UNIVERSIDAD CATÓLICA DE SANTA MARÍA

PRÁCTICA

2
PLANEAMIENTO Y CONTROL DE LA PRODUCCIÓN

PRONÓSTICOS

OBJETIVOS

• Identificar los patrones básicos de la mayoría de las series de tiempo de demanda.

• Identificar las diferentes medidas de errores de pronósticos.

RECURSOS

• Guía de prácticas
• Microsoft Excel

DURACIÓN DE LA PRÁCTICA

• 2 horas cronológicas

MARCO TEÓRICO

1. PRONÓSTICO

El proceso de pronóstico en las organizaciones atraviesa las áreas funcionales. Pronosticar la demanda
global suele originarse en marketing, pero los clientes internos en toda la organización también dependen
de los pronósticos para formular y ejecutar sus planes. Los pronósticos constituyen información crucial
para los planes de negocios, los planes anuales y los presupuestos.

INGENIERÍA INDUSTRIAL 1
2. PATRONES DE DEMANDA

Las observaciones repetidas de la demanda de un servicio o producto en su orden de ocurrencia forman

un patrón conocido como serie de tiempo. Existen cuatro patrones básicos de la mayoría de las series de
tiempo de demanda.
a. Horizontal: Fluctuación de datos alrededor de una media constante. b. Tendencia: Incremento o
decremento sistemático en la media de la serie en el tiempo. c. Estacional: Un patrón que se repite de
incrementos o decrementos en la demanda, dependiendo del tiempo del día, semana, mes o temporada.
d. Cíclico: Los menos predecibles incrementos o decrementos graduales de la demanda en periodos más
largos ( años o décadas) e. Aleatorio: La variación impredecible de la demanda. Los patrones cíclicos
surgen de dos influencias. La primera es el ciclo de negocios: incluye factores que ocasionan que la
economía vaya de recesión a expansión en cierto número de años. La otra influencia es el ciclo de vida
del servicio o producto, que refleja las etapas de la demanda desde el desarrollo hasta la declinación.
La demanda en los ciclos de negocios es difícil de predecir porque la afectan eventos nacionales e
internacionales. Los cuatro patrones de demanda – horizontal, tendencia, estacional y cíclico- se
combinan en varios grados para definir el patrón de tiempo subyacente de la demanda de un servicio o
producto. El quinto patrón, la variación aleatoria, es resultado del azar y por ello no se puede predecir.
La variación aleatoria es un aspecto de la demanda que al final hace que la demanda sea inexacta.

INGENIERÍA INDUSTRIAL 2
3. SELECCIÓN DEL TIPO DE TÉCNICA DE PRONÓSTICOS

Los sistemas de pronósticos ofrecen una variedad de técnicas, y ninguna es la mejor para todos los
artículos y situaciones. El objetivo de pronosticar es desarrollar un pronóstico útil a partir de la
información disponible con la técnica apropiada para los diferentes patrones de demanda. Se utilizan
dos tipos generales de técnicas de pronósticos: métodos de juicio subjetivo y métodos cuantitativos.

Los métodos de juicio traducen opiniones de administradores, opiniones de expertos, encuestas de

clientes y estimaciones de la fuerza de ventas en estimaciones cuantitativas. Los métodos cuantitativos
incluyen métodos causales, análisis de series de tiempo y proyección de tendencias de regresión. Los
métodos causales utilizan datos históricos de variables independientes, como campañas promocionales,
condiciones económicas y acciones de los competidores para predecir la demanda. EL análisis de series
de tiempo es un enfoque estadístico que se apoya en los datos históricos de la demanda para proyectar
el tamaño futuro de la demanda y reconoce los patrones de tendencia y estacionales. La proyección de
tendencia con regresión es un híbrido entre las técnicas de series de tiempo y método causal.

