ODELOS CUANTTATIVOS DE PRONOSTIC 1. Resolvamos ahora despejando los valores de a y de b: SxTy — TaxFay _ (385)(21,000) ~ (55)(133,300) ‘nx? — (Sx)? 10(385) — (55° _ 8,085,000 ~ 7,331,500 _ 753,500 _ ~ 3,850 = 3,025 825 218325 nSxy — ExSy _ (10)(133,300) = (55)(21,000) nbx? — (Sx 825 — 1,333,000 ~ 1,155,000 _ 178,000 825, 825 Ahora que conocemos los valores de a y de b, podemos utilizar la ecuacién de regresién para pronosticar las ventas de afios futuros = 215.758 Y = a+ bX = 913.333 + 215.758X Si deseamos pronosticar las ventas en miles de unidades para los tres afios siguientes, po- driamos reemplazar 11, 12 y 13, que son los tres valores siguientes de X, en la ecuacién de regresién de X: Y,, = 913.333 + 215.758(11) = 3,286.7, 0 3,290 miles de unidades Yi = 913.333 + 215.758(12) = 3,502.4, 0 3,500 miles de unidades Yq = 913.333 + 215.758(13) = 3,718.2, 0 3,720 miles de unidades Los pronésticos se redondearon con un digito significativo mas que los datos originales. Observe que los datos de ventas s6lo contienen dos dfgitos significativos; los prondsticos se calculan con tres. El ejemplo 3.2 utiliza el total de la construccién regional como variable independiente X pa- ra pronosticar las ventas y de una empresa, que es la variable dependiente. En este ejemplo se ne- cesita un pronéstico de ventas a largo plazo para ayudar al gerente a planear la cantidad de inge- nieros y las instalaciones del aio siguiente. Este ejemplo también explica c6mo se pueden utilizar el coeficiente de correlacién y el coeficiente de determinacién para evaluar el modelo de pronés- tico desarrollado mediante el andlisis de regresién lineal. ANALISIS DE REGRESION LINEAL SIMPLE Jack Weis, gerente general de Precision Engineering Corporation, supone que los servicios de inge- nieria que su empresa proporciona a las empresas en construccién de carreteras estén directamente relacionados con la cantidad de contratos de construccién de éstas emitidos en su érea geogrifica. Weis se pregunta si su suposicién es real, y de ser asi, zpodrfa esta informacién ayudarle a planear mejor sus operaciones? Jack le pidié a Bill Brandon, uno de sus ingenieros, que hiciera un andlisis de regresién lineal simple sobre datos hist6ricos. Bill planea hacer lo siguiente: a) Desarrollar una ecuacién de regresién para predecir el nivel de 1a demanda de los servicios de Precision. b) Utilizar la ecuaci6n de regresién para predecir el nivel de la demanda durante los siguientes cuatro trimes- tres. c) Determinar con qué grado de exactitud se relaciona la demanda con la cantidad de contratos de construccién realizados.6. CAPITULO 3 LOS PRONOSTICOS EN LA ADKINSTRACON DE LA PRODUCCON Y DE LAS OPERACIONES a. Desarrollo de una ecuacién de regresién: 1, Bill recorre los registros locales, estatales y federales con objeto de recolectar el valor en dé- lares por trimestre de los contratos liberados durante dos afios en el érea geogrfica. 2. Examina la demanda de servicios de su empresa a lo largo de este mismo periodo, 3. Prepara la siguiente informacién: Ventas de servicios de Monto total de Precision Engineering _contratos liberados ‘Ano Trimestre (miles de détares) (miles de dares) 1 a 8 150 @ 10 10 @ 15 190 a 9 170 2 a 12 180 @ B 190 a 2 200 a 16 220 4, Bill ahora desarrolla los totales necesarios para efectuar el andlisis de regresién, Las férmu- las y definiciones de variables se encuentran en la tabla 3.5 (es stil utilizar una hoja de célculo). Periodo] Ventas © x y y T 5 22,500 7200 @ 2 10 28,500 1,700 100, 3 15 36,100 2,850 25 4 9 28,900 1,530 a 5 2 32,400 2.160 6 3 36,100 2.470 7 2 40,000 2.400 