ADMINISTRACION DE OPERACIONES I

Unidad 1. Sistemas de produccin

2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

2.1.3. MTODOS CUANTITATIVOS PARA LOS PRONSTICOS

En aproximacin a lo expresado por Rigss [1998], Domnguez Machuca et al [1995], Buffa & Sarin [1992], Adam & Ebert
[1991], Hanke & Deitsch [1996] y Voris [1977], se puede afirmar, que los pronsticos son el primer paso dentro del proceso de
planificacin de la produccin y estos sirven como punto de partida, no solo para la elaboracin de los planes estratgicos, sino
adems, para el diseo de los planes a mediano y corto plazo, lo cual permite a las organizaciones, visualizar de manera aproximada
los acontecimientos futuros y eliminar en gran parte la incertidumbre y reaccionar con rapidez a las condiciones cambiantes con
algn grado de precisin.

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.

En lo referente a los tipos de pronsticos, estos pueden ser clasificados de acuerdo a tres criterios: segn el horizonte de
tiempo, segn el entorno econmico abarcado y segn el procedimiento empleado [Hanke & Deitsch,1996].

Los pronsticos segn el horizonte de tiempo pueden ser de largo plazo, mediano plazo o corto plazo [Domnguez Machuca
et al, 1995; Lockyer, 1995; Hanke & Deitsch,1996] y su empleo va desde la elaboracin de los planes a nivel estratgico hasta los de
nivel operativo. Los pronsticos segn el entorno econmico pueden ser de tipo micro o de tipo macro y se definen de acuerdo al
grado en que intervienen pequeos detalles vs. grandes valores resumidos [Hanke & Deitsch, 1996].

Los pronsticos segn el procedimiento empleado pueden ser de tipo puramente cualitativo, en aquellos casos en que no
se requiere de una abierta manipulacin de datos y solo se utiliza el juicio o la intuicin de quien pronostica o puramente
cuantitativos, cuando se utilizan procedimientos matemticos y estadsticos que no requieren los elementos del juicio. Tal vez esta
ltima clasificacin es la ms generalizada por los distintos autores consultados de acuerdo con los cuales, los mtodos cualitativos y
cuantitativos que se pueden aplicar en la elaboracin de los pronsticos son los siguientes: [Buffa & Sarin; Adam & Ebert,1991;
Hanke & Deitsch,1996; Tawfik & Chauvel, 1992, Monks, 1991; Chase & Aquilano, 1995; Rigss,1998; Schroeder,1992]:

A)Mtodos Cualitativos: Mtodo Delphi, mtodo del juicio informado, mtodo de la analoga de los ciclos de vida y mtodo de la
investigacin de mercados;
B) Mtodos cuantitativos: Mtodos por series de tiempo y mtodos causales.

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 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), Error Cuadrado Medio (MSE), Error Porcentual Medio Absoluto (MAPE) y la Media de
las Desviaciones por Periodo (BIAS).

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]










ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

METODOS
CUANTITATIVOS
Tipo Nombre Horizonte
SERIE DE TIEMPO
No formales Corto
Promedio simple Corto
Promedio mvil Corto
Suavizacin exponencial Corto
Suavizacin exponencial lineal Corto
Suavizacin exponencial cuadrtica Corto
Suavizacin exponencial estacional Corto
Filtracin adaptativa Corto
Descomposicin clsica Corto
Modelos de tendencia exponencial Mediano y largo
Ajuste de curva S Mediano y largo
Modelo de Gompertz Mediano y largo
Curvas de crecimiento Mediano y largo
Census II Corto
Box-Jenkins Corto
CAUSALES
Regresin simple Mediano
Regresin Mltiple Mediano
Indicadores principales Corto
Modelos economtricos Corto
Regresin mltiple de series de tiempo. Mediano y largo

TCNICAS DE SERIES DE TIEMPO

A. TASA DE CRECIMIENTO / TENDENCIA LINEAL
Parte de un supuesto bsico, los datos histricos de la demanda crecen de manera lineal; ante ello podemos utilizar una tasa de
crecimiento lineal pero nica para cada periodo en el que se encuentran organizados los datos utilizados.

Ejemplo
Sea el caso de una empresa de limpieza que pretende pronosticar sus ventas para el siguiente ao; para ello dispone de los datos
de la demanda de los dos aos anteriores.
Ao 1
Sector/Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Total
Casa habitacion 37 29 47 57 53 39 37 51 43 44 32 33 502
Comercial 6 4 1 2 1 2 2 1 1 2 1 1 24
Turismo 11 13 2 2 4 10 5 6 7 6 6 5 77
Industrial 0 0 0 1 0 1 1 2 0 1 0 0 6
Total 54 46 50 62 58 52 45 60 51 53 39 39 609



ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

Ao 2
Sector/Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Total
Casa habitacion 39 26 64 71 62 56 65 49 51 47 59 44 633
Comercial 7 4 0 3 1 3 2 0 1 2 0 0 23
Turismo 10 11 2 4 2 12 4 4 10 6 5 6 76
Industrial 0 0 0 0 1 0 2 1 0 0 0 0 4
Total 56 41 66 78 66 71 73 54 62 55 64 50 736

Se propone utilizar la tasa de crecimiento.
Para determinarla es necesario indicar el ao base sobre el cual se determinar .
Para realizarlo se utiliza el dato histrico del ao ms reciente y se divide entre el dato del mismo periodo del ao anterior.
Al cociente se le resta 1 y se expresa en porcentaje, el resultado es la tasa de crecimiento para dicho periodo.