4. ERROR DE PRONÓSTICO

Para cualquier técnica de pronósticos, es importante medir la exactitud de sus pronósticos siempre
contienen errores. El error aleatorio es resultado de factores impredecibles que ocasionan que el
pronóstico se desvíe de la demanda real. Los analistas de pronósticos intentan minimizar los errores
seleccionando los modelos de pronósticos adecuados, pero eliminar todas las formas de error es imposible.

EL error de pronóstico para un periodo dado t es sencillamente la diferencia encontrada al restar el

pronóstico a la demanda real; o sea,

𝐸𝑡 = 𝐷𝑡 − 𝐹𝑡
Donde,
𝐸𝑡 = error de pronóstico para el periodo t
𝐷𝑡= demanda real para el periodo t
𝐹𝑡= pronóstico para el periodo t

La suma acumulada de errores de pronóstico (SAE) mide el error de pronóstico total:

𝑆𝐴𝐸 = ∑𝐸𝑡

La SAE es una suma acumulada. También recibe el nombre de error de sesgo y es el resultado de errores
consistentes, el pronóstico siempre es demasiado alto o demasiado bajo. Este tipo de error suele ser
causa de la mayor desorganización de los esfuerzos de planeación. Por ejemplo, si un pronóstico es
siempre menor que la demanda real, el valor de la suma acumulada será cada vez mayor. Este error

INGENIERÍA INDUSTRIAL 3
creciente indica alguna deficiencia sistemática en el enfoque de pronósticos. EL error de pronóstico
promedio, algunas veces llamado sesgo medio, es sencillamente:

El error medio cuadrático (EMC), la desviación estándar de los errores (σ) y

la desviación absoluta media (MAD) miden la dispersión de los errores de
pronóstico atribuidos a los efectos de tendencia, estacionalidad y
aleatoriedad:

Si EMC, σ ó MAD es pequeño, el pronóstico suele ser cercano a la demanda

real; por el contrario, un valor grande indica la posibilidad de errores de
pronósticos grandes. Las medidas difieren en la forma en que resaltan los
errores. Los errores grandes tienen mucho más peso para EMC y σ porque se
elevan al cuadrado. MAD es una medida ampliamente utilizada para el error
de pronóstico y se comprende con facilidad; es meramente la media de los
errores de pronóstico absolutos sobre una serie de periodos, sin importar si
el error sobreestima o subestima el valor.

El error absoluto medio porcentual (MAPE) relaciona el error de pronóstico

con el nivel de demanda y es útil para tener una perspectiva adecuada del
desempeño del pronóstico.

Por ejemplo, un error de pronóstico absoluto de 100 resultados es un porcentaje mayor cuando la
demanda es de 200 unidades que cuando es de 10,000 unidades. El MAPE es la mejor medida del error
para usarse cuando se hacen comparaciones entre las series de tiempo de los SKU.

5. MÉTODOS DE SERIES DE TIEMPO

En lugar de usar variables independientes para el pronóstico, como hacen los modelos de regresión, los
métodos de series de tiempo utilizan información histórica de solo la varible dependiente continuarán
en el futuro. EL análisis de series de tiempo identifica los patrones subyacentes de la demanda que se

INGENIERÍA INDUSTRIAL 4
combinan para producir un patrón histórico observado de la variable dependiente y luego desarrolla un
modelo para replicarlo.

5.1 Pronóstico Ingenuo

Un método utilizado a menudo en la práctica es el método ingenuo, mediante el cual el
pronóstico para el siguiente periodo (Ft+1) es igual a la demanda de periodo actual (Dt). Entonces,
si la demanda real para el miércoles es 35 clientes, la demanda para el jueves es 35 clientes. A
pesar de su nombre, puede tener un buen desempeño.

5.2 Estimación del promedio

El patrón horizontal en una serie de tiempo se basa en la media de las demandas, de manera que
nos centramos en los métodos de pronóstico que estiman el promedio de los datos en una serie
de tiempo. El pronóstico de la demanda para cualquier periodo en el futuro es el promedio de la
serie de tiempo calculado en el periodo actual.