3 48.400 3520 Totales Bx = 273,300 [Say = 17.830 5. Utiliza esos valores en las férmulas de la tabla 3.5 para determinar a y b: ExeDy — ExDxy _ (273,300)(95) — (1,470)(17,830) ndx? = (2x? 8(273,300) — (1,470) 25,963,500 — 26,210,100 _ =246.600 _ _9 671 2,186,400 — 2,160,000 25,500 ‘ p = BLxy—Dxdy _ (8)(17,830) = (1,470)(95) _ 142,640 — 139,650 nx? — (x? 25,500 25,500 990 25,500 0.1173 6. La ecuacién de regresiGn es, por lo fanto, Y = —9.671 + 0.1173X. . Pronostico del nivel de la demanda para los siguientes cuatro trimestres:ones NTA D_rovésco oy ! 1, Bill llama a los representantes de las oficinas de obtencién de contratos y prepara estimacio- nes de los contratos trimestrales para los siguientes cuatro trimestres en miles de délares. Las cifras son 260, 290, 300 y 270. 2. A continuacién, Bill pronostica la demanda de los servicios de ingenieria para Precision (en miles de délares) para los siguientes cuatro trimestres, utilizando la ecuacién de regres Y = -9.671 + 0.1173X: Y, = -9.671 + .1173260) YY, —9.671 + 30.498 20.827 = -9.671 + .1173(290) -9.671 + 34.017 24,346 =9.671 + .1173(300) =9.671 + .1173(270) 9.671 + 35.190 9.671 + 31.671 = 25.519 = 22.000 El pronéstico total (en miles de délares) para el siguiente afio es el total de los pronésticos de los cuatro trimestres: 20.827 + 24.346 + 25.519 + 22.000 $92.7 Observe que el pronéstico se redonde6 utilizando una cifra significativa més que en los da- tos originales. c. Evaluacién de cudnto se apega la demanda al monto de los contratos de construccién liberados: aay - SxSy . 2.990 Vind? — Sandy? — Cy) Vi25,350]180,183) — 057) 2,990 2,990 2,990 Vi25.S00]19,464 — 9,025} V@5,500;439) VII, 194,500 894 El monto de los contratos liberados explica aproximadamente 80% (1? = 0.799) de la variaci6n ob- servada en la demanda trimestral de servicios de Precision. Elcoeficiente de correlacién (r) explica la importancia relativa de la relacién entre y y x; el ssigno de r indica la direccién de dicha relacién, y el valor absoluto de t la magnitud de la rela- cidn. r puede asumir cualquier valor entre -1 y +1. El signo de r serd siempre igual al signo de b. ‘Una r negativa indica que los valores de y y de x tienden a moverse en direcciones opuestas, y una + positiva indica que los valores de yy dex se mueven en la misma direccién. A continuacién los significados de varios valores de r: 1 Una relacién negativa perfecta; conforme y sube, x baja unidad por unidad y viceversa +1 Una relacién positiva perfecta; conforme y sube, x sube unidad por unidad y viceversa. 0 Noerxiste relacién alguna entre y yx. +0.3. Una relacién positiva débil. =0.9 Una relacién negativa fuerte En el ejemplo 3.2, r = +0.894, lo que significa que existe una relacién positiva fuerte entre la de- ‘manda de servicios de ingenierfa y el monto de los contratos liberados. ‘A pesar de que el coefidiente de correlacién es til para medir Ia relaci6n entre x y y, adjeti- ‘vos como fuerte, moderado y débil no son medidas muy especficas de relaciGn. El coeficiente deoDeLos CUANTATOS DE PRONESTIO. 1! si6n del pronéstico: 1) error estndar del pronéstico (s,,), analizado anteriormente; 2) error medio ccuadrético (MSE, por sus siglas en inglés), que es simplemente (s,,)°; y 3) desviacién media ab- soluta (MAD, por sus siglas en inglés), que se calcula de las formulas que siguen: MAp = Suma de ta desviacién abou durante n periodos > [Demanda real ~ Demanda pronosticadal, MAD =*—+ 7 Igual que s,, y el error medio cuadrético (MSE, por sus siglas en inglés), si MAD es peque~ fio, los datos reales siguen de cerca a los pronésticos de la variable