Calculo de la tasa de Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
crecimiento por sector
Casa habitacion 5.41% -10.34% 36.17% 24.56% 16.98% 43.59% 75.68% -3.92% 18.60% 6.82% 84.38% 33.33%
Comercial 16.67% 0.00% -100.00% 50.00% 0.00% 50.00% 0.00% -100.00% 0.00% 0.00% -100.00% -100.00%
Turismo -9.09% -15.38% 0.00% 100.00% -50.00% 20.00% -20.00% -33.33% 42.86% 0.00% -16.67% 20.00%
Industrial -100.00% -100.00% 100.00% -50.00% -100.00%

Para calcular la demanda proyectada basta con multiplicar el datos del periodo mas reciente por la tasa de crecimiento encontrada
ms 1 y el resultado ser el pronstico para el siguiente ao.

Demanda proyectada

Sector/Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Total

Casa habitacin 41 23 87 88 73 80 114 47 60 50 109 59 832
Comercial 8 4 0 5 1 5 2 0 1 2 0 0 27
Turismo 9 9 2 8 1 14 3 3 14 6 4 7 81
Industrial 0 0 0 0 1 0 4 1 0 0 0 0 6
Total 58 37 89 101 76 99 123 50 76 58 113 66 946

La proyeccin de ventas ser el siguiente

Total de demanda 946
Precio de venta promedio 850
Ventas 804,387

B. EL PROMEDIO MOVIBLE

Un pronstico de promedio movible se obtiene sumando los datos acerca de un nmero deseado de periodos pasados. Este nmero
por regla general abarca un ao, a fin de atenuar las variaciones de las temporadas. La atenuacin resulta porque los valores altos y
bajos durante un ao tienden a anularse. Extendiendo el promedio movible para que incluya ms periodos, se aumenta el efecto de
atenuacin, pero se disminuye la sensibilidad de los pronsticos a datos ms recientes. Un promedio movible se distingue de un
promedio simple por la condicin de los clculos consecutivos; cada promedio se mueve hacia adelante en el tiempo a fin de incluir
una observacin ms reciente, eliminando al mismo tiempo el dato ms antiguo.

Procedimientos
Si un promedio movible dado, de 12 meses, es la demanda promedio para enero del 2006 hasta diciembre del mismo ao, el
siguiente promedio movible incluye las demandas para febrero de 2005 hasta enero de 2006. En el primer caso, el promedio
movible representa la demanda a medio ao; en el ltimo caso, representa la demanda para el 30 de julio o 1 de agosto.
Un promedio de los dos valores centrara la demanda en julio.
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.


Un promedio movible calculado para cierto nmero de datos segn las observaciones ms recientes, rara vez es un buen pronstico
para el siguiente periodo, salvo que el patrn de datos sea relativamente constante. Un ndice de temporada referido al promedio
movible mejora el pronstico. Un valor del ndice se calcula dividiendo la demanda real entre el promedio movible centrado para
ese periodo. Un ndice ms con fiable se obtiene promediando varios valores del ndice para periodos comunes. El pronstico es,
por tanto, el producto del promedio movible centrado ms reciente para un periodo y el valor del ndice para ese periodo.

Ejemplo
Ejemplo del promedio movible aplicado al ndice temporal de los datos del problema bsico
Sean las ventas trimestrales de la empresa X para desarrollar un pronstico trimestral para 2006.
Ao Trimestre Ventas Promedio de Promedio ndice
(miles de $) 4 periodos Movible Temporal
Centrado
2001 t1 190
t2 370
t3 300 270 281 1.07
t4 220 293
2002 t1 280
t2 420
t3 310
t4 180
2003 t1 270
t2 360
t3 280
t4 190
2004 t1 300
t2 430
t3 290
t4 200
2005 t1 320
t2 440
t3 320
t4 220

Se empleara un promedio movible de cuatro periodos.
El primer promedio movible es un cuarto de las ventas totales para 2001 y representa un punto en el tiempo, entre el final del
segundo trimestre y el principio del tercero. (Lnea Azul)
El segundo promedio movible es la suma de las ventas de los tres ltimos trimestres de 2001 y el primer trimestre de 2002 dividida
entre cuatro. (Lnea morada)

Este valor est asociado con el final de t3, 2001, Y el principio de t4, 2001.
Se calcula un promedio movible centrado
Un promedio de los dos nmeros obtenidos nos da un promedio movible centrado en t3, 2001.

