administracion de operaciones

1. Capítulo I
PRONOSTICOS
Ing. Germán Alcalá C.

2. “La previsión proporciona a
Disney una ventaja competitiva”
Dirección de la Producción y de Operaciones
Jay Heizer & Barry Render

3. Contenido:
1. Introducción
2. Marco conceptual de los pronósticos
3. Tipos de pronósticos
4. Selección de un método de pronóstico
5. Razones de un mal pronóstico
6. Bibliografía

4. “LA PREPARACION DE PRONÓSTICOS ES EL
ARTEY LA CIENCIA DE PREDECIR EVENTOS
FUTUROS”

5. 1. Introducción
Algunas de las preguntas que deben plantearse antes de
decidir la técnica de pronósticos más apropiada para un
problema específico son las siguientes:
 ¿Por qué se necesita un pronóstico?
 ¿Quién utilizará el pronóstico?
 ¿Cuáles son las características de los datos
disponibles?
 ¿Qué periodo debe pronosticarse?
 ¿Cuáles son los requisitos mínimos de datos?
 ¿Qué tanta precisión se desea?
 ¿Cuánto costará el pronóstico?

6. Características del pronóstico
empresarial:
 Es consistente con las demás áreas del
negocio
 Se basa en el conocimiento adecuado del
pasado relevante
 Tiene en cuenta el entorno político y
económico.
 Es oportuno.

7. ¿Porqué son importantes los
pronósticos en el área de
operaciones?

8. Variaciones entre las ventas y los
pronósticos
Variaciones leves:
◦ Puede absorberse por un nivel adicional de
capacidad
◦ Inventarios o reprogramación de órdenes
◦ Otras??

9. Variaciones fuertes:
◦ Pronósticos > >Ventas
 Grandes inventarios
 Recorte de personal para reducir los niveles de
producción
 Otras??
◦ Pronósticos < <Ventas
 Capacidad se ve estirada
 Contratación de personal adicional
 Pérdida de ventas debido a faltantes en inventario

10.  El pronóstico ocupa un papel central en la
empresa y a lo largo de la cadena de
suministro
Lectura:
“Pronósticos de la cadena de suministro de
Walmart”

11. 2. Marco conceptual del pronóstico en
el área de operaciones
 Nos concentramos en la preparación del
pronóstico de la demanda para la
producción.
 La demanda y las ventas no siempre son
lo mismo.
 Pronóstico no es igual a Planeación
 El pronóstico es un insumo para las
decisiones de operaciones relacionadas
con el diseño del proceso, la planeación
de la capacidad y los inventarios.

12. TECNICAS DE
PRONOSTICO
Cuantitativa
Modelos
causales
Modelos de
series de tiempo
Corto plazo
Promedios
móviles
Promedio móvil
ponderado
Suavización
exponencial
Largo plazo
Regresión lineal
Polinomial
Multilineal
Cualitativa
Delphi
Investigación de
Mercados
Predicción
tecnológica
TECNICAS DE PRONOSTICO

13. Diseño de proceso
(largo plazo)
• Tipo de proceso
(continuo, líneas de
ensamble, lotes,
talleres de trabajo,
proyectos)
Decisiones de
capacidad (largo,
mediano y corto plazo)
• Capacidad total de
las instalaciones
• Planes de
contrataciones,
subcontrataciones,
equipamiento
• Asignación de
personas y máquinas
disponibles
Decisiones de
inventarios (corto
plazo)
• Compras
• Programación
PRONOSTICOS COMO INSUMO PARA LAS DECISIONES DE
OPERACIONES
GRADO DE EXACTITUDY ESPECIFICIDAD

14. Aplicaciones y métodos de pronóstico
Horizonte Exactitud Nº
pronósticos
Nivel de
involucrados
Método
pronóstico
Proceso Largo Mediana 1 o pocos Alto Cualitativo/
causal
Instalacion
es
Largo Mediana 1 o pocos Alto Cualitativo/
causal
Planeación
agregada
Mediano Alta Pocos Mediano Causal y
series de
tiempo
Programac
ión
Corto La más alta Muchos Bajo Series de
tiempo
Inventario
s
Corto La más alta Muchos Bajo Series de
tiempo

15. 3.Tipos de pronósticos
3.1 Pronósticos a largo plazo:
 Estima las condiciones futuras en un
horizonte de tiempo mayor a dos años
 Son necesarias en la administración de
operaciones para dar apoyo a decisiones
estratégicas con relación a: planeación de
productos, procesos, tecnologías e
instalaciones.