dependiente y el modelo de ‘prondstico esté dando prondsticos precisos. Cuando los errores pronosticados siguen una distribu- ccién normal, los valores de MAD y de s,, quedan relacionados mediante la expresiGn: Sy, = 1.25MAD MAD, 5,, y el error medio cuadritico se utilizan para medir la precisién a posteriori tanto de los modelos de pronéstico a largo como a corto plazo. Sin embargo, en el caso de los modelos de pro- nGstico a corto plazo también se puede utilizar MAD para determinar valores vélidos de los paré- ‘metros de los modelos de pronéstico, antes de aplicar dichos modelos. Pronésticos ingenuos Los modelos de prondstico ingenuos son aquellos que son répidos y féci- les de utilizar, no tienen virtualmente ningtin costo, y son féciles de comprender. Los ejemplos de prondsticos ingenuos son: 1) el uso de las ventas de ayer como pronéstico de las ventas de hoy 2) uso de las ventas de la misma fecha del afio pasado como pronéstico de ventas de mafiana, La “objecién principal al uso de estos procedimientos para el prondstico a corto plazo es que son tan simplistas que los mas probable es que den como resultado un error sustancial de pronéstico. Hay algunas aplicaciones, sin embargo, en las que los pronésticos ingenuos son tan precisos como Jos modelos més complejos o el error de pronéstico no es lo suficientemente oneroso para justificar ‘modelos de prondstico més costosos. “Método de los promedios méviles El método de los promedios méviles promedia los datos de ‘unos cuantos periodos recientes y este promedio se convierte en el prondstico del periodo siguiente. El ejemplo 3.5 demuestra la manera de utilizar el método de los promedios méviles. De particular ‘importancia es la cantidad de periodos de datos que se han de incluir en el promedio. PRONOSTICO DE PROMEDIO MOVIL A CORTO PLAZO Shirley Johnson, gerente de inventarios, desea desarrollar un sistema de pronéstico a corto plazo para estimar el volumen de inventario que fluye de su almacén todas las semanas. Ella cree que la deman- da de inventario por lo general ha sido estable, con algunas ligeras fluctuaciones aleatorias de una se- ‘mana a la siguiente. Un analista de las oficinas centrales de la empresa sugiri6 que utilizara un prome- dio m6vil de 3, 5 0 7 semanas. Antes de tomar una decisién, Shirley decidi6 comparar la precisién de cada una de ellas en relacién con el periodo de diez semanas més reciente, 1, Calcule los pronésticos de promedios méviles de 3, 5 y 7 semanas:eee 78. ‘aPITULO 3 10S PRONOSTICOS EN LA ADKINSTRACION DE LA PRODUCCION Y DE LAS OPERACIONES Demands real de iventarias Pronties Semana (miles de dares) [anti de periedes pro [cantidad de peridos pro rmedlados =§ semanas | mediaios = 7 semanas 1 100, 2 125 3 0 4 0) s 105 6 130 7 85 8 102 (1040) (106.4) 9 110 105.7 106.4 106.7 10 90 99.0 1064 104.6 u 105 100.7 103.4 104.6 2 95 1017 984 103.9 3 15 96.7 1004 102.4 4 120 105.0 103.0 100.3 1s 80 1100 105.0 105.3 16 95 105.0 103.0 102.1 v 100 98.3 101.0 100.0 Note que se han redondeado los prondsticos a un digito significativo por encima de lo corres- pondiente a los datos originales. Célculos de muestra: prondsticos para la semana 10: F, = SHIB+ NO _ go 4 3 105 + 130 + 85 + 102 + 110 _ 5 Fs 106.4 p, = 20+ 10 + 105 + 130 + 85 + 102 + 110 7 7 ‘Nota: Para el prondstico para la semana 10, recuerde que los tnicos datos histricos de demanda de in- ventario reales semanales que usted tiene para trabajar son las semanas I a 9. Por lo tanto, no es posi- ble que se incluyan los datos reales de Ia semana 10 para el célculo de los pronésticos de esa semana. 