UNIVERSIDAD DE LOS ANDES

FACULTAD DE CIENCIAS ECONMICAS Y SOCIALES

ESCUELA DE ADMINISTRACIN Y CONTADURIA PBLICA
DEPARTAMENTO DE EMPRESAS
CTEDRA DE PRODUCCIN Y ANLISIS DE LA INVERSIN

LA PLANIFICACION Y LA TOMA DE
DECISIONES POR MEDIO DE LA UTILIZACION
DE PRONOSTICOS

Prof Francisco Antonio Garca

Mrida , Enero de 2004

LA PLANIFICACIN Y LA TOMA DE DECISIONES POR MEDIO

DE LA UTILIZACIN DE PRONSTICOS

La administracin de la produccin es una disciplina como rea especfica de la

administracin de las empresas, donde la planificacin de las operaciones juega un papel
preponderante. Dentro de este marco de ideas se presenta la planificacin como una de las cinco
funciones bsicas de cualquier administrador, y como tal debe ser tomada en cuenta para apoyar
cualquier decisin que se tome, independientemente del nivel que est analizando.

Es por esta razn que han surgido a travs de la historia de la administracin, tcnicas
ya sean de tipo cualitativo como cuantitativo que permiten desarrollar eficientemente el proceso
de planificacin. Una de las tcnicas ms utilizadas para la planificacin de las operaciones son
los pronsticos ya que permiten hacer previsiones de las actividades para un futuro inmediato,
cercano o para el largo plazo. Entre las actividades ms importantes con que cuenta cualquier
organizacin y en donde los pronsticos juegan un rol fundamental se encuentran:

a) Estimacin de las operaciones del departamento de compras: Para que este departamento
determine con tiempo los trmites correspondientes con el proceso de abastecimiento.
b) Estimacin de la demanda de productos terminados: Con los pronsticos se pueden estimar
los niveles mximos y mnimos de inventarios; informacin til para determinar la capacidad de
almacenamiento.
c) Planificacin de las actividades de mercadeo: Pronosticando la demanda de productos
terminados se puede determinar cuanto puede gastar la empresa en promocionar y mercadear
sus artculos para un periodo de tiempo determinado.

d) Programacin y asignacin de las tareas de produccin : El proceso productivo al contar con

los niveles de inventarios adecuados puede lanzar los trabajos correspondientes para el logro
satisfactorio de los compromisos adquiridos con los clientes.
e) Programacin de disponibilidad de recursos financieros: Con los pronsticos las empresas
pueden prever las necesidades de financiamiento y de solventar fluctuaciones negativas de
liquidez monetaria para un periodo de tiempo determinado.

Estas son algunas de las actividades que pueden desenvolverse bien con la ayuda de los
pronsticos, sin embargo es importante hacer notar para nuestro caso en particular, que las
actividades de estimacin de la demanda representan el eje vital para realizar las operaciones
pertinentes al proceso productivo.

Al igual que las personas, todas las empresas no son iguales ya que en su conformacin
poseen operaciones muy propias que las diferencian las unas de las otras. Este mismo caso pasa
con los pronsticos, no todos son utilizables en la misma empresa y habra que analizar la
estructura interna de cada organizacin para buscar el tipo de pronstico que se adapte a las
operaciones que se han estudiado.

Otro elemento interesante de analizar es el de la aplicabilidad de pronsticos para la

concepcin de proyectos totalmente nuevos. En la Escuela de Administracin y Contadura
Pblica de la Universidad de los Andes, como en la mayora de las universidades venezolanas
se contempla en la estructura curricular la formulacin y evaluacin de proyectos totalmente
nuevos; es decir proyectos que nada tienen que ver con proyectos de expansin ni proyectos de
reemplazo. En el caso de estimacin de la demanda para proyectos nuevos, se podran aplicar
tcnicas economtricas o bien se podra estudiar el comportamiento histrico de la demanda de
empresas similares y adaptarlas al proyecto que se est elaborando.

Es importante tambin sealar a la hora de pronosticar, que toda previsin por ms

segura que se considere, siempre tendr un margen de error que se traducen en desviaciones. La
idea es que con el tiempo se pueda determinar con cierta seguridad el motivo de la aparicin de
estas desviaciones y a fin de atacarlas oportunamente.