Promedio móvil simple: Sencillamente implica calcular la demanda promedio para los n periodos
más recientes y utilizándolo como provisiones para periodos futuros. Para el siguiente periodo,
después de que se conoce la demanda, la demanda más antigua del promedio anterior es
sustituido con la demanda más reciente y el promedio se recalcula. De esta manera se usan las
n demandas más recientes y el promedio se “mueve” de un periodo a otro.

En particular, el pronóstico para el periodo t+1 se calcula al final del periodo t (después de
conocer la demanda real del periodo t) como:

Promedios móviles ponderados: Cada demanda histórica en el promedio puede tener su propio
peso. La suma de los pesos debe ser igual a 1.0. Por ejemplo, en un modelo de promedio móvil
ponderado de tres periodos, al periodo más reciente se le asignaría un peso de 0.50, al segundo
más reciente un peso de 0.30 y al tercero más reciente un peso de 0.20. El promedio se obtiene
multiplicando el peso de cada periodo por el valor de ese periodo y sumando los productos:

𝐹𝑡+1 = 0.50𝐷𝑡 +0.30𝐷𝑇−1 +0.20𝐷𝑡−2

INGENIERÍA INDUSTRIAL 5
 Suavizamiento exponencial: Es un método sofisticado de promedio móvil ponderado que calcula
el promedio de una serie de tiempo que, de manera implícita, da más peso a las demandas
recientes que a las anteriores, tomando en cuenta todo el archivo histórico. Es el que se usa con
más frecuencia para pronósticos formales por su sencillez y la pequeña cantidad de datos que lo
apoyan. A diferencia del método de promedio móvil ponderado, que requiere n periodos de
demandas pasadas y n ponderaciones, el de suavizamiento exponencial solo requiere tres tipos
de datos: 1. El pronóstico del último periodo, 2. La demanda real para este periodo y 3. Un
parámetro de suavizamiento, alfa(α), que tiene un valor entre 0 y 1.0. La ecuación para el
pronóstico de suavizamiento exponencial para el periodo t+1 es:

𝐹𝑡+1 =∝ 𝐷𝑡 +(1−∝)𝐹𝑡

6. TIPOS DE PRONÓSTICOS
Los pronósticos se clasifican en cuatro tipos básicos: cualitativo, análisis de series de tiempo,
relaciones causales y simulación. Las técnicas cualitativas son subjetivas y se basan en estimados
y opiniones. El análisis de series de tiempo, enfoque primario, se basa en la idea de que es posible
utilizar información relacionada con la demanda pasada para predecir la demanda futura. La
información anterior puede incluir varios componentes, como influencias de tendencias,
estacionales o cíclicas, y se describe en la sección siguiente. El pronóstico causal, que se analiza
mediante la técnica de la regresión lineal, supone que la demanda se relaciona con algún factor
subyacente en el ambiente. Los modelos de simulación permiten al encargado del pronóstico
manejar varias suposiciones acerca de la condición del pronóstico.

7. COMPONENTES DE LA DEMANDA
En la mayor parte de los casos, la demanda de productos o servicios se divide en seis
componentes: demanda promedio para el periodo, una tendencia, elementos estacionales,
elementos cíclicos, variación aleatoria y autocorrelación.
La siguiente ilustración muestra una demanda durante un periodo de cuatro años, así como el
promedio, la tendencia y los componentes estacionales o la aleatoriedad alrededor de la curva
de la demanda suavizada. Es más difícil determinar los factores cíclicos porque quizá se
desconoce el tiempo o no se toma en cuenta la causa del ciclo. La influencia cíclica sobre la
demanda puede provenir de sucesos como elecciones políticas, guerras, condiciones económicas
o presiones sociológicas. Las variaciones aleatorias son provocadas por acontecimientos fortuitos.
Estadísticamente, al restar todas las causas conocidas de la demanda (promedio, tendencias,
estacionales, cíclicas y de autocorrelación) de la demanda total, lo que queda es la parte
inexplicable de la demanda. Si no se puede identificar la causa de este remanente, se supone
que es aleatoria. La autocorrelación indica la persistencia del hecho. De manera más específica,
el valor esperado en un momento dado tiene una correlación muy alta con sus propios valores
anteriores. En la teoría de la línea de espera, la longitud de una línea de espera tiene una
autocorrelación muy elevada. Es decir, si una línea es relativamente larga en un momento
determinado, poco después de ese tiempo sería de esperar que la línea siguiera siendo larga.

