 28.3 Una vez se haya reemplazado el valor de n, y de las sumatorias, slo habr que solucionar el sistema de ecuaciones por su mtodo preferido, Eliminacin Gaussiana, Krammer, etc. Despus de que ha solucionado el sistema de ecuaciones entonces tendr el valor de los parmetros: A, B, C. Reemplazando por sus valores en la primera ecuacin tenemos: 283 = 10A + 55B + 385C 1972 = 55A + 385B + 3025C 15688 = 385A + 3025B + 25333C Resolviendo el sistema de 3 ecuaciones con 3 variables: A, B y C Por cualquier mtodo que conozca tenemos: A = 9.85, B = 0.4114, C = 0.4205 La parbola de mejor ajuste es entonces: Y = 9.85 + 0.4114X + 0.4205X2

Los datos proyectados se observa en el casillero de Error tpico de estimacin:
s=
= 3.50
Coeficiente de correlacin:
r=
= 0.9175
Tambin los coeficientes A, B y C, lo podemos encontrar, mediante las ecuaciones siguientes: Coeficiente del trmino de segundo grado (C) C=
Coeficiente del trmino de primer grado (B)


B=
Termino independiente (A)
A=
Toma de decisiones para seleccionar la mejor curva de ajuste para nuestros pronsticos
Tipo regresin Error tpico estimacin Coeficiente de correlacin Ecuaciones
Lnea de regresin simple 4,1565 Regresin exponencial 2,3615 Regresin geomtrica 5.6664 Parbola de mnimos cuadrados 3,5
0,9648 0,9888 0.7813 0,9175
Y=0.58 + 5.04X Y=8.5114*1.2112X Y = 7.7019*X0.7643 Y=9.85+0.4114X+0.4205X2
Como observamos la curva de regresin exponencial es la que tiene menos error tpico de estimacin y su coeficiente de correlacin es ms cercano al 1, por tanto debemos elegir a esta curva para proyectar nuestra demanda futura de los pacientes en estudio de la clnica.
ANALISIS DE REGRESIN MLTIPLE

Un modelo de regresin lineal con ms de una variable independiente se llama modelo de regresin lineal mltiple. En la regresin lineal simple se investiga la relacin entre las variables independiente y dependiente. En ocasiones, la relacin entre dos variables permite predecir con precisin la variable dependiente mediante el conocimiento de la independiente. Desafortunadamente, muchas situaciones de prediccin no son simples en la prctica. Es habitual que se necesite ms de una variable independiente para predecir con precisin la variable dependiente. Los modelos de regresin con ms de una variable independiente se llaman modelos de regresin mltiple. La mayora de los conceptos presentados en la regresin lineal simple se mantienen en la regresin mltiple. Sin embargo, tambin surgen algunos conceptos nuevos debido a que usa ms de una variable independiente para predecir la variable dependiente. Utilizamos regresin mltiple cuando estudiamos la posible relacin entre varias variables independientes (predictivas o explicativas) y otra variable dependiente (criterio, explicada, respuesta). Por ejemplo, podemos estar interesados en estudiar las ventas de un producto (Y como variable dependiente), y es posible que consideremos que puede estar relacionado con otras variables como el tiempo, publicidad, ingreso per cpita, PBI, etc. Hasta ahora hemos considerado nicamente el caso de la regresin simple. En el caso ms general de la regresin mltiple, existen dos o ms variables independientes: Regresin Mltiple: Este tipo se presenta cuando dos o ms variables independientes influyen sobre una variable dependiente. Ejemplo: Y = f(x, w, z). Por ejemplo: Podra ser una regresin de tipo mltiple: Una Empresa de desarrollo de software establece relacionar sus Ventas en funcin del nmero de pedidos de los tipos de software que desarrolla (Sistemas, Educativos y Automatizaciones Empresariales), para atender 10 proyectos en el presente ao. En la Tabla representa Y (Ventas miles de S/.) e X (N pedidos de sistemas), W (N de pedidos de Aplicaciones Educativas) y Z (N de pedidos de Automatizaciones empresariales).
Y X W Z 440 50 105 75 455 40 140 68 470 35 110 70 510 45 130 64 506 51 125 67 480 55 115 72 460 53 100 70 500 48 103 73 490 38 118 69 450 44 98 74
38