La estabilidad de la economa de un pas, tambin es un factor preponderante para la

certeza de los pronsticos. No es lo mismo estimar el comportamiento de la operaciones de las
empresas en periodos de inflacin o de economa inestable, que estimar el comportamiento de
estas operaciones en condiciones de estabilidad econmica, y aunque algunos tipos de
pronsticos como las series de tiempo introduzcan variables que tratan de alguna manera de
solventar esta problemtica, no todos los pronsticos las poseen. Venezuela por ejemplo,
presenta varios sntomas anormales en su economa y esta apreciacin se puede hacer sentir a la
hora de efectuar pronsticos confiables.

1.- TIPOS DE PRONOSTICOS

Siempre que el hombre piense en el futuro, habr una amplia posibilidad en que lo haga
meditando en la forma en que lo va a enfrentar, preparndose o simulando situaciones en las
cuales pueda sacarle el mejor provecho a los eventos que se les han de presentar en ese futuro
analizado. En un breve sondeo llevado a cabo por los estudiantes de algunos cursos de la
asignatura de Administracin de la Produccin se pudo indagar, que por ejemplo el empresario
merideo siempre respalda sus decisiones en base a previsiones hechas del futuro. Claro,
indudablemente que este empresario en la mayora de los casos no se apoya en mtodos
complejos pero as sea de la manera ms rudimentaria en que este lleve a cabo sus previsiones,
en esa misma manera estar pronosticando el desenvolvimiento de sus operaciones futuras. Es
por eso a lo largo del tiempo han aparecido mtodos de pronsticos creados por el hombre que

le ayudan a reforzar sus decisiones con respecto al futuro, estos mtodos se podran clasificar en
dos tipos: Mtodos Cualitativos y Mtodos Cuantitativos.

1.1.- Mtodos cualitativos de pronsticos.

Como su nombre lo indica los pronsticos cualitativos se afianzan en elementos
derivados de la experiencia, de las circunstancias del medio y del olfato que para los negocios
poseen las personas que tienen a su cargo la tarea de planificar. En ningn momento se recurren
a operaciones matemticas ni estadsticas y en casos extremos se recurrir a la tabulacin de
datos para facilitar un pronstico final. En muchos casos expertos en planificacin opinan que
estos tipos de pronsticos son ms confiables que los cuantitativos ya que contienen un toque de
subjetividad por parte del pronosticador lo que representa un toque de flexibilidad, caracterstica
que los diferencia de los pronsticos cuantitativos y que pueden contener elementos
actualizados que son imposibles de reflejar en los modelos numricos. A continuacin se
presentan algunos casos de pronsticos ms usuales:

1.1.1.- Prediccin en base a datos histricos.

Este tipo de pronstico consiste simplemente en que el analista lleva a cabo un recuento
histrico del comportamiento de las operaciones para un periodo de tiempo prudencial, el cual
considera ms que suficiente para extraer sus propias conclusiones y preparar el pronstico
acorde a sus necesidades. En este caso especifico, revisar todos los departamentos de su
empresa que le puedan otorgar la informacin necesaria para efectuar un buen pronstico. Por
ejemplo, si se necesita predecir las ventas para un periodo de tiempo especfico, se verificar la
tendencia de estas, de por lo menos los cinco ltimos aos anteriores y dicha informacin ser
extrada del departamento que a su cargo le corresponda el registro de dichas ventas.

1.1.2.- Mtodo Delfos.