2. A continuacién, calcule la desviacién media absoluta (MAD, por sus siglas en inglés) de estos tres = 104.6 pronésticos: Prenton ‘aid de peridn at de perinbn ‘aad de perder Demand el promedinis=3 mamas | _promediads = § semanas | __promediads = 7 semanas ‘de imetario Dewan Destin Dewan Semana | (mies dedlares) | Pronistins | absoln | Pronitios | absoltn | Promisiow | abuts 3 102 1067 a7 ToD 20) 1064 a 9 110 105.7 43 1064 36 106.7 33 10 0 90 90 1064 168 108.6 146 u 1085, 100.7 43 103.4 16 1086 04 2 95 1017 67, 98.4 34 103.9 89 B us 9627 183 1004 146 1024 126 14 120 105.0 150 103.0 120 10033 197 5 0 100° | 300 105.0 25.0 1053 253 16 95 105.0 100 103.0 80 102.1 7 " 100 983 17 1010 10 100.0 00) Desviacign absolute otal To#0 2.6 963 Desviacién absoluta media 1040 9.26 9.63 (MAD, por sus silas en inglés)[MODELOS CUANTITATIOS DE PRONOSTICO 35 La precisin del pronéstico con una cantidad de periodos promediados = 5 es la mejor, ya que su MAD tiende a ser inferior al correspondiente para tres o siete semanas. La precisién del pronéstico por un periodo de promedio de siete semanas se acerca mucho al de cinco sema- nas; por lo que se recomienda comprobarlo posteriormente. ‘Ahora utilice una cantidad de periodos promediados de cinco semanas para pronosticar Ia de- manda de efectivo de la siguiente semana, la decimoctava: Pronéstico = 115+ 120 + 80 + 95 + 100 ~ 199, 9 102 mil délares 5 La figura 3.5 traza los tres pronésticos de promedio mévil en funcién de los datos reales del ejemplo 3.5. Observe que entre mayor sea la cantidad de periodos promediados, mayor es la capa- cidad de amortiguacién de ruido y menor es la respuesta de impulso del prondstico y viceversa. El pronéstico con cantidad de periodos promediados = 7 tiene una capacidad de amortiguacién de rui- do ligeramente superior y una respuesta de impulso ligeramente inferior al de los otros dos pro- nésticos, porque su curva exhibe una menor variaciGn de periodo a period. La cantidad de perio- dos promediados més precisa tiende a variar con las caracterisicas tinicas de cada conjunto de datos. La cantidad de periodos promediados deberd determinarse, por lo tanto, mediante la experi- mentacién, como en el ejemplo 3.5. La seleccién del nimero de periodos promediados dependeré de los criterios de precisién, respuesta de impulso y capacidad de amortiguacién de ruido. {Qué seria més deseable, una elevada respuesta de impulso 0 una elevada capacidad de amortiguacién de ruido, y cusnta precisién se puede sacrificar para conseguir cualquiera de estas dos caracterts- ticas? En un andlisis final la cantidad de periodos promediados seleccionada dependeré del cono- cimiento del uso que se le daré a los prondsticos y de la naturaleza de la situacién de pronstico. PRONOSTICOS DE PROMEDIO MOVIL EN CONPARAGON CON LA DEMANDA REAL DE EFECTWO DEL EJEMPLO 3.5 Demands semana te eer ny80° arituio 3105 PRONESTIOS EN LA ADMINSTRICON DE LA PRODUCCON ¥ DE LAS OPERACONES Tab 3.6 FORMULAS YDEFINIGONES DE VARIABLES PARA LOS PRONOSTICOS DE SUAVZACION. EXPONENCIAL ‘= pronestico para el periodo , el periodo siguiente pronéstico para el periodo t ~ 1, el periodo anterior datos reales del periodo t ~ 1 el periodo anterior cconstante de suavizacién, de 0 a 1 F + aA, — F.