16. 3.1.1 Métodos de pronósticos a
largo plazo
a) Métodos cualitativos
b) Métodos cuantitativos

17. a) Métodos cualitativos de pronósticos:
 Cuándo los datos del pasado no resulten
confiables
 Introducción de nuevos productos (no se
dispone de datos históricos)
 Útiles para el diseño del proceso o
capacidad de las instalaciones

18. Métodos cualitativos de pronósticos
METODO DESCRIPCION APLICACIONES COSTO
Delphi Panel de expertos que
responden a una serie de
preguntas en rondas
sucesivas
Pronóstico de ventas a
largo plazo para la
planeación de la
capacidad de las
instalaciones.
Pronósticos tecnológicos
Mediano
a alto
Estudios de
mercado
Estudia las condiciones del
mercado usando varios
instrumentos
Pronósticos de las ventas
totales
Alto
Analogía
del ciclo de
vida
Se basa en el ciclo de vida de
productos similares
Pronóstico de ventas a
largo plazo para la
planeación de la
capacidad o de las
instalaciones
Mediano
Criterio
informado
El pronóstico lo realiza un
grupo o un individuo con
base en la experiencia,
presentimientos o hechos.
Pronóstico de ventas
totales y de productos
individuales
Bajo

19. b) Métodos cuantitativos
Regresión lineal:
 Regresión lineal simple:
◦ Serie de tiempo: Y = a + b t
◦ Modelo causal de pronóstico: Y = a + bX
 Regresión lineal múltiple:Y = f(x,z,w)
 Regresión no lineal:Y = a + bX + cX2
(parábola)

20. Para ajustar a una recta o curva se emplea
el método de Mínimos Cuadrados:

21. Regresión lineal simple: Definición de
variables y fórmulas para el análisis de regresión
lineal simple.
X,Y
x,y
b
a
x: valores de la variable indep.
y: valores de la variable depend.
n: número de observaciones
a: intersección con el eje vertical
b: pendiente de la línea de regresión
Y: valores de y que aparecen en la
línea de tendenciaY=a+bX
r: coeficiente de correlación
r2: coeficiente de determinación

22. Coeficiente de correlación (r)
Explica la importancia relativa de la relación entre y
, x; el signo de r indica la dirección de dicha relación,
y el valor absoluto de r la magnitud de la relación.
Puede asumir cualquier valor entre -1 y +1.
 r negativa: los valores de x , y tienden a moverse
en direcciones opuestas
 r positiva: los valores de x , y se mueven en la
misma dirección
 r = 0: no existe relación alguna entre x , y

24. Coeficiente de determinación (r²)
Indica qué parte de la variación total en la
variable dependiente y, queda explicada por
x, o por la línea de tendencia.
Por lo tanto resulta deseable que el valor
de r² se acerque lo mas posible a 1 o 100%.

25. Fórmulas:
a=
∑𝑥²∑𝑦−∑𝑥∑𝑥𝑦
𝑛∑𝑥2−(∑𝑥)²
b=
𝑛∑𝑥𝑦−∑𝑥∑𝑦
𝑛∑𝑥2−(∑𝑥)²
r=
𝑛∑𝑥𝑦−∑𝑥∑𝑦
√[𝑛∑𝑥2−(∑𝑥)²][𝑛∑𝑦2−(∑𝑦)²]

26. Ejemplo 1: Serie de tiempo
Una fábrica produce pupitres para
establecimientos escolares. Durante más de un
año, la planta ha operado a casi plena
capacidad. El gerente de operaciones de la
fábrica estima que el crecimiento en las ventas
continuarán y desea desarrollar un pronóstico
a largo plazo que se usará para planear las
necesidades de las instalaciones para los
siguientes 3 años.
Se han totalizado las cifras de ventas
correspondientes a los últimos 10 años:

27. Año Ventas anuales
(unidades)
Año Ventas anuales
(unidades)
1 1000 6 2000
2 1300 7 2200
3 1800 8 2600
4 2000 9 2900
5 2000 10 3200
a) Represente los datos en un diagrama de dispersión y
analice la tendencia.
b) Desarrolle una ecuación de regresión lineal para
predecir las ventas para los siguientes 3 años y
grafíquela en el diagrama de dispersión.
c) Calcule el coeficiente de correlación (r) y el
coeficiente de determinación (r²) e interprete los
resultados

28. Ejemplo 2: Modelo causal
Suponga que nos interesa estimar la
demanda de periódicos, en una pequeña
ciudad, basándonos en la población local. En
la tabla se muestran la demanda de
periódicos durante los últimos 8 años y la
población correspondiente.