Este es un instrumento muy generalizado para la toma de decisiones importantes e
inclusive bastante utilizado en aquellas organizaciones jerrquicas que estn regidas en forma de

consejos, caso muy particular presente en la mayora de las universidades autnomas

venezolanas. El trmino delfos se deriva de la antigua ciudad griega de Delfos, en donde se
encontraba un famoso templo en honor al dios Apolo del cual hoy en da solo se encuentran
ruinas. En la antigedad este templo gozaba de una reputacin bastante respetada ya que en su
interior existan sacerdotisas que bajo la influencia de ciertos brebajes emitan los ms certeros
pronsticos relacionados con el futuro de la ciudad. En nuestros das el mtodo delfos tiene una
acepcin diferente ya que existe toda una metodologa en la cual se convocan a expertos
ubicados en reas de la organizacin relacionadas con el tema del cual se necesita el pronstico.
De manera general el mtodo delfos se desarrolla para su ejecucin en los siguientes pasos:

a) Se convoca a un panel de expertos conocedores de tema objeto del pronstico, estos se

sentaran y no se les permitir intercambio de informacin entre ellos.
b) Un coordinador (comnmente la persona que necesita el pronstico), edita el tema objeto del
pronstico y se los hace llegar individualmente a cada uno de los expertos.
c) Los expertos emitirn su opinin relacionado con el tema objeto del pronostico en cuestin, y
se lo harn saber por escrito al coordinador.
d) El coordinador presenta en un rotafolio las respuestas recibidas de los expertos, extrae la
mediana de dicha informacin y reedita el tema objeto del pronstico si considera que hay
elementos que no estn claros en las respuestas recibidas.
e) Posteriormente se interroga a los participantes en voz alta acerca del pronstico, y si existen
discrepancias por parte de estos, se les vuelve a interrogar acerca del porque de sus desacuerdos
hasta extraer un pronostico por consenso derivado de la opinin de todos los expertos.

1.1.3.- Tcnica del Grupo Nominal.

Este mtodo es muy utilizado en enfoques administrativos como el de la Calidad Total
ya que ha dado muy buenos resultados para la identificacin de problemas presentes en las
diferentes organizaciones, jerarquizarlos y posteriormente atacarlos. Para la planificacin, se ha
demostrado ser una tcnica fundamental a la hora de realizar pronsticos confiables ya que para

su ejecucin es necesario cumplir con una serie de etapas organizadas de tal forma que puedan
derivarse resultados convincentes.
a) Se nombra un coordinar el cual hace pasar a una un grupo de personas comprendidas entre 7
y 10 individuos a una sala en la cual no se esta permitido cruzar palabras entre los participantes.
b) El coordinar edita el tema que necesita el pronstico en un pizarrn o en un rotafolio.
c) Los participantes efectan una lista de ideas individuales relacionadas con el tema del
pronstico.
d) Los participantes exponen por turno una o varias ideas del total de cada la lista y justifican la
razn de ella, un ayudante las traspasa ordenadamente en un rotafolio de tal forma que sea
visualizadas por el resto de los participantes. El ayudante con sugerencias de coordinador
elimina aquellas ideas que se consideren repetidas o de carcter generalista.
e) Se promueve en esta etapa del proceso, la discusin y el debate entre los participantes para
proseguir posteriormente con la votacin. La idea ganadora representar el pronstico por
consenso.

Estos son algunos ejemplos de pronsticos cualitativos, ampliamente utilizados en las

diferentes empresas tanto por las gerencias de produccin como las gerencias de mercadeo. Pero
es importante sealar que el analista puede indagar no solo con la informacin proveniente de
los altos ejecutivos de las organizaciones, sino tambin con encuestas y entrevistas efectuadas a
los suplidores, consumidores y personal que esta directamente involucrado con las actividades
que requieren el pronstico, acerca del comportamiento que ellos creen que se presentaran en
las operaciones en el futuro.

1.2.- Mtodos cuantitativos de pronsticos.

Expertos en produccin opinan que estos tipos de pronsticos son bastantes confiables
debido a la objetividad que se desprende de su carcter numrico. Otros los critican
ampliamente ya que estos no incluyen atributos presentes en el medio que pueden afectar la
certeza del pronostico en cuestin. De todas formas se han creado modelos avanzados que

pretenden de alguna forma incorporar atributos del medio en forma de variables numricas.
Estos atributos pueden ser por ejemplo la tendencia histrica de los datos, movimientos cclicos
que pueden afectar la economa de un pas en particular para un periodo de tiempo determinado,
as como variaciones regulares y aleatorias importantes a la hora de efectuar una interpretacin
idnea del pronstico que este considerando.