Modelo de Regresin Mltiple

En la regresin simple, la variable dependiente se puede representar con Y y la variable independiente con X. En el anlisis de regresin mltiple, se utilizan las X con subndices para representar las variables independientes. La variable dependiente todava se representa con Y, y las variables independientes se indican con X1, X2,, Xk. Una vez que se ha determinado la serie inicial de variables independientes, la relacin entre Y y dichas X se puede expresar como un modelo de regresin mltiple. La respuesta Y es una variable aleatoria que se relaciona con las variables independientes (explicativas) X1, X2,,Xk mediante Y = Y = B0 + B1 X1 + B2X2+ + BkXk Dnde: Y es la variable dependiente Los trminos Xi representan las variables independientes o explicativas Los coeficientes del modelo Bi son calculados por algn programa, de modo que se minimicen los residuos. Esta curva tendr la forma Y = A + BX1 + CX2 Se tiene que resolver el siguiente sistema de ecuaciones:
= An + B =A =A
+C +B +B +C +C
Se presentara primero el anlisis de regresin mltiple al desarrollar y explicar el uso de la ecuacin de regresin mltiple, as como el error estndar mltiple de estimacin. Despus se medir la fuerza de la relacin entre las variables independientes, utilizando los coeficientes mltiples de determinacin. En el cuadro siguiente X1 representa el ingreso per cpita (en miles de soles anuales) y X 2 representa la publicidad (en miles de soles anuales), realizar la regresin lineal mltiple respectiva. Ao
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Y
10 12 15 18 25 30 33 35 45 60
X1
20 23 27 30 31 35 35 37 39 40
X2
80 83 85 86 90 92 95 98 101 105
X1Y
200 276 405 540 775 1050 1155 1295 1755 2400
X2Y
800 996 1275 1548 2250 2760 3135 3430 4545 6300
X12
400 529 729 900 961 1225 1225 1369 1521 1600
X1X2
1600 1909 2295 2580 2790 3220 3325 3626 3939 4200 29484
X22
6400 6889 7225 7396 8100 8464 9025 9604 10201 11025 84329 8,4575 13,6706 15,7308 16,0533 25,1269 27,1871 34,5230 40,4437 46,3644 55,4380
(Y - )2
2,3793 2,7909 0,5341 3,7896 0,0161 7,9124 2,3195 29,6339 1,8616 20,8118 72,0493
)2
393,7248 214,0193 157,9848 149,9817 10,0686 1,2385 38,7257 147,4694 326,3225 736,4710 2176,0065
(Y - )2
334,8900 265,6900 176,8900 106,0900 10,8900 2,8900 22,0900 44,8900 278,8900 1004,8900 2248,1000
Total 283 317 915 9851 27039 10459 Datos para una Curva de Regresin Lineal Mltiple
Leyenda: : Es la demanda estimada con la ecuacin de regresin : Es l Y promedio, en este caso es = , es decir = 28.3 Reemplazando por sus valores: 283 = 10A +317B + 915C 9851 = 317A + 10459B + 29484C

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones 27039 = 915A + 29484B + 84329C Resolviendo el sistema de 3 ecuaciones con 3 variables: A, B y C; por cualquier mtodo que conozca tenemos: A = -173.0145, B = -0.7076, C = 2.4453 Reemplazando estos valores en la ecuacin de regresin mltiple, tenemos: Y = -173.0145 - 0.7076X1 + 2.4453X2 Los datos proyectados se observa en el casillero de Error tpico de estimacin: s=
= 2.8189
Coeficiente de correlacin o determinacin mltiple r:

Mide la tasa porcentual de los cambios de Y que pueden ser explicados por X 1 y X2 simultneamente. r=
= 0.9369
Resumiendo se tiene un bajo error de estimacin y un coeficiente de correlacin cercano al 1 Por lo que dicha ecuacin se aproxima bastante a la realidad y nos servira para nuestras proyecciones futuras.
Ejemplo de regresin cuadrtica:

En un determinado producto se realizaron una serie de 24 conteos, cada mes, para determinar las ventas mensuales, que luego al graficarse se determin que es de naturaleza cuadrtica. Se desea encontrar los parmetros del polinomio de segundo grado, que mejor se ajusta a esa serie de datos, y cul es el valor de la variable dependiente, cuando el valor de la variable independiente es de 20. La tabla con los datos medidos es la siguiente:
X
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5
Y
10,08 12,03 11,38 18,81 20,53 28,50 31,38 38,40 48,39 60,60 66,66 82,61 91,37 105,44 122,53 137,77 152,74 172,65 188,84 207,77