Este procedimiento se repite para todos los trimestres para obtener los promedios movibles de la tabla.
La ltima columna de la tabla es el ndice de temporada para cada trimestre.
Se obtiene dividiendo las ventas reales para un trimestre entre el promedio movible centrado para dicho trimestre.
Se puede obtener una mejor estimacin, se calcula el ndice de un trimestre promediando todos los valores disponibles para un ao.
Para ello se elabora una tabla donde se registren los ndices temporales para cada periodo
Antes de aplicar el ndice de temporada promedio, deben hacerse dos comprobaciones:
El promedio de los ndices peridicos debe dar un total igual a 1.0.
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.



Tabla completa
Ao Trimestre Ventas Promedio de Promedio ndice
(miles de $) 4 periodos movible Temporal
centrado
2001 t1 190
t2 370
t3 300 270 281 1.07
t4 220 293 299 0.74
2002 t1 280 305 306 0.91
t2 420 308 303 1.39
t3 310 298 296 1.05
t4 180 295 288 0.63
2003 t1 270 280 276 0.98
t2 360 273 274 1.32
t3 280 275 279 1.00
t4 190 283 291 0.65
2004 t1 300 300 301 1.00
t2 430 303 304 1.42
t3 290 305 308 0.94
t4 200 310 311 0.64
2005 t1 320 313 316 1.01
t2 440 320 323 1.36
t3 320 325
t4 220
En el ejemplo el promedio es
0.9750 + 1.3750 + 1.0125 + 0.6675 = 4.03 = 1.0075
4 4
Debe darse atencin a cualesquiera tendencias obvias en un ndice trimestral. En la tabla del clculo de los ndices de temporada t1
parece estar aumentando y t3 tiene una tendencia definida hacia abajo.
Por tanto, los ndices deben ajustarse; de otra manera la suma de los pronsticos trimestrales exceder al pronstico anual implcito
en 0.75 %.
t1 t2 t3 t4
1.07 0.74
0.91 1.39 1.05 0.63
0.98 1.32 1.00 0.65
1.00 1.42 0.94 0.64
1.01 1.36
Totales 3.90 5.48 4.06 2.66

ndice de temporada promedio 0.9748424 1.370869298 1.015163476 0.664354857

ndice de temporada ajustado 0.97 1.37 1.02 0.66

Suma de ndices 4.03 Num de periodos 4
Comprobacin 1.006

El ndice de temporada ajustado refleja las consideraciones anteriores.

Se tom una fraccin (4.00/4.031 de cada (ndice promedio y los resultados se redondearon con respecto a la tendencia en t3. En
esta forma, los clculos proporcionan el sistema de referencia para el pronstico, pero los toques finales son proporcionados por el
juicio.

ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

El paso final es hacer un pronstico. Se lleva a cabo tomando el producto del promedio movible centrado ms reciente y su
respectivo ndice temporal. Los pronsticos para los dos primeros trimestres de 2006 son

Promedio Indice
Ao Movible temporada Ventas
Trimestre Centrado ajustado Proyeccin proyectadas
2006 T1 316 0.97 308 308,294
T2 323 1.37 442 442,105

El nmero de periodos, N, usados en un promedio mvil afecta la rapidez de respuesta del pronstico a un cambio en el proceso.
Para un proceso constante con media 50 y sin ruido, el promedio mvil ser 50 para cualquier valor de N.
Si la media del proceso cambia repentinamente a 65, el promedio mvil ser 65 slo hasta despus de N periodos.
Por supuesto que el ruido, presente en la mayor parte de los procesos, causa que el promedio mvil slo se aproxime a la media
despus de este lapso.
Aun cuando la media permanezca constante, el promedio mvil cambiar debido al ruido. El ruido afecta relativamente poco a una
N grande, pero el pronstico puede cambiar en forma ms drstica si la N es pequea;
La eleccin de N es un trueque entre la respuesta rpida a un proceso de cambio y el ignorar la fluctuacin aleatoria.
Si el proceso es relativamente estable, se elige una N grande aunque una ms pequea es mejor para un proceso que puede estar
cambiando. Para el pronstico a corto plazo, los valores usuales de N estn de 5 a 7. Por supuesto, si se sabe que el proceso esencial
no es constante, debe usarse un modelo distinto.