INGENIERÍA INDUSTRIAL 6
Un método de pronóstico de uso muy común grafica los datos y luego busca la distribución estándar
(como lineal, curva S, asintótica o exponencial) que se adapte mejor a estos. El atractivo de este método
radica en que, como las matemáticas de la curva son conocidas, resulta fácil despejar los valores de los
periodos futuros. En ocasiones, la información no parece adaptarse a ninguna curva estándar. Esto quizá
se deba a varias causas que, en esencia, envían los datos desde varias direcciones al mismo tiempo. Para
estos casos es posible obtener un pronóstico sencillo pero eficaz con solo graficar la información.

INGENIERÍA INDUSTRIAL 7
8. PROYECCIÓN DE TENDENCIA CON REGRESIÓN LINEAL
Consideramos una serie de tiempo de demanda que tiene una tendencia. Una tendencia en una
serie de tiempo es un incremento o decremento sistemático en el promedio de la serie en el
tiempo. Cuando hay una tendencia notoria, los pronósticos de los enfoques ingenuos, promedio
móvil y suavizamiento exponencial son adaptables, pero muestran un retardo con respecto a la
demanda real y tienden a ser más bajos o más altos que la demanda real. La proyección de la
tendencia con regresión es un modelo de pronóstico que toma en cuenta la tendencia con el
análisis de regresión simple. Para desarrollar un modelo de regresión para pronosticar la
tendencia, sea la variable dependiente. Y, la demanda de un perioso y sea la variable
independiente, t, el periodo. Para el primer periodo se tiene t=1; para el segundo periodo, t=2;
etc. La ecuación de regresión es:

𝑌𝑡=𝑎+𝑏𝑋

Donde:
Y * = Se lee Y asterisco, es el valor predictorio de la variable Y para un valor seleccionado de X.
a = Es la intersección con el eje Y. Es el valor estimado de Y cuando X = 0.
b = Es la pendiente de la línea, o el cambio promedio en Y* por cada cambio en una unidad de la
variable independiente X.
X = Es el valor que se escoge para la variable independiente.

A los valores a y b se les conoce como coeficientes de regresión y se calculan con las siguientes
fórmulas:

Una ventaja de la proyección de tendencia con el modelo de regresión es que pronostica la

demanda en el futuro. Los modelos anteriores proyectan la demanda un periodo adelante y
suponen que en adelante la demanda permanecerá en el mismo nivel. Por supuesto, todos los
modelos (incluso la proyección de tendencia con el modelo de regresión) se pueden actualizar
cada periodo para estar al corriente. Una desventaja aparente de la tendencia con regresión es
que no se adapta.

La solución a este problema llega cuando se responde la siguiente pregunta. Si cuenta con las
ventas históricas de automóviles Ford desde 1920, ¿incluiría cada año a en su análisis de regresión,
dando el mismo peso a la venta de cada año, o incluiría solo las ventas de los años más recientes?

INGENIERÍA INDUSTRIAL 8
 Lo más probable es que decida incluir sólo los años más recientes, haciendo el modelo de
regresión más adaptable. La proyección de tendencia con el modelo de regresión entonces sería
más o menos adaptable con la selección de los periodos de datos históricos que se incluyan, de
la misma manera que modelos de los promedios móviles (cambiando n) o de suavizamiento
exponencial (cambiando α).