10 10,5 11 11,5
230,94 251,35 274,07 295,95
Ahora, teniendo en cuenta la matriz que dedujimos anteriormente, sabemos que tenemos que encontrar los valores de la suma de X, la suma de X2, de X3, X4, de Y, XY, X2*Y y n=24. X
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5 10 10,5 11 11,5 Total 138
Y
10,08 12,03 11,38 18,81 20,53 28,50 31,38 38,40 48,39 60,60 66,66 82,61 91,37 105,44 122,53 137,77 152,74 172,65 188,84 207,77 230,94 251,35 274,07 295,95 2660,78166
X2
0,00 0,25 1,00 2,25 4,00 6,25 9,00 12,25 16,00 20,25 25,00 30,25 36,00 42,25 49,00 56,25 64,00 72,25 81,00 90,25 100,00 110,25 121,00 132,25 1081
X3
0,00 0,13 1,00 3,38 8,00 15,63 27,00 42,88 64,00 91,13 125,00 166,38 216,00 274,63 343,00 421,88 512,00 614,13 729,00 857,38 1000,00 1157,63 1331,00 1520,88 9522
X4
0,00 0,06 1,00 5,06 16,00 39,06 81,00 150,06 256,00 410,06 625,00 915,06 1296,00 1785,06 2401,00 3164,06 4096,00 5220,06 6561,00 8145,06 10000,00 12155,06 14641,00 17490,06 89452,75
XY
0,00 6,01 11,38 28,21 41,06 71,24 94,14 134,39 193,56 272,68 333,31 454,37 548,23 685,39 857,74 1033,24 1221,90 1467,54 1699,55 1973,80 2309,40 2639,18 3014,81 3403,37 22494,51
X2Y
0,00 3,01 11,38 42,31 82,13 178,11 282,41 470,36 774,26 1227,08 1666,55 2499,02 3289,38 4455,05 6004,20 7749,32 9775,23 12474,08 15295,92 18751,13 23093,97 27711,38 33162,86 39138,76 208137,88
Reemplacemos los valores en la matriz...
Aqu tenemos la matriz, resolviendo, por Gauss Jordan

24 138 1081 2660,8 138 1081 9522 22495 1081 9522 89453 208138
1 0 0
5,75 287,5
45,04
110,86
1 0 0
0 1 0
41
-21,08 11,5
-33,04 25,02
3306,25 7195,4
3306,25 40762,95 88291,13
2741,08 5544,03

1 0 0 0 1 0 0 0 1 9,60 1,76 2,02
Por lo tanto: A=9.6 B=1.76 C=2.02 La parbola de mejor ajuste es entonces: Y = 9.6 + 1.76X + 2.02X2 METODOS DE PRONOSTICO CON SERIES DE FOURIER
Grafica de la demanda de un producto durante cuatro aos que seala una tendencia de crecimiento y estacionalidad.
Modelo de pronstico de mnimos cuadrados con series de Fourier. El fundamento matemtico de este mtodo lo estableci Joseph Fourier, fsico y matemtico francs, en 1882. Fourier demostr que cualquier funcin peridica (es decir estacional) que sea finita, de un solo valor, y continua en un periodo (estacin), se puede representar por medio de una serie matemtica consistente en un trmino constante, ms la suma de trminos armnicamente relacionados de senos y cosenos. La ecuacin de la serie de Fourier es:
d= Ft = A + Bt + U*Cos
+ VSen
Dnde: Ft = Demanda pronosticada A = Interseccin B = Pendiente T = Periodo de tiempo N = Nmero de periodos por ciclo U, V = Constantes o parmetros Las constantes A, B, U y V son parmetros, los cuales deben ser determinados por la regresin y los procedimientos para encontrar estos parmetros se ha reducido a la solucin de la siguiente determinante:
Donde d = demanda actual
=
N = Nmero de periodos usados en la regresin

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones Si N = 12
En el cuadro siguiente se da la demanda real cclica para un producto
Reemplazando estos datos en la determinante, tenemos:
(-12)*(1) + (2) (-78)*(1) + (3)
Ahora procedemos a realizar las siguientes operaciones: -12*(Fila 1) + Fila 2; -78*Fila1 + Fila 3
Dividimos la tercera fila entre 6 y obtenemos la siguiente determinante.
43