C. SUAVIZACIN EXPONENCIAL.

La suavizacin exponencial es una tcnica de pronstico de series de tiempo (promedios mviles) que pondera los datos histricos
exponencialmente para que los datos ms recientes tengan ms peso en el promedio mvil. Con la suavizacin exponencial simple,
el pronstico F
t
se construye con la prediccin del ltimo periodo F
t-1
ms una porcin de la diferencia entre el valor de la
demanda real del periodo anterior A
t-1
y el pronstico del periodo anterior F
t-1.
F
t
= F
t-1 +
(A
t-1 -
F
t-1 )
La constante de suavizacin es un nmero entre 0 y 1 que entra multiplicando en cada pronstico, pero cuya influencia declina
exponencialmente al volverse antiguos los datos.
Una baja de ms ponderacin a los datos histricos. Una de 1 refleja una ajuste total a la demanda reciente, y los pronsticos
sern las demandas reales de los periodos anteriores.
La seleccin de depende de las caractersticas de la demanda. Los valores altos de son ms sensibles a las fluctuaciones en la
demanda.
Los valores bajos de son ms apropiados para demandas relativamente estables (sin tendencia o ciclicidad), pero con una gran
cantidad de variacin aleatoria.
La suavizacin exponencial simple es un promedio suavizado centrado en el periodo presente. No se puede extrapolar para efectos
de tendencia, por la que ningn valor de compensar completamente la tendencia en los datos.
Los valores ordinarios de varan entre 0.01 y 0.40. Los valores bajos de disminuyen efectivamente la variacin aleatoria (ruido
dispersin).
Los valores altos son ms sensibles a cambios en la demanda ( introducciones de nuevos productos y error buscando cul valor
reduce el error del pronstico.
Esto puede hacerse fcilmente modelando el pronstico en un programa de computo, tratando con diferentes valores de .
Un valor de que proporcione aproximadamente un grado equivalente de suavizacin tanto como un promedio mvil de un
periodo es
= 2 / (n + 1)
Ejemplo:
Una empresa usa suavizacin exponencial simple con = 0.1 para pronosticar la demanda. El pronstico para la semana de octubre
1 fue de 500 unidades, mientras que la demanda real fue de 450 unidades.
a) pronosticar la demanda de la semana de Octubre 8
b) Supngase que demanda real durante la semana de octubre 8 fue de 505 unidades. Pronostique la demanda de la semana
de octubre 15. Continese pronosticando hasta noviembre 12 suponiendo que las demandas subsecuentes fueron
realmente 516, 488, 467, 554 y 510.
a)
F
t
= F
t-1 +
(A
t-1 -
F
t-1)
F
t
= 500 + 0.1 (450 500)
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

F
t
= 495 unidades


b) Arreglando el procedimiento en forma tabular
Valor = 0.1
Semana Demanda real Pronstico anterior Error del
pronstico
Factor Correccin Pronostico suavizado
At-1 Ft-1 At-1 - Ft-1 (At-1 - Ft-1) Ft = Ft-1 + (At-1 - Ft-1)
1 450 500 -50 0.1 -5 495
8 505 495 10 0.1 1 496
15 516 496 20 0.1 2 498
22 488 498 -10 0.1 -1 497
29 467 497 -30 0.1 -3 494
5 554 494 60 0.1 6 500
12 510 500 10 0.1 1 501

Lo idneo y deseable es comparar con otros niveles de y graficar para poder hacer un anlisis
Valor = 0.3
Semana Demanda real Pronstico anterior Error del
pronstico
Factor Correccin Pronostico suavizado
At-1 Ft-1 At-1 - Ft-1 (At-1 - Ft-1) Ft = Ft-1 + (At-1 - Ft-1)
Oct-01 450 500 -50 0.3 -15 485
8 505 485 20 0.3 6 491
15 516 491 25 0.3 8 499
22 488 499 -11 0.3 -3 495
29 467 495 -28 0.3 -9 487
Nov-05 554 487 67 0.3 20 507
12 510 507 3 0.3 1 508
Valor = 0.6

Semana Demanda real Pronstico anterior Error del pronstico Factor Correccin Pronostico suavizado
At-1 Ft-1 At-1 - Ft-1 (At-1 - Ft-1) Ft = Ft-1 + (At-1 - Ft-1)
Oct-01 450 500 -50 0.6 -30 470
8 505 470 35 0.6 21 491
15 516 491 25 0.6 15 506
22 488 506 -18 0.6 -11 495
29 467 495 -28 0.6 -17 478
Nov-05 554 478 76 0.6 45 524
12 510 524 -14 0.6 -8 515

ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.


D. SUAVIZACIN EXPONENCIAL DOBLE O AJUSTADA - HOLT
Si se tuviera que pronosticar un modelo con tendencia usando suavizacin exponencial simple, el pronstico tendra una reaccin
retrasada al crecimiento. Entonces, el pronstico tendra a subestimar la demanda real. Para corregir esto se puede estimar la
pendiente y multiplicar la estimacin por el nmero de periodos futuros que se quieren pronosticar.