-1) que también se puede expresar de la manera: ; Método de los promedios méviles ponderados EI método de promedios méviles antes analiza- do toma en consideracién, al desarrollar un prondstico, dar el mismo peso a todos los datos histé- ricos. En algunas situaciones pudiera resultar deseable aplicar pesos o coeficientes de ponderacién a los datos hist6ricos. Por ejemplo, si se cree que los datos més recientes son més importantes pa- ra un prondstico, se pueden aplicar pesos 0 coeficientes mas elevados de ponderacién a estos da- tos, como se indica a continuacién: 85 20 102 30 0 50 Prondstico,, = 0.2(85) + 0.3(102) + 0.5(110) = 102.6, 0 102 mil 600 délares Esta simple modificacién al método de los promedios méviles permite a los pronosticadores espe- cificar la importancia relativa de cada uno de los periodos pasados de datos. Método de suavizacién exponencial En la tabla 3.6 se encuentran las variables, sus defini- ciones y las formulas para los pronésticos de suavizacién exponencial. La suavizacién expo- nencial toma el pronéstico del periodo anterior y le incorpora un ajuste para obtener el pro- néstico del siguiente periodo. Este ajuste es proporcional al error anterior y se calcula multiplicando el error de pronéstico del periodo anterior por una constante entre cero y uno. | Esta constante alfa (a) se conoce como constante de suavizacién, El ejemplo 3.6 demuestra | cl uso de la suavizacién exponencial para el desarrollo de pronésticos. PRONOSTICO A CORTO PLAZO DE SUAVIZACION EXPONENCIAL Shirley Johnson, del ejemplo 3.5, habla con un analista de las oficinas centrales de la empresa respecto al prondstico de la demanda semanal del inventario de su almacén, El analista sugiere que Shirley pien- se en utilizar la suavizacién exponencial con constantes de suavizacién de 0.1, 0.2 y 0.3. Shirley decide ‘comparar la precisién de las constantes de suavizacién para el periodo de 10 semanas mas reciente. 1. Primero, estudiamos las formulas y definiciones de variables de la tabla 3.6. Calculamos los pronésticos semanarios de las semanas 8 hasta la 17:ODELOS CUANTTTATHOS DE PRONASTICO = 81 Demanda real de inventario Prondsticos (aniles de détares) @=0i | a=02 | @=03 s wor | 850 m0 102 85.0 850 85.0 110 867 84 90.1 10 0 89.0 27 96.1 UL 105 om 2.2 943 2 95 907 48 05 3 us 91.1 948 968 4 120 935 988 1023) 15 80 96.2 103.0 | 1076 16 95 946) 84 93 17 100 94.6 7 | 980 "Todos los pronGstcos pala spima semana fueron selecionados arbtrariamente, Se necesitanpronstcs de i cio para uilzar I suavzacén exponencial,Usualmente se iguaan, ests pronésticos als datos reales del pride. Observe que los pronésticos han sido redondeados mostrando un digito significativo més que los datos originales. Los c4lculos correspondientes a los prondsticos de la semana 10 son: F, + a(Ay ~ Fs) 86.7 + 0.1(110 — 86.7) = 89.0 88.4 + 0.2(110 ~ 88.4) = 92.7 90.1 + 0.3(110 ~ 90.1) = 96.1 | Nota: Al elaborar los pronésticos de la semana 10, los tinicos datos hist6ricos disponibles lle- gan hasta la semana 9. Sélo se utilizan los datos reales de esa semana y los pronésticos de la semana 9 para calcular los pronésticos de la semana 10. A continuacién, calculamos la desviacién media absoluta de estos tres prondstico: Demanda real Prondstico de inventarios T a= 02 a=0s (anlles de Desviacion Desviacion Desviacion dares) absoluta |Pronésticos| absoluta |Pronésticos| absoluta 102 170 30 170. 170. 0 233 a8 216 90.1 199) 0. Lo 92.7 27, 61 mn 10s 159 92.2 28 94.3 107 2 95 43 94.8 02 25 3 us 29 948 202 96.8 182 4 120) 265 212 177 15 20) 162. 230 226 16 95 04 34 43 7 100, 5a 23 20 Desviacin absoluta total 1339 1244 1260 Desviacién media absoluta 1339 1246 1260 La constante de suavizacién a = 0.2 nos da una precisi6n ligeramente mayor si la com- paramos con las de a = 0.1 y a = 0.3, A continuacin, utilizando a = 0.2, calcule el pronéstco (en miles de délares) para la semana 18: Fy = Fyy + 0.(Ay — Fin) 97.7 + 0.2(100 — 97.7) = 97.7 + 0.2(2.3) = 97.7 + 0.46 = 98.2, 0 98 mil 200 délares