Ahora procedemos a realizar las siguientes operaciones: -1(Col 3) + Col 2; -207(Col 3 ) + Col 1
Eliminando la fila 3 y columna 3 tenemos: Continuamos realizando la siguiente operaciones: -3517(Col 3) + Col 1; 3.7333 (Col 3) + Col 2. -
3583811.4 498841.2t + 498841.2*Cos - 1862340.4*Sen - 6724.4796d + 1391967.2*Cos + 2365*Sen - 3294944.4 + 506914.53t 506914.53 * Cos + 1892480.9*Sen + 6084d 1259388*Cos - 2139.7428*Sen Simplificando tenemos: 288867 + 8073.33t + 124505.9*Cos - 640.4796d Finalmente la ecuacin de regresin con series de Fourier es: d = Ft = 451.0167 + 12.605t + 194.3947Cos + 47.42*Sen
d = Ft = 451.0167 + 12.605t + 194.3947Cos
+ 47.42*Sen
A continuacin se observan los datos pronosticados hasta el periodo 24.
Calculo del error de estimacin, para esto tenemos el siguiente cuadro:


Error estndar del pronstico S =
= 63.52
Coeficiente de correlacin r =
= 0.9379
RESUMEN DE PRONOSTICOS - Un aspecto crucial en los pronsticos es la fiabilidad de los datos, es de gran importancia disear un mecanismo de recoleccin de datos fiel. - Es mejor un mal pronstico que ninguno - Pronosticar es tratar de visualizar el comportamiento futuro de diferentes actividades: la demanda(ventas), las operaciones(produccin), la tecnologa(activos), la logstica(materiales), los recursos humanos(personas) y los recursos financieros(capital de trabajo) - Un buen pronstico es el resultado de combinar tcnicas cualitativas, cuantitativas y causales, y adems un poco de adivinanza y suerte. - Cinco tcnicas cualitativas: Mtodo Delphi, Investigacin de mercados, consenso de grupo, previsin imaginativa y analoga histrica. - Cinco tcnicas cuantitativas o series de tiempo: promedios mviles, ajuste exponencial, BoxJenkins, X-11 y proyecciones de tendencia. - Existen siete tcnicas causales: modelo de regresin, encuestas de anticipacin y de intencin de compra, modelo input-output economtrico, ndice de difusin, ndice anticipador y anlisis del ciclo de vida. - Una buena secuencia, si se tienen datos, es comenzar con una proyeccin matemtica cuantitativa; luego, ajustarla con aspectos cualitativos. - El coeficiente de correlacin de dichos datos es fundamental para decidir si se usan o no. Una buena correlacin esta entr un r mayor que 0.7 hasta 1 o menor que -0.6 hasta -1. - Para pronosticar hay que decidir: El tipo de pronstico, el horizonte de tiempo, la base de datos disponibles, la metodologa a usarse, la correlacin de los datos y el costo del mismo. - Se comienza con el pronstico de la demanda, se sigue con los recursos productivos y logsticos, y se termina con el presupuesto, fuentes y uso de fondos.
Siete pasos en el sistema de pronstico

El pronstico sigue siete pasos bsicos:

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones 1. Determinar el uso del pronstico. Por ejemplo emplear los pronsticos de la demanda para dirigir la produccin en una planta. 2. Seleccionar los aspectos que se deben pronosticar. Por ejemplo, para un producto, un grupo de productos o familias de productos. 3. Determinar el horizonte del pronstico. Es a corto, mediano o largo plazo? Puede ser mensual, trimestral o anual. 4. Seleccionar los modelos de pronstico: Existe una variedad de modelos estadsticos, incluyendo promedios mviles, suavizamiento exponencial, anlisis de regresin, modelos de juicio o no cuantitativos. 5. Reunir los datos necesarios para elaborar el pronstico. 6. Obtener el pronostico 7. Validar e implementar los resultados. Se deben revisar los pronsticos en los departamentos de ventas, marketing, finanzas y produccin para asegurar la validez del modelo, las suposiciones y los datos. Despus se deben aplicar las medidas del error y finalmente los pronsticos se deben usar en la programacin de materiales, equipo, personal, etc. Estos siete pasos plantean una forma sistemtica para iniciar, disear e implementar un sistema de pronsticos. Cuando el propsito del sistema es generar pronsticos peridicos, la recoleccin de datos debe ser rutinaria. Despus los clculos reales casi siempre se elaboran en computadora. Tenga en cuenta que: 1. Los pronsticos pocas veces son perfectos. Esto significa que factores externos que no podemos predecir o controlar suelen afectar el pronstico. Las compaas deben admitir esta realidad. 2. La mayora de las tcnicas de pronstico suponen la existencia de cierta estabilidad subyacente en el sistema. En consecuencia, algunas empresas automatizan sus predicciones a travs de software para pronsticos computarizados y despus slo vigilan de cerca aquellos productos con demanda muy variada. 3. Tanto los pronsticos de familias de productos como los agregados son ms precisos que los pronsticos para productos individuales.
46