9. FACTOR (O ÍNDICE) ESTACIONAL

Un factor estacional es la cantidad de corrección necesaria en una serie temporal para ajustarse
a la estación del año. Por lo general, se relaciona estacional con un periodo del año caracterizado
por alguna actividad en particular. Con la palabra cíclico se indica que no se trata de los periodos
anuales recurrentes de actividad repetitiva.

Se siguen los siguientes pasos: 1) un cálculo sencillo basado en datos estacionales pasados y 2)
la tendencia y el índice estacional de una recta de la regresión ajustada a mano.

10. RANGOS DE LOS PRONÓSTICOS

Cuando el análisis de regresión lineal genera pronósticos para periodos futuros, éstos son sólo
estimaciones y por lo tanto están sujetos a error. La presencia de errores de pronóstico o de
variaciones al azar es un hecho para quienes pronostican; el pronóstico es un proceso que está
inmerso en la incertidumbre. Una manera de tratar esta incertidumbre es desarrollando
intervalos de confianza para los pronósticos.

La expresión SXY, se conoce como error estándar del pronóstico o desviación estándar del
pronóstico, y es una medida de la manera en que han quedado dispersos a uno y otro lado de la
línea de tendencia los puntos de datos históricos. Si SXY es pequeño en relación con el pronóstico,
los puntos de datos pasados han quedado agrupados muy cerca de la línea de tendencia y los
límites superior e inferior se acercan entre si. Y los límites se calculan asi:
Límite superior = Y* + t SXY
Límite inferior = Y* - t SXY

10.1 Coeficiente de correlación lineal de Pearson

Es una medida del grado de asociación lineal entre las variables X e Y. Es un número abstracto y
se representa por r:

INGENIERÍA INDUSTRIAL 9
 Donde:
SXY = Covarianza de X e Y.
SX = Desviación estándar de X.
SY = Desviación estándar de Y.

Propiedades
• r está siempre comprendido entre -1 y 1.
• Si r = 1 ó r = -1 entonces los puntos de la muestra están situados en línea recta (correlación
lineal perfecta).
• Si r está próximo a 1 ó a -1, habrá una asociación lineal fuerte entre ambas variables.
• Si r es cercano a 0, habrá una asociación lineal muy débil.
• r no varía cuando en las variables se realiza un cambio de escala o de origen. Esto demuestra
que r no tiene dimensión.

10.2 Dos consideraciones sobre el coeficiente de correlación.

a) Se trata de una medida matemática que luego hay que interpretar. Aunque un alto grado de
correlación indique buena aproximación a un modelo matemático lineal, su interpretación puede
no tener ningún sentido. Por ejemplo puede haber un alto grado de correlación entre las ventas
de celulares y el consumo de alcohol en Arequipa, pero ambas variables están claramente
disociadas.

b) Aunque el grado de correlación sea cercano a cero (pobre aproximación al modelo lineal) eso
no significa que no haya relación entre las dos variables. Puede ser que dicha relación sea no
lineal.

11. COEFICIENTE DE DETERMINACIÓN

El coeficiente de determinación se calcula elevando al cuadrado el coeficiente de correlación y
representa el porcentaje de la variación explicada por la recta de regresión.
El coeficiente de determinación r2, es una medida de la proximidad del ajuste de la recta de
regresión; cuanto mayor sea el valor de r2, mejor será el ajuste y mas útil la recta de regresión
como instrumento de predicción. (r2 = 0.92 indica que de 100 pares de puntos 92 están en la
recta de regresión y 8 fueran de la recta de regresión).
Cuando el n es pequeño se debe calcular el coeficiente de determinación corregido.

INGENIERÍA INDUSTRIAL 10
12. MÉTODO DE REGRESIÓN EXPONENCIAL
Algunas veces una curva suave suministra un mejor ajuste para los datos que una línea recta.
La curva esta dada por: Y = abx, y varía con la tasa constante b en cada periodo, para esto
convertimos la ecuación exponencial a su forma logarítmica:

ACTIVIDADES

1) Se presentan los datos para el número diario de clientes Dt, que son atendidos en una clínica dental,
así como un pronóstico Ft , de tales datos, para la empresa MMI Representaciones. La técnica de
pronóstico utilizo el número de clientes atendidos en el periodo anterior como pronóstico del periodo
actual. Calcular el MAD, EMC, MAPE y el MPE y hacer comentarios de los resultados hallados.

INGENIERÍA INDUSTRIAL 11
2) Con los datos de MMI, realizar lo siguiente:

a) Encontrar un pronóstico para el periodo 10 utilizando un promedio móvil de 3 y 5 periodos.

b) Realizar un pronóstico para el periodo 10 considerando el promedio móvil ponderado considerando
los siguientes pesos: 0.5, 0.3 y 0.2
c) Realizar un pronóstico para el periodo 10 considerando un suavizamiento exponencial con un alfa =
0.8, 0.5 y 0.3, a que conclusiones puede llegar.

3) A continuación se presenta un conjunto de datos con su respectivo pronóstico:

INGENIERÍA INDUSTRIAL 12
Calcular el MAD, MEC, MAPE y el MPE para cada pronóstico y hacer comentarios de los resultados
hallados.

4) Rent a car, es una empresa que se dedica al alquiler de camionetas, a continuación se presenta el
consumo de petróleo por semana para la flota que tiene disponible dicha empresa:

INGENIERÍA INDUSTRIAL 13
a) Encontrar un pronóstico para la semana 31, haciendo uso del método de promedio simple.
b) Calcular el MAD, MEC, MAPE y el MPE, para el punto (a). Hacer comentarios.
c) Encontrar un pronóstico para la semana 31, considerando el método de los promedios móviles de 3, 5
y 7 periodos.
d) Encontrar un pronóstico para la semana 31, considerando un promedio ponderado de 0.4, 0.3, 0.2 y
0.1. Hacer comentarios.

5. Industrias Nina creció casi 50% el último año debido a la gran demanda que tuvieron los reproductores
de discos compactos entre los corredores. Como el número de corredores va en aumento, Nina espera
que también aumente la demanda de los reproductores, ya que hasta la fecha no hay ningún reglamento
de seguridad que evite que los usen los corredores. El año pasado, la demanda de unidades fue:

a) Use el análisis de regresión de mínimos cuadrados; Cuál sería su pronóstico de la demanda para cada
mes del próximo año.

6. La Molinera Valencia, tenía grandes contratos para la comercialización de azúcar. En los últimos años
el mercado se ha reducido por el ingreso de otros competidores en la comercialización de este producto.
Por lo que la compañía le encomienda la tarea de pronosticar el próximo año, para realizar la importación
del producto. La demanda para los 12 últimos trimestre se muestra a continuación. Use la técnica más
adecuada para pronosticar los cuatro trimestre de 2002.

INGENIERÍA INDUSTRIAL 14
7. Prepare un pronóstico para cada trimestre del próximo año a partir de la información de ventas
trimestrales de los últimos años, que se presentan a continuación. Suponga que existen factores de
tendencia y de estacionalidad y que el ciclo de estacionalidad dura un año.

8. Una empresa necesita desarrollar un pronóstico de ventas para el año siguiente para sus ventas de
vehículos recreativos. Suponga que sus ventas anuales están relacionadas con las ventas de su sector
industrial y ha preparado estos datos históricos:

INGENIERÍA INDUSTRIAL 15
Si la estimación de las ventas para el sector industrial del año que viene es de 725 millones de dólares,
utilice una regresión lineal simple para pronosticar la demanda anual de vehículos recreativos de la
empresa para dicho año.

9. DUO es una compañía que fabrica botas de esquiar con materiales compuestos. Las botas tuvieron
ventas lentas al introducirlas al mercado, pero los esquiadores han reconocido que son excelentes y el
precio es sólo alrededor del 15% más alto que otras marcas. El departamento de pegado hace las uniones
en las botas y el año pasado tenia 25 empleados. La eficiencia por trabajador fue 83% el otoño pasado.
Tres de estos trabajadores renunciaron. Dados los datos de demanda de los últimos cuatro años, ¿cuántos
trabajadores recomendaría contratar para el próximo invierno? ¿Recomendaría un número distinto para
la primavera, verano y otoño del próximo año?

TAREA

1. Las ventas de los últimos 12 meses en una empresa de computadoras se dan enseguida.

a) Utilice un promedio móvil de tres meses para pronosticar la venta de enero del siguiente año.
b) Use un promedio móvil de cuatro meses para pronosticar la venta de enero del siguiente año

INGENIERÍA INDUSTRIAL 16
c) Compare el desempeño de los dos métodos utilizando la desviación media absoluta como criterio de
desempeño. ¿Qué método recomendaría?
d) Compare el desempeño de los dos métodos usando el error porcentual medio como criterio de
desempeño. ¿Qué método recomendaría?

2. Considere los datos anteriores:

a) Utilice un promedio móvil ponderado para pronosticar la venta de enero del siguiente año. Use los
pesos (3/6), (2/6) y (1/6), dando más peso al dato más reciente.
b) Utilice suavizamiento exponencial con α=0.6, 0.4, 0.2 para pronosticar la venta de febrero del
siguiente año. Suponga que el pronóstico inicial para enero era $22 millones.

3. El número de cirugías del corazón realizadas en el Hospital General ha aumentado en forma estable
en los últimos años. La administración del hospital está buscando el mejor método para pronosticar la
demanda de esas cirugías en el año seis. Los datos de los últimos quince años se muestran en la tabla.

La administración del hospital está considerando los siguientes métodos de pronósticos. Comience la
medida del error en el año tres para comparar todos los métodos en los mismos años.

a) Indicar el MAD, MEC, MAPE para un pronóstico ingenuo de la demanda.

b) Suavizamiento exponencial con α=0.6. EL pronóstico inicial para el año uno es 145, igual que la
demanda real.
c) Suavizamiento exponencial con α=0.9. El pronóstico inicial para el año uno es 145, igual que la
demanda real.
d) Promedio móvil de dos años.
e) Promedio móvil ponderado, con pesos d e0.6 y 0.4, dando más peso al dato más reciente.

INGENIERÍA INDUSTRIAL 17
4. La demanda histórica para un producto es:

a) Use un promedio móvil ponderado con valores de 0.40, 0.30, 0.20 y 0.10 para determinar el
pronóstico para julio.
b) Use un promedio móvil simple de tres meses para determinar el pronóstico para julio.
c) Use el suavizamiento exponencial simple de α = 0.2 y 0.7.
d) ¿De los pronósticos anteriores determine cuál es el mejor pronóstico para Julio?

5. Embotelladora Andina produce bebidas, que se venden a supermercados y bodegas. Las ventas
mensuales observadas durante 2015 y 2016 en miles de paquetes se muestran en la tabla siguiente:
Obs. Mes Demanda Obs. Mes Demanda

Teniendo en cuenta que el departamento de planeación maneja la demanda como un proceso

constante, determinar el pronóstico para enero del 2017, usando los siguientes métodos:
a) Promedio de todos los datos

INGENIERÍA INDUSTRIAL 18
b) Promedio móvil con N = 6
c) Promedio móvil ponderado, de 0.6,0.3 y 0.1
d) Suponga que la demanda real de Enero del 2017 es 55.2 miles de paquetes. Calcule el pronóstico
para febrero usando promedio móvil con N = 6 obs.
e) Usando el promedio Móvil que tenga el menor error (MAD) con N = 3 obs, 5 obs y 7obs.