En el presente trabajo se desarrollaran una serie de ejemplos que tratarn de mostrar los
principales casos de pronsticos cuantitativos utilizados en la mayora de las empresas. Adems
se recomienda la utilizacin de paquetes tecnolgicos que simplificarn significativamente el
desarrollo de los clculos. En los cursos de Administracin de la Produccin se suele utilizar el
Quantitative Systems for Business Plus (QSB+) de la editorial Prentice Hall Inc., este paquete
tecnolgico es muy utilizado para la resolucin de problemas cuantitativos estadsticos, de
investigacin de operaciones y de produccin. Tambin se abordaran problemas extrados de las
prcticas comerciales e industriales de algunas empresas ubicadas en la regin andina.

1.2.1.- Promedio Simple.

Este tipo de pronostico representa uno de los mtodos ms sencillos para el calculo de
predicciones, ya que como su nombre lo indica es una relacin que viene expresado por el
promedio de los diferentes elementos que se estn considerando entre el nmero de esos
elementos. Este pronstico tiene la caracterstica particular en que todos los elementos
considerados tienen el mismo peso y se es conveniente abordar en la mayora de los casos la
mayor cantidad de elementos posibles para darle confiabilidad al pronstico. La relacin
matemtica vendra expresada de la forma siguiente:

Di
P. S. =
n

Siendo Di = (D1, D2, D3,....,Dn); los valores de los

elementos considerados, por ejemplo unidades
producidas, ventas, etc.
n = nmero de elementos considerados

Problema: La Truchicultura La Trucha Azul, ubicada en el pramo de Chachopo, Edo. Mrida,

alcanz una produccin de truchas de 200.000, 220.000 y 198.000, en kilos para los aos 2000,
2001 y 2002. Si para el 2003 se obtuvieron al ao 6 cosechas de 3 truchas por kilo, con una
produccin de 105.000 truchas cada dos meses. Calcular la produccin de truchas en kilos para
el ao 2003 y el pronstico en kilos para el ao 2004 por el mtodo del promedio simple.

Solucin:
Produccin de truchas para 2003

Con una simple regla de tres:

1 kilo de truchas 3 truchas

?

105.000 truchas c/2 meses

? = 1 kilo de truchas x 105.000 truchas cada 2 meses / 3 truchas

? = 35.000 kilos de truchas cada 2 meses.

Si se obtuvieron 6 cosechas de truchas al ao entonces la produccin de truchas para el

ao 2003 fue de 210.000 kilos de truchas (35.000 kilos de truchas/cosecha x 6 cosechas al ao).

Pronstico de truchas para el ao 2004:

Sumatoria de las producciones anuales
P.S.=
Nmero de producciones considerados

200.000+220.000+198.000+210.000
P.S.=
4

P. S.= 207.000 kilos de truchas al ao.

Utilizando el QSB+, tenemos:

Period.
1
2
3

Weighted moving average for La Trucha Azul

Demand.
F ( t ) T ( t )/w( t ) I ( t )
Forescast
200000
200000
220000
210000
200000
198000
206000
210000

Error
-20000
+12000

4
5

210000

207000

MAD = 12000

MSE =187E06

206000
207000
Bias = -4000

-4000

Interpretacin: Por el mtodo del Promedio Simple se le pronostica a la Truchicultura

La Trucha Azul, que la produccin para el ao 2004 ser de 207.000 kilos de truchas. Este
mtodo ha sido muy criticado debido a la simplicidad y a lo poco cientfico que pueda parecer
para predecir operaciones futuras en las empresas, pero no hay que olvidar que las herramientas
para efectuar pronsticos no se llevaron a cabo de la noche a la maana sino que son el producto
evolutivo del hombre en su inters de implementar herramientas que le faciliten el trabajo.

1.2.2.- Promedio Mvil Simple.