Pro Nos Ti Cos 2011

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

Pro Nos Ti Cos 2011

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD PRIVADA SAN PEDRO

Ingeniera Informtica y de Sistemas/Administracin Administracin de Operaciones/Gestin de Operaciones

ELABORACION DE PRONOSTICOS Y PLANEACION DE LA DEMANDA

Elaboracin de Pronsticos y Planeacin de la Demanda

UNIVERSIDAD PRIVADA SAN PEDRO

UNIVERSIDAD PRIVADA SAN PEDRO

Otros usos de los pronsticos

Importancia de los pronsticos

UNIVERSIDAD PRIVADA SAN PEDRO

Mtodos para pronosticar

Pronsticos y Planeacin de la Demanda

Docente Ing. J. Paredes C.

UNIVERSIDAD PRIVADA SAN PEDRO

Promedio mvil Formal Ciclo de vida

Opinin de expertos Informal (intuitivo) Grupos de consumidores

UNIVERSIDAD PRIVADA SAN PEDRO

Pruebas de mercadotecnia o investigacin de mercado : Se recopilan datos de varias maneras

Analoga Histrica. Se usa para productos nuevos, basndose en el anlisis comparativo de la

LOS PRONSTICOS Y EL CICLO DE VIDA DEL PRODUCTO

UNIVERSIDAD PRIVADA SAN PEDRO

Promedio mvil: El pronstico se basa en un promedio aritmtico o ponderado de un nmero de datos

Aplicaciones tpicas Control de inventario para artculos de volumen bajo

Regular a muy buena

Control de produccin e inventario, pronsticos de mrgenes y otros datos financieros.

Muy bueno a excelente

Pronsticos y Planeacin de la Demanda

Docente Ing. J. Paredes C.

UNIVERSIDAD PRIVADA SAN PEDRO

Pronosticacin de productos nuevos (especialmente a mediano y largo plazo).

Curva de aprendizaje/ex periencia

Buena a muy buena

Muy buena a excelente

Previsin de ventas por clases de productos, previsin de mrgenes.

Encuestas de anticipacin y de intencin de compra

Previsin de ventas por clases de produccin

Buena a muy buena

Buena a muy buena

Previsin de ventas de la empresa o de cada divisin por sectores y subsectores econmicos

Pronsticos y Planeacin de la Demanda

Docente Ing. J. Paredes C.

UNIVERSIDAD PRIVADA SAN PEDRO

ndice difusin ndice anticipador

Mala buena Mala buena

Mala buena Mala buena

Anlisis del ciclo de vida

Previsiones de ventas de nuevos productos

Modelos Economtricos. Un modelo economtrico es un sistema de ecuaciones de regresin

UNIVERSIDAD PRIVADA SAN PEDRO

Encuestas de anticipacin y de intencin de compra : Estas encuestas al pblico en general

ndice de difusin: Porcentaje de un grupo de indicadores econmicos que suben o bajan, y

UNIVERSIDAD PRIVADA SAN PEDRO

Diseo del sistema de pronsticos

UNIVERSIDAD PRIVADA SAN PEDRO

Horizonte de planeacin de los pronsticos

Seleccin del tipo de tcnica de pronstico

UNIVERSIDAD PRIVADA SAN PEDRO

PATRONES DE DATOS EN SERIES DE TIEMPO

Estimacin del promedio

UNIVERSIDAD PRIVADA SAN PEDRO

PROMEDIOS MVILES SIMPLES:

Pronsticos y Planeacin de la Demanda

Docente Ing. J. Paredes C.

UNIVERSIDAD PRIVADA SAN PEDRO

PROMEDIO MVIL PONDERADO

Y = Log A + BLog X (a = Log A; b = Log B) Por lo tanto Y = a + bX Y = AXB (3)