Una simple estimacin de la pendiente dara la diferencia entre las demandas en dos periodos sucesivos; sin embargo, la variacin
aleatoria inherente hace que esta estimacin sea mala. Para reducir el efecto de aleatoriedad se puede usar la diferencia entre los
promedios calculados en dos periodos sucesivos. Usando suavizacin exponencial, la estimacin del promedio en T, es S
T
, de
manera que la estimacin de la pendiente en el tiempo T
B
T
= (S
T
- S
T-1
)
Con esta idea una vez ms, se puede usar suavizamiento exponencial para actualizar la estimacin de la tendencia, lo que lleva al
suavizamiento exponencial doble, representado por el siguiente conjunto de ecuaciones.
S
T
= d
T
+ (1- ) (S
T-1
+ B
T-1
)
B
T
= (S
T
- S
T-1
) + (1- ) B
T-1
F
T+K
= S
T
+ k B
T

El pronstico para k periodos futuros consiste en la estimacin de la pendiente ms una correccin por tendencia.
Debe elegirse uno de los dos parmetros y , para el suavizamiento exponencial doble. Los comentarios sobre la eleccin de en
el suavizamiento exponencial simple son vlidos para ambos parmetros en este caso.
Para obtener un suavizamiento doble en el tiempo T, se necesitan los valores de S
T-1
y B
T-1.
Existen muchas formas de obtenerlos.
Procedimiento
Primero se dividen los datos en dos grupos iguales y se calcula el promedio de cada uno. Este promedio se centra en el punto medio
del intervalo; si hubiera 12 datos en el grupo, el promedio estara en 6.5
La diferencia entre los dos promedios es el cambio en la demanda respecto a la media de cada conjunto de datos. Para convertir
esta diferencia en una estimacin de la pendiente, se divide entre el nmero de periodos que separan los dos promedios.
Despus, para obtener una estimacin de la ordenada, se usa el promedio global y la estimacin de la pendiente por periodo
multiplicados por el nmero de periodos a partir del punto medio del periodo actual. Es ms fcil entender este proceso usando un
ejemplo.
Los modelos de suavizacin exponencial ajustada tienen todas las ventajas de los modelos de suavizacin exponencial simple;
adems, proyectan en el futuro (por ejemplo para el periodo t + 1) agregando un incremento de correccin de tendencia Tt, para el
promedio suavizado del promedio suavizado del periodo presente F.




Ventas reales y suavizadas
0
100
200
300
400
500
600
1 2 3 4 5 6 7
Demanda real Alfa 0.1 Alfa 0.3 Alfa 0.6
Ventas
reales
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

















Ejemplo.
Desarrolle un pronstico para las ventas de papel de computadora para los meses 25 y 30. Si la demanda del mes 25 es 259,
actualice los parmetros y proporcione los pronsticos para los meses 26 y 30.
Considere los datos de la siguiente tabla, que representa las ventas de papel de computadora en cajas.
Mes Ventas Mes Ventas Mes Ventas
1 116 9 163 17 210
2 133 10 163 18 207
3 139 11 164 19 225
4 157 12 191 20 223
5 154 13 201 21 257
6 159 14 219 22 232
7 162 15 207 23 240
8 172 16 205 24 241

Primero se calculan los promedios de los meses 1 a 12 y 13 a 24.
Estos se muestran en la tabla.
Mes 1 2
1 116 201
2 133 219
3 139 207
4 157 205
5 154 210
6 159 207
7 162 225
8 172 223
9 163 257
10 163 232
11 164 240
12 191 241
Promedio 156.083333 222.25
Promedio global 189.166667
El incremento en las ventas promedio para el periodo de 12 meses es 222.25 156.08 = 66.17.
Al dividir este nmero entre doce se obtiene el incremento promedio por mes = 5.51
As la estimacin de la pendiente en el tiempo 24 ser B
24
= 5.51
Para obtener una estimacin de la ordenada, se calcula el promedio global de los 24 datos como se ve en la tabla superior. Es
189.16.
Este promedio ser centrado en el mes 12.5 (concepto de mediana en intervalos). Para moverlo al tiempo actual se suma el ajuste
por tendencia de 5.51 cajas por mes multiplicado por (24-12.5).
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.


La estimacin de la ordenada es
S
24
= 189.16 + 5.51 (24-12.5) = 252.52
Una vez que se tienen los valores iniciales, se pueden pronosticar periodos futuros. El pronstico para el periodo 25 es
F
25
= S
24
+ 1 x B
24
= 252.52 + 1 x 5.51 = 258
De manera similar, el pronstico para el mes 30 es
F
30
= 252.52

+ 6 x B
24
= 252.52 + 6 x 5.51 = 286

Ahora se actualizan las estimaciones con y
= 0.1 y = 0.1
S
T
= d
T
+ (1- ) (S
T-1
+ B
T-1
)
S
25
= d
25
+ (1- ) (S
24
+ B
24
)
S
25
= 0.1 x d
25
+ (1- 0.1) (S
24
+ B
24
)
S
25
= 0.1 x 258 + (1 0.1) x ( 252.52 + 5.51) = 258.09

La nueva estimacin de la pendiente ser
B
T
= (S
T
- S
T-1
) + (1- ) B
T-1
B
25
= (S
25
- S
24
) + (1- ) B
24
B
25
= 0.1 (258.09