Este mtodo es una variacin del Promedio Simple, en el cual se propone un nmero
fijo de elementos que se movern por todos los datos histricos que se estn analizando,
reemplazando los elementos ms antiguos de la serie y aceptando los elementos nuevos que se
van presentando. La cantidad fija de elementos lo establecer el analista que los est estudiando
pero teniendo muy en cuenta que una vez establecidos no se pueden modificar, adems se sigue
en vigencia la colocacin del mismo peso para cada elemento considerado. El modelo est
expresado de la manera siguiente:

Dt
t=1

P.M.S.=
n

D1 + D2 + ... + Dn
P. M. S.=
n

t = 1 es el periodo ms antiguo de los elementos considerados.

t = n es el elemento ms reciente.

Problema: En una pasanta llevada a cabo por un grupo de estudiantes de administracin en la

empresa Metalrgica de Oriente (Metalor), se obtuvo la siguiente informacin relacionada con

la demanda nacional y de exportacin de los ltimos seis aos de las lneas de produccin de
planchones, denominados productos planos en sus tres diferentes presentaciones.

DEMANDA NACIONAL Y DE EXPORTACION DE PRODUCTOS PLANOS

Producto/ao
Caliente
Fro
Hojalata
Total
Producto/ao
Caliente
Fro
Hojalata
Total

CONSUMO NACIONAL
1998
1999
2000
2001
655
705
761
822
614
661
715
773
188
202
218
236
1457
1568
1694
1831
EXPORTACIONES INDIRECTAS
1998
1999
2000
2001
204
217
235
255
137
148
159
171
7
8
8
9
348
374
402
435

2002
846
795
243
1884

2003
819
768
235
1822

2002
261
177
9
447

2003
264
182
9
455

Estimar la demanda nacional de planchones en fro por el mtodo del Promedio Mvil
Simple para los aos 2003 y 2004, tomando en consideracin una mvil fija de cuatro aos.

Solucin:

661 + 715 + 773 + 795

P. M. S.(2003) =
4

P. M. S.= 736 planchones en fro

715 + 773 + 795 + 768

P. M. S.(2004) =
4

P. M. S.= 763 planchones en fro

Utilizando el QSB+, tenemos:

Period.
1
2
3
4
5
6
7

Weighted moving average for Metalor

F ( t ) T ( t )/w( t )
I(t)
Forescast
Error
+.250000
+.250000
+.250000
+690.750 +.250000
+690.750 -104.250
+736.000
+736.000 -32.0000
+762.750
+762.750
MAD = 68.1250 MSE =5946 Bias = -68.1250 M = 4

Demand.
+614.000
+661.000
+715.000
+773.000
+795.000
+768.000

Interpretacin: Se pronostica que la demanda nacional para la Metalrgica de Oriente

de planchones en fro para los aos 2003 y 2004 es de 736 y 763 unidades respectivamente.
Cabe destacar que los paquetes tecnolgicos pueden arrojar informacin adicional (como por
ejemplo margen de error del pronstico) que pueden reforzar nuestra decisin al compararlos
con otros tipos de predicciones. El margen de error esta dado por la desviacin estndar que se
presenta entre un tipo de pronstico con respecto a otro y se ser til al analista para reforzar su
decisin. Sigue en pie las crticas en cuanto a la seriedad de la confiabilidad de este tipo de
pronstico, pero sin dudas su aplicacin presenta mayores ventajas en comparacin con el
Promedio Mvil Simple ya que toma en consideracin el comportamiento de los ltimos datos
considerados.

1.2.3.- Promedio Mvil Ponderado.

Es un tipo de pronstico interesante, que resulta de la combinacin de los dos tipos de
pronsticos estudiados anteriormente, pues representa un promedio de elementos que se mueve
por la mayora de los datos histricos observados. Posee la caracterstica que lo diferencia de los
anteriores, en que da pesos diferentes a cada uno de los elementos que se estn considerando, y
los pesos que se le ponderen a cada elemento en ningn momento pueden ser mayores a la
unidad. En otras palabras la sumatoria de los pesos asignados a cada elemento tienen que ser
iguales a la unidad, de esta manera el analista tendr la oportunidad de darle un toque de
subjetividad al pronstico de acuerdo al comportamiento histrico observado en la demanda.
Matemticamente la relacin de este pronstico vendra dado de la siguiente manera:

P.M.P. = P1x D1 + P2xD2 + P3xD3 +...+PnxDn

0 < P1 + P2 +P3 + + Pn < 1

Siendo P1 + P2 +P3+,....,+ Pn, las

ponderaciones asignadas a cada
elemento.
P1: ponderacin de la demanda ms
antigua.
Pn: ponderacin de la demanda ms
reciente.