30. a) Desarrolle una ecuación de regresión lineal
para predecir la demanda futura de
periódicos.
b) Suponiendo que la población durante el
año 2018 alcanzará a 45000 habitantes, cual
será la demanda de periódicos para ese
año?
c) Calcule el coeficiente de correlación (r) y
el coeficiente de determinación (r²) e
interprete los resultados.

31. Ejemplo 3: modelo causal de pronóstico
Una empresa consultora de ingeniería, supone
que los servicios que proporciona a las
empresas constructoras están directamente
relacionadas con la cantidad de contratos que
suscriben dichas empresas con diferentes
municipios del país. De ser real dicha
suposición, esta información podría ayudar a la
empresa consultora a planear mejor sus
operaciones. Los datos históricos registrados
al respecto se muestran a continuación:

32. AÑO VENTA DE
SERVICIOS DE
INGENIERIA
(MILES DE $US)
MONTOTOTAL DE
CONTRATOS DE LAS
EMPRESAS
CONSTRUCTORAS (MILES
DE $US)
2010 8 150
2011 10 170
2012 15 190
2013 9 170
2014 12 180
2015 13 190
2016 12 200
2017 16 220

33. En base a dichos datos históricos, se pide calcular lo
siguiente:
a) Desarrollar una ecuación de regresión para
predecir el nivel de la demanda de los servicios de
la empresa consultora.
b) Suponiendo que la suscripción de contratos por
parte de las empresas constructoras para los
próximos 4 años será de: 260, 290, 300 y 270 (miles
de $us) respectivamente, utilice la ecuación de
regresión para predecir el nivel de demanda de los
servicios de ingeniería de la empresa consultora
durante los próximos 4 periodos.
c) Determine con qué grado de exactitud se relaciona
la demanda servicios de la empresa consultora con
los contratos que suscriben las empresas
constructoras.

34. Rangos de pronóstico (intervalo de
confianza):

35. Error estándar (desviación estándar)
del pronóstico:
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 Syx 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.
Establecer rangos para los pronósticos permite hacer frente a la
incertidumbre, desarrollando pronósticos con buenos estimados asi
como los rangos dentro de los cuales los datos reales más
probablemente ocurrirán.
Ver ejemplo 4 en Excel.

36. 3.2 Pronósticos a corto plazo
 Por lo general son estimaciones futuras
que van desde unos cuantos días hasta
varias semanas.
 El patrón principal que afecta a estos
pronósticos es la fluctuación aleatoria.

38. Proporcionan a los gerentes de operaciones
información para tomar decisiones sobre:
 Cuanto de inventario de un producto deberá
mantenerse el mes siguiente
 Cuanto de cada producto deberá programarse
para producir la semana siguiente
 Cuantos trabajadores deberán programarse para
trabajar en tiempo normal y extra la semana
entrante.

39. Ft: pronóstico para el periodo t, el periodo
siguiente
Ft-1: pronóstico para el periodo t-1, el periodo
anterior
At-1: datos reales del periodo t-1, el periodo
anterior
N: cantidad de periodos promediados
Wi: pesos o coeficientes de ponderación
para el periodo i
n: número de observaciones
3.2.1 Definiciones de variables para
los pronósticos a corto plazo

40. 3.2.2 Desviación Media Absoluta
(MAD)
Para medir la precisión de un modelo de
pronóstico (Se refiere a qué tan cerca siguen
los datos reales a los pronósticos)
comúnmente se utiliza la Desviación Media
Absoluta (MAD).
MAD=(Suma de la desviación absoluta
durante n periodos)/n
MAD=(∑|Demanda real-Demanda
pronosticada|)/n

41. 3.2.3 Métodos de pronóstico a
corto plazo
a) Promedios móviles
b) Promedio móvil ponderado
c) Suavización exponencial

42. a) Promedios móviles
Promedia los datos de unos cuantos periodos
recientes y este promedio se convierte en el
pronóstico del periodo siguiente. De particular
importancia es la cantidad de periodos de datos
que se han de incluir en el promedio
Ft=(At-1 + At-2 +………+At-N)/N
Un periodo N más prolongado tiene la ventaja de
proporcionar estabilidad en el pronóstico, pero la
desventaja de responder con más lentitud a los
cambios reales en el nivel de la demanda.