- 258) + (1- 0.1) x 5.51 = 4.96


El pronstico para el periodo 26 estar dado por:
F
T+K
= S
T
+ k B
T

F
26
= 258.09 + 1 x 4.96

= 263.05
F
30
= 258.09 + 5 x 4.96

= 282.89

TCNICAS CAUSALES
E. Mtodos de regresin y correlacin

Las tcnicas de regresin y correlacin cuantifican la asociacin estadstica entre dos o ms variables. La regresin lineal simple
expresa la relacin entre una variable dependiente Y y una variable independiente X, en trminos de la pendiente y la interseccin
de la lnea que mejor se ajuste a las variables.
La correlacin simple expresa el grado o la cercana de la relacin entre las dos variables en trminos de un coeficiente de
correlacin que proporciona una medida indirecta de la variabilidad de los puntos alrededor de la mejor lnea de ajuste- Ni la
regresin ni la correlacin dan pruebas de relaciones causa efecto.
Regresin: El modelo de regresin lineal simple toma la forma
Y = a + bx,
donde
y = variable dependiente
x = variable independiente.
Los valores de la pendiente b y la interseccin a se obtienen usando las ecuaciones normales escritas en la forma conveniente.

=
2
2
X n x
XY n xy
b
x b Y a =
Desviacin estndar de la regresin
Una lnea de regresin describe la relacin entre un valor dado de la variable independiente X y la media y.x de la distribucin de
probabilidad correspondiente de la variable dependiente Y. El punto estimado, o pronstico, es la media de la distribucin para un
valor dado X.
La desviacin estndar de la regresin S y.x es una medida de la dispersin de los datos alrededor de la lnea de regresin.
2
2
.

=

n
XY b Y a Y
S
X y

Estimacin de intervalo
Se puede establecer una prediccin de intervalo para un valor pronosticado individual de Y
C
usando la expresin:
Intervalo de prediccin = Y
C

t
S
IND

ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

Donde t = valor de la tabla de la distribucin t para el nivel de confianza especificado, y

+ + =
2
2
.
) (
) ( 1
1
X X
X X
n
S S
x y IND

Para muestras grandes (n100), la ecuacin anterior puede ser aproximada. Usando la distribucin normal (Z) ms que la , en la
forma de Y
C
ZS
Y.X
Tambin la significancia de la pendiente de la lnea de regresin (b) puede ser probada usando la siguiente
expresin.
b
calc
S
b
t =

=
2 .
) (
1
X X
S S
X Y b

donde
Si el valor de t
calc
de la tabla t, la relacin entre X y Y es estadsticamente significativa.
Correlacin
El coeficiente de correlacin lineal simple r es un nmero entre -1 y 1 que indica qu tan bien describe la ecuacin lineal la relacin
entre las dos variables. Como se muestra en la siguiente figura, r se designa como positiva si Y se incrementa cuando lo hace X, y
negativa si Y decrece al incrementarse X. Una r de cero indica una ausencia de relacin entre las dos variables.

La desviacin de todos los puntos (Y) de la lnea de regresin (Yc) consiste en la desviacin contabilizada por la lnea de regresin
(explicada) y la variacin aleatoria (no explicada).

Variacin total = explicada + no explicada

+ =
2 2 2
) ( ) ( ) (
c c
Y Y Y Y Y Y
El coeficiente de determinacin r
2
es la razn de la variacin explicada a la variacin total:
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

=
2
2
2
) (
) (
Y Y
Y Y
r
C


El coeficiente de correlacin r es la raz cuadrada del coeficiente de determinacin:

=
2
2
) (
) (
Y Y
Y Y
r
c

Cuando el tamao de la muestra es lo suficientemente grande (v.g., mayor de 50); el valor de r puede ser calculado ms
directamente con base en:
( ) | || |
2 2
2
2
) (




=
Y Y n X X n
Y X XY n
r
La significancia de cualesquier valor de r puede probarse estadsticamente con una hiptesis para mostrar que no existe correlacin.
Para probarlo, el valor de r es comparado con un valor de tablas para un tamao de muestra y un nivel de significancia dados.
Ejemplo
El gerente general de una planta de produccin de materiales de construccin considera que la demanda de embarques de
aglomerado puede estar relacionado con el nmero de permisos de construccin emitidos en el municipio durante el trimestre
anterior. El gerente ha recolectado los datos que se muestran en la tabla.
Permisos de Embarques de
construccin (X) conglomerado (Y)
15 6
9 4
40 16
20 6
25 13
25 9
15 10
35 16
- Si se pide determinar una estimacin de los embarques cuando el nmero de permisos de construccin es 30.
En el siguiente diagrama de dispersin se puede ver que los datos no son perfectamente lineales; sin embargo, se puede hacer un
enfoque lineal sobre este periodo corto.