Problema: Con la informacin obtenida de la Metalrgica de Oriente, calcular el pronstico de

la exportacin del el ao 2004. Asigne pesos relativos de cuatro aos del 15, 20, 30 y 35% y as
asegurar mayor carga a la demanda ms reciente. Adems, con fines de comparacin calcule el
pronstico de la demanda nacional de planchones de productos planos en su variedad fro
dndole los mismos pesos anteriores por el mtodo del Promedio Mvil Ponderado.

Solucin:

a) P. M. P. (2004, variedad caliente) = 0,15x235 + 0,20x255 + 0,30x261 + 0,35x264

P. M. P. (2004, variedad caliente) = 257 planchones en caliente.

Utilizando el QSB+, tenemos:

Period.
1
2
3
4
5
6
7

Weighted moving average ponderate for Metalor

Demand.
F ( t ) T ( t )/w( t )
I(t)
Forescast
Error
+.150000
+204.000
+.200000
+218.000
+.300000
+235.000
+255.000 +233.950 +.350000
+233.950 -27.0500
+261.000 +247.550
+247.550 -16.4500
+264.000 +256.950
+256.950
MAD = 21.7500 MSE = 501.152 Bias = -21.7500 M = 4

b) P. M. P. (2004, variedad fro) = 0.15x715 + 0.20x773 + 0.30x795 + 0.35x768

P. M. P.(2004, variedad fro) = 769 planchones en fro.

Utilizando el QSB+, tenemos:

Period.
1
2
3
4
5
6
7

Weighted moving average for Metalor

F ( t ) T ( t )/w( t )
I(t)
Forescast
Error
+.150000
+.200000
+.300000
+709.350 +.350000
+709.350 -85.6500
+752.300
+752.300 -15.7000
+769.150
+769.150
MAD = 50.6750 MSE = 3791 Bias = -50.5750 M = 4

Demand.
+614.000
+661.000
+715.000
+773.000
+795.000
+768.000

Interpretacin: Como se pudo visualizar en el desarrollo del problema, la demanda

estimada para el mercado de exportacin de planchones en su variedad en caliente, es de 257
unidades calculados sobre la base del mtodo del Promedio Mvil Ponderado y asignando los
pesos sugeridos. Cabe destacar la comparacin de la segunda parte de este problema con el
resultado del problema anterior, pues permite visualizar claramente la disminucin del margen
de error (utilizando el paquete tecnolgico), y en donde el analista puede llegar a tener diversas
alternativas de resolucin de un problema que lo obligarn a inclinarse por aquel mtodo que
contribuya con la menor desviacin.

1.2.4.- Suavizado Exponencial

En la medida en que se van avanzando en el desarrollo de modelos de pronsticos, en
esa misma medida se incrementar el grado de complejidad del modelo. Este es el caso del
suavizado exponencial, el cual se presenta en diferentes versiones desde el suavizado
exponencial simple hasta modelos de suavizado exponencial adactativos y dobles. Para fines
didcticos, solo se desarrollar en este trabajo el modelo de suavizado exponencial simple que
es el mtodo bsico. Para mayor explicacin de los modelos no incorporados, se sugiere al
lector la revisin de la bibliografa consultada al final y su ejercitacin en el paquete tecnolgico
recomendado.

Suavizado Exponencial Simple: El modelo de suavizado exponencial simple, al igual

que el modelo de promedio mvil ponderado da pesos relativos a los diferentes elementos que
se estn considerando, pero con la diferencia en que el analista tiene el trabajo de estimar los
parmetros y , los cuales se trasladarn por la columna de todos los datos histricos que se
estn analizando dando mayor peso a las demandas ms recientes y disminuyendo su efecto en
las ms antiguas en forma exponencial. Esta caracterstica hace que el resultado del pronstico
final sea una combinacin del aporte de cada uno de los elementos presentes en el clculo. La
estimacin de los parmetros y lo establecer el analista de acuerdo a su experiencia en el

acierto de pronsticos e intenciones particulares para cada caso. El modelo vendra dado de la
manera siguiente:
Pronstico
del elemento =
futuro

Elemento
ms
reciente

) (
+

Pronstico
ms
reciente

Ft = E t-1 + F t-1
En donde t es el periodo y + = 1

Problema: La microempresa Chim Pea ubicada en San Juan de Lagunillas, Edo. Mrida,
emplea para la elaboracin de su producto estrella diferentes insumos como salitre, harina de
trigo, tabaco y melaza entre otros. Si la produccin de chim fue de 3.480 kgs. para el mes de
enero, 3.550 kgs. para el mes de febrero, 3.490 kgs. para el mes de marzo y 3.800 kgs. para el
mes de abril y se considera conveniente establecer un del 80%, calclese el pronstico para el
mes de mayo. Tmese como pronstico del mes de enero, el promedio simple de la produccin
del ao pasado que fue de 3.260 kgs.

Solucin:
F febrero = 0,80 x 3.480 + 0,20 x 3260
F marzo = 0,80 x 3.550 + 0,20 x 3436
F abril = 0,80 x 3.490 + 0,20 x 3.527,20
F mayo = 0,80 x 3.800 + 0,20 x 3497,44

F febrero = 3.436
F marzo = 3.527,20
F abril = 3.497,.44
F mayo = 3.739,49

El pronstico del mes de mayo es de 3.739 kilogramos de chim.

Utilizando el QSB+, tenemos:

Period.
1
2
3
4
5

Single exponential smoothing for Chim Pea

Demand.
F ( t ) T ( t )/w( t )
I(t)
Forescast
+3.260
+3.260
+3.260
+3.436
+3.480
+3.436
+3.527
+3.550
+3.527
+3.497
+3.490
+3.497
+3.739
+3.800

Error
-220.000
+114.000
+37.2000
-302.560

6
MAD = 168.440 MSE = 38581

+3.739
Bias = -149.840 a = 0.800

Interpretacin: Con un pronstico de la demanda para el mes de enero de 3.260

kilogramos de chim y una ponderacin de un igual al 80%, se estima por el mtodo del
suavizado exponencial simple que la demanda llegar a alcanzar los 3.739 kilogramos de chim
para el mes de mayo.

1.2.5.- Anlisis de Regresin.

Mtodo muy empleado en una extensa cantidad de actividades desarrolladas por las
diferentes gerencias que forman parte de las organizaciones. La diversidad de textos de
estadstica, investigacin de operaciones, produccin y mercadeo abordan el tema del anlisis de
regresin como factor primordial para la estimacin de la demanda, ya que su utilizacin ha
demostrado ser de gran efectividad en la solucin de los diferentes problemas que se van
presentando en la mayora de las empresas.

Haciendo un recuento histrico tenemos que el trmino regresin se origin en

Inglaterra, por Sir Francis Galton, quien llev a cabo investigaciones sobre la herencia de padres
a hijos y lleg a establecer una ley en la cual expresaba que los hijos de padres altos tendan a
ser bajos de estatura en promedio, y los hijos de padres bajos tendan en promedio a ser altos en
estatura. Desde entonces el trmino regresin ha sido incorporado a la estadstica para designar
la relacin existente entre una variable independiente con respecto a otra que esta sujeta a las
cambios presentados por esta, denominada variable dependiente.

No se darn demostraciones de las frmulas originadas del modelo ya que estudiante a

este nivel de la carrera posee los conocimientos bsicos tomados de cursos preliminares de
estadstica. De todas formas, se considera que la premisa fundamental del anlisis de regresin
es que la relacin de los datos pueden presentar comportamientos como por ejemplo de tipo
lineal, exponencial y logartmico. En nuestro caso en particular, el modelo se centrar en el

anlisis de regresin lineal o simple, donde la tendencia de los datos se ajusta a un

comportamiento lineal de tal manera que la recta que se escoja sea aquella que proporcione las
mnimas sumas del cuadrado de las desviaciones, en comparacin a que si se hubiera utilizado
otro tipo de recta. Esto quiere decir que del conjunto de elementos analizados se buscarn la
combinacin de la variable dependiente que se ajuste de la mejor forma a los cambios sufridos
en el comportamiento de la variable independiente. Adems, el modelo exige la relacin de una
variable independiente con respecto a otra dependiente. Cuando entran en el modelo de
regresin una variable dependiente en confrontacin con dos o ms variable independientes, se
dice que el modelo de regresin es de carcter mltiple.

Matemticamente, la recta que proporciona la mnima suma del cuadrado de las

desviaciones en el modelo de anlisis de regresin lineal, tiene la siguiente nomenclatura:

y = a +b x

Donde x representa la variable independiente.

a y b, son parmetros de regresin.
y, proyeccin de la variable dependiente.

Para la construccin de la recta de regresin es necesario estimar los parmetros a y b,

utilizando los datos histricos de los elementos que se consideren convenientes para la
estimacin del pronstico.

N(XiYi) - (Xi) (Yi)

b =
N(Xi) - (Xi)

Yi - b Xi
a =
N

N : nmero de elementos tomados en cuenta para la elaboracin del pronstico

i : Los diferentes valores que tomaran cada elemento, es decir i = 1, 2, 3, ..., N-1, N.

Es frecuente que el analista se pregunte a la hora de calcular un pronstico por el

mtodo de regresin lineal, que tan buena es la relacin de los datos histricos de la variable
independiente con respecto al comportamiento de la variable dependiente; si la alta tasa de

nacimientos de este ao influye en el incremento en la demanda de paales desechables, si la

subida de los precios de los automviles influye en la adquisicin de los mismos, por ejemplo.
En estos casos se suele solucionar la incgnita mediante la elaboracin del coeficiente de
correlacin, que no es ms que un clculo que le permite mostrar al analista que tan buena o
mala es la relacin entre la variables. En todo caso su resultado tiene que estar comprendido
entre la unidad positiva y la unidad negativa. Si el resultado se acerca a la unidad, quiere decir
que hay una amplia relacin directa de los datos, en otras palabras que una gran parte del
comportamiento de la variable dependiente son explicados por el comportamiento de la variable
independiente, el incremento de los nacimientos sin duda har aumentar la demanda de paales.
Si el resultado se acerca a la unidad negativa no podemos decir que no existe relacin, ya que lo
que se presenta es una relacin inversa; un incremento de los precios de los automviles sin
mejorar el poder adquisitivo, sin duda repercutir hacia la baja en la demanda de automviles.
Si el coeficiente de correlacin se acerca a cero por ambos lados, podemos concluir que el
anlisis tiende a no tener relacin.

Coeficiente de correlacin:
Donde:

N(XiYi) - (Xi) (Yi)

r =
N(Xi) - (Xi) N(Yi) - (Yi)

-1 < r < 1

Otro coeficiente importante de indicar es el coeficiente de determinacin ( r ), el cual

indica cuan estn dispersos los elementos de la recta de regresin. Si el resultado se acerca a
1, esto quiere decir que la dispersin no es muy grande y si el resultado se acerca por ambos
lados a 0, esto quiere decir que no existe correlacin basada en la recta de regresin. El
comportamiento de los datos obedece a cualquier otro tipo de curva, menos a una lnea recta y
en casos extremos ni siquiera presenta una actuacin regular.

Problema: La empresa Destilera el Andinito, ubicada en la ciudad del El Viga, Edo Mrida; es
una organizacin exitosa debido a la colocacin en el mercado de su producto Miche los
Duendes. A continuacin se presenta la informacin de las ventas para el ao 2004:
Meses:
1
2
3
4
5
6
7
8
9
10
11
12
Ventas 4.500 4.900 5.341 5.600 6.002 6.520 6.950 7.301 7.150 8.541 8.900 9.441
(miles de Bs.)

Yi = 3.925,17 + 436,46 x Xi
El pronstico de las ventas del mes de enero del ao 2004 ser:

Yenero = 3.925,17 + 436,46 x 13

Yenero = 9.599,15 en miles de bolvares.

Utilizando el QSB+, tenemos:

Linear regression for El Andinito