43. Ejemplo 5:
El Gerente de Producción de una fábrica desea
desarrollar un sistema de pronóstico a corto plazo
para estimar el volumen de inventario que fluye de
su almacén todas las semanas. Según el encargado
de almacenes la demanda de inventario por lo
general ha sido estable, con algunas ligeras
fluctuaciones aleatorias de una semana a la
siguiente. Un analista de las oficinas centrales de la
empresa sugirió que utilizara un promedio móvil de
3, 5 o 7 semanas. Antes de tomar una decisión, el
Gerente decidió comparar la precisión de cada una
de ellas en relación con el periodo de 10 semanas
más reciente.

44. b) Promedio móvil ponderado
En algunas situaciones pudiera resultar
deseable aplicar pesos o coeficientes de
ponderación a los datos históricos.
Ft=w1At-1 + w2At-2 + ….. + wnAt-n
Con la condición que: ∑wi=1

45. Ejemplo 6:
Semana Datos reales Peso o coeficiente de
ponderación
7 85 0,20
8 102 0,30
9 110 0,50
Si se cree que los datos mas recientes son mas
importantes para un pronóstico, se puede aplicar pesos o
coeficientes mas elevados de ponderación a estos datos,
por ejemplo, 0,50; 0,30 y 0,20:
Pronostico (sem 10)=0,2(85)+0,3(102)+0,5(110)
Pronóstico (sem 10)=102,6

46. c) Suavización exponencial
Toma el pronóstico del periodo anterior y le
incorpora un ajuste para obtener el
pronóstico del siguiente periodo. Este ajuste
es proporcional al error anterior y se calcula
multiplicando el error de pronóstico del
periodo anterior por una constante entre
cero y uno. Esta constante α se conoce como
constante de suavización.
Ft=Ft-1 + α(At-1 – Ft-1 )
Ft=αAt-1 + (1- α )Ft-1
Error de
pronóstico del
periodo anterior
Pronóstico del
periodo anterior

47. Ejemplo 7:
Con relación al ejemplo anterior, el analista sugiere
que el Gerente de Producción piense en utilizar la
suavización exponencial con constantes de
suavización de: 0,1 ; 0,2 y 0,3. El Gerente decide
comparar la precisión de las constantes de
suavización para el periodo de 10 semanas más
reciente.
Tarea:
Completar el ejemplo para: α = 0,2 y α = 0,3
¿Cual es la constante de suavización que da mayor
precisión al pronóstico?

48. Decisiones
en
operaciones
Horizon
te de
tiempo
Exactitud
necesaria
#
product
os
Nivel
gerencial
Método de
pronóstico
Diseño del
proceso
largo media uno o
pocos
alto cualitativos y
causales
Capacidad
instalaciones
largo media uno o
pocos
alto cualitativos y
causales
Planeación
agregada
mediano alta pocos alto/medio causales y
series de
tiempo LP
Programación corto muy alta muchos medio/bajo series de
tiempo CP
Inventarios corto muy alta muchos medio/bajo series de
tiempo CP
Largo Plazo > 2 años
Mediano Plazo: de 6 meses a 2 años
Corto Plazo < 6 meses
Aplicaciones y métodos de pronóstico en Operaciones

49. 4. Selección de un método de pronóstico
Se deben considerar los siguientes factores:
 Costo y precisión
 Datos disponibles
 Tiempo
 Naturaleza de productos y servicios:
◦ Volumen y costo elevado
◦ Bien manufacturado o servicio
◦ Etapa de su ciclo de vida
 Capacidad de respuesta ante cambios en
los datos reales de la demanda

50. 5. Razones para un mal pronóstico
 Omisión de la empresa de involucrar al personal
que dispone de información pertinente
 Omisión de que el pronóstico forma parte
integral de la planeación empresarial
 Los gerentes de operaciones, abrigan expectativas
no realistas de sus pronósticos
 Omisión en pronosticar las cosas correctas
 Omisión en seleccionar un método apropiado de
pronóstico
 Omisión de controlar el desempeño de los
modelos de pronóstico

51. 6. Bibliografía:
Administración de Producción y Operaciones
Norman Gaither, Greg Frazer
4ta Edición
Administración de Operaciones
Roger G. Schroeder, Susan Meyer Goldstein, M.
Johnny Rungtusanatham
5ta Edición
Dirección de la Producción y de
OperacionesHeizer y Render
11ava Edición