0
2
4
6
8
10
12
14
16
18
0 5 10 15 20 25 30 35 40 45
E
m
b
a
r
q
u
e
s

Y

Permisos X
Embarques de conglomerado
Embarques de conglomerado (Y)
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

Se realizan los clculos como se muestra en la siguiente tabla



n X Y XY X
2
Y
2

1 15 6 90 225 36
2 9 4 36 81 16
3 40 16 640 1600 256
4 20 6 120 400 36
5 25 13 325 625 169
6 25 9 225 625 81
7 15 10 150 225 100
8 35 16 560 1225 256
Totales 184 80 2146 5006 950
Se calcula las medias aritmticas de X y Y
= X 23
= Y 10

Se calculan los valores de la pendiente b y la interseccin a:

=
2
2
X n x
XY n xy
b
) 23 )( 23 ( 8 5006
) 10 )( 23 ( 8 2146

= b
b = 0.395
x b Y a =
a = 10 0.395(23)
a = 0.915
Se plantea la ecuacin de la regresin
Y = a + bx
Y = 0.915 + 0.395X
Recordemos que X = permisos; Y = embarques.
Entonces, el nmero de embarques cuando el nmero de permisos de construccin es 30 se puede encontrar sustituyendo el valor
en la ecuacin.
X = 30
Y = 0.915 + 0.395(30)
Y = 12.76 13
El nmero de embarques ser de 13
aproximadamente.
- Desviacin estndar de la
regresin

Dados los datos de los permisos y
embarques calclese la desviacin
estndar de la regresin

En la siguiente grafica se muestra el
comportamiento de la desviacin



Por lo tanto, la desviacin estndar de la regresin es
Embarques de conglomerado
0
2
4
6
8
10
12
14
16
18
0 5 10 15 20 25 30 35 40 45
Permisos X
E
m
b
a
r
q
u
e
s

Y
Embarques de conglomerado
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

2
2
.

=

n
XY b Y a Y
S
X y

2 8
) 2146 )( 396 . 0 ( ) 80 )( 91 . 0 ( 950
.

=
X Y
S
=
X Y
S
.
2.2 embarques
Estimacin del intervalo
Desarrllese una prediccin de intervalo estimada de
95% para el nmero especfico de embarques que se realizar
cuando son emitidos 30 permisos de construccin durante el
trimestre anterior.
Donde el valor de t (de la tabla estadstica) para n-2 = 8-2 = 6
grados de libertad, y dnde segn tablas:
t = 2.447
Se debe calcular

2
) ( X X

X - X

(X X)
2

-8.00 64
-14.00 196
17.00 289
-3.00 9
2.00 4
2.00 4
-8.00 64
12.00 144
0.00 774

X= 30 permisos

+ + =
2
2
.
) (
) ( 1
1
X X
X X
n
S S
x y IND

=

+ + =
774
) 23 30 (
8
1
1 2 . 2
2
IND
S 2.40
Intervalo de prediccin = Y
C

t
S
IND

Intervalo de prediccin = 13 2.447 (2.40)
Intervalo de prediccin (inferior) = 13 5.87 = 7.1
Intervalo de prediccin (superior) = 13 + 5.87 = 18.9
7< Embarques < 19
S
IND


- Coeficiente de correlacin
( ) | || |
2 2
2
2
) (




=
Y Y n X X n
Y X XY n
r

| || |
2 2
) 80 ( ) 950 ( 8 ) 184 ( ) 5006 ( 8
) 80 )( 184 ( ) 2146 ( 8


= r

= =
7430400
2448
r 0.90


F. REGRESIN LINEAL CON FACTORES DE ESTACIONALIDAD

Este modelo de anlisis causal utiliza el modelo de regresin lineal simple pero considera factores de estacionalidad o ndices de
temporada para poder romper con la tendencia de los datos.
Procedimiento
Se hacen los clculos para la tabla de regresin lineal. Encontrar XY X
2
y Y
2

as como los totales correspondientes.
Bimestre Ventas Reales x^2 X*y y^2
Variable x Variable y
Ao 1 1 18,350 1 18,350 336,722,500
2 18,850 4 37,700 355,322,500
3 19,550 9 58,650 382,202,500
4 18,670 16 74,680 348,568,900
5 19,743 25 98,715 389,786,049
6 28,350 36 170,100 803,722,500
Ao 2 7 18,550 49 129,850 344,102,500
8 19,000 64 152,000 361,000,000
9 19,300 81 173,700 372,490,000
10 19,840 100 198,400 393,625,600
11 19,880 121 218,680 395,214,400
12 29,000 144 348,000 841,000,000
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

Ao 3 13 18,865 169 245,245 355,888,225
14 18,925 196 264,950 358,155,625
15 19,870 225 298,050 394,816,900
16 19,050 256 304,800 362,902,500
17 20,030 289 340,510 401,200,900
18 29,990 324 539,820 899,400,100
TOTALES 171 375,813 2,109 3,672,200 8,096,121,699
Empleando el mtodo de estacionalidad se pronostica para el
ao siguiente, para ello se calculan los siguientes parmetros
para ajustar la serie de datos.
- Se calcula el promedio de ventas por periodo
(bimestre, mensual, etc)
n
y
Y

=
Promedio de ventas por bimestre 20,879
- Se obtiene el promedio de ventas para el cada uno
de los periodos as como el factor de estacionalidad
para cada periodo (bimestre, mensual, etc)
Promedio de ventas por periodo =

+ + np p p p / ) 1 1 1 (
3 2 1

np=numero de periodos por serie
Promedio de ventas del primer bimestre 18,588
Factor de estacionalidad = promedio de ventas para el
periodo / promedio de ventas global.