6. A continuación se presenta la información de los ingresos por ventas en miles de soles, de la tienda
EFE, en su línea blanca de electrodomésticos.

a) Elaborar un pronóstico para los demás trimestres del año 2015 utilizando el método de
suavizamiento exponencial considerando a = 0.1 y a = 0.6
b) Calcular el MAD, MEC, MAPE y el MPE. Hacer comentarios

INGENIERÍA INDUSTRIAL 19
7. LANDA SRLtda. produce carcasas para estabilizadores utilizados en la venta de computadoras. Rodrigo
Gonzales, gerente de planta, estima que el crecimiento de las ventas continuara y desea desarrollar un
pronóstico a largo plazo que se utilizara para planear las necesidades de las instalaciones para los
siguientes tres años. Se han totalizado las ventas correspondientes a los últimos 10 años:

a) Elaborar un diagrama de dispersión y sacar conclusiones.

b) Hallar el coeficiente de correlación y determinación e interpretar los resultados.
c) Encontrar la ecuación de regresión lineal por el método de mínimos cuadrados e indicar el pronóstico
para el siguiente año.

8 . Canister se especializa en la fabricación de contenedores de plástico. Los datos de ventas mensuales

de botellas de champú en los últimos cinco años son los siguientes:

a) Con el método más conveniente, calcule la proyección para todos los meses del siguiente año.
b) Desarrolle una ecuación de regresión lineal simple para pronosticar la venta anual del año 6. E indicar
la pendiente, la intersección y coeficiente de regresión.

9 . Tom Plaz pronostica la demanda de electricidad para la compañía de luz Enersur. La compañía desea
cerrar su planta de energía 2 para mantenimiento cuando se espere que la demanda sea baja. Después
de cerrar, realizar el mantenimiento y poner de nuevo en marcha la planta toma de dos semanas. El
servicio tiene sufieciente capacidad de generación en otras fuentes para satisfacer una demanda de 1550
megawats(MW), mientras la planta 2 está fuera de servicio. A continuación se muestra las demandas pico
semanales (en MW) para varios otoños pasados. ¿Cuándo en el siguiente año debe la Planta 2 programar
mantenimiento?

INGENIERÍA INDUSTRIAL 20
10 . Swiss Milk fabrica y distribuye helado en 3 ciudades del país. La compañía quiere expandir sus
operaciones estableciendo otra planta en el norte. El tamaño de la nueva planta se determinará en
función de la demanda esperada del helado en el área atendida por la planta. Se está realizando una
investigación de mercado para determinar esa demanda.

Swiss Milk desea estimar la relación entre el costo por galón para el fabricante y el número de galones
vendidos en un año para determinar la demanda de helado y, con ella, el tamaño de la nueva planta. Se
reunieron los datos siguientes:

a) Desarrolle mediante una ecuación de regresión para pronosticar el costo por galón y luego desarrolle
el pronóstico como una función del número de galones producidos. b) ¿Cuál es el coeficiente de
correlación y el coeficiente de determinación? c) Suponga que la investigación de mercado indica una
demanda de 325 000 galones en el área del Norte. Estime el costo de manufactura por galón para una
planta que produce 325 000 galones al año.

INGENIERÍA INDUSTRIAL 21
 CUESTIONARIO

1. ¿Por qué es importante un pronóstico? ¿Qué papel juega en la planeación y control de la producción?
2. ¿Cuáles son las ventajas y desventajas de las investigaciones de mercado?
3. Dé tres ejemplos de situaciones en las que el método Delphi sería una manera adecuada de
pronosticar.

BIBLIOGRAFÍA

1. Chase, Jacobs y Aquilano. 2009. Administración de la Producción y Operaciones. Ed. Mc Graw

Hill.
2. Norman Gaither y greg Fraizer. 2000. Administración de la Producción y Operaciones.
International Thomson Editores S.A.

INGENIERÍA INDUSTRIAL 22