Factor de estacionalidad del primer bimestre 0.890310
Promedio de ventas del segundo bimestre 18,925
Factor de estacionalidad del segundo bimestre 0.906435
Promedio de ventas del tercer bimestre 19,258
Factor de estacionalidad del tercer bimestre 0.922400
Promedio de ventas del cuarto bimestre 19,187
Factor de estacionalidad del cuarto bimestre 0.918968
Promedio de ventas del quinto bimestre 19,884
Factor de estacionalidad del quinto bimestre 0.952383
Promedio de ventas del sexto bimestre 29,113
Factor de estacionalidad del sexto bimestre 1.394417

Se calcula la pendiente de la recta de regresin, as como la
interseccin de la recta

=
2 2
) (X X n
Y X XY n
b
2
) 171 ( ) 2109 ( 18
) 375813 )( 171 ( ) 3672200 ( 18

= b
8721
1835577
= b
Pendiente de la recta de regresin b= 210.477812

5 . 9 18 / 171 = = X
X b Y a =
5 . 9 ) 47 . 210 ( 20879 = a
Interseccin de la recta de regresin a= 18,878.960784

Se pronostica la demanda empleando los componentes de la
regresin as como los ndices de estacionalidad de acuerdo
con la siguiente tabla; y se obtienen las ventas proyectadas al
sustituir los valores encontrados en la ecuacin de la recta.
Y=(a+bx)Ie
Y
1
=(18,878.960784 + 210.477812 (1))( 0.890310 )
Y
1
=16,996
Bimestre Ventas Interseccin Pendiente ndice Ventas
X reales Y A B estacional Proyectadas
1 18,350 18,878.960784 210.477812 0.890310 16,996
2 18,850 18,878.960784 210.477812 0.906435 17,494
3 19,550 18,878.960784 210.477812 0.922400 17,996
4 18,670 18,878.960784 210.477812 0.918968 18,123
5 19,743 18,878.960784 210.477812 0.952383 18,982
6 28,350 18,878.960784 210.477812 1.394417 28,086
7 18,550 18,878.960784 210.477812 0.890310 18,120
8 19,000 18,878.960784 210.477812 0.906435 18,639
9 19,300 18,878.960784 210.477812 0.922400 19,161
10 19,840 18,878.960784 210.477812 0.918968 19,283
11 19,880 18,878.960784 210.477812 0.952383 20,185
12 29,000 18,878.960784 210.477812 1.394417 29,847
13 18,865 18,878.960784 210.477812 0.890310 19,244
14 18,925 18,878.960784 210.477812 0.906435 19,784
15 19,870 18,878.960784 210.477812 0.922400 20,326
16 19,050 18,878.960784 210.477812 0.918968 20,444
17 20,030 18,878.960784 210.477812 0.952383 21,388
ADMINISTRACION DE OPERACIONES I
Unidad 1. Sistemas de produccin
2.1 Mtodos de pronsticos de la demanda

Ing. Jorge Enrique Vargas Martinez; MAD.

18 29,990 18,878.960784 210.477812 1.394417 31,608
19 18,878.960784 210.477812 0.890310 20,369
20 18,878.960784 210.477812 0.906435 20,928
21 18,878.960784 210.477812 0.922400 21,491
22 18,878.960784 210.477812 0.918968 21,604
23 18,878.960784 210.477812 0.952383 22,590
24 18,878.960784 210.477812 1.394417 33,369

Se ajusta la demanda para eventos de carcter cualitativo y se calculan las ventas proyectadas ajustadas.
Pretende dar una explicacin lgica y razonada a los efectos de la estacionalidad.
DM= (P1
2
/ P1
1
)-1+(P1
3
/ P1
2
)-1+(P1
n
/ P1
n-1
)-1
DM
1
= ((18550 /18350-1)+((18865/18550)-1) /2
DM
1
=
Bimestres Ventas "Desviacion" promedio Factor de
Ventas
proyectadas
Proyectadas de la demanda real ajuste de ajustadas
por periodo la demanda *
o
19 20,369 1.40% 1% 20,857
20 20,928 0.20% 0% 20,970
21 21,491 0.80% 1% 21,878
22 21,604 1.10% 1% 22,058
23 22,590 0.70% 1% 22,975
24 33,369 2.90% 3% 35,338

Total 84,392 85,763

Referencias bibliogrficas.
Riggs James L. Sistemas de produccin: planeacin, anlisis y control; 1 edicin, 7 reimpresin, Mxico D.F., Limusa, 1998, pp. 79
81.
Sipper Daniel / Bulfin Robert L., Planeacin y control de la produccin, 1 edicin, 1 impresin, Mxico D.F., Mc. Graw Hill, Junio
1999, pp. 124 -127, 132 133
Monks Joseph G. Administracin de operaciones, serie Schaum., 1 edicin, Mxico D.F., Mc. Graw Hill., p.p. 168 170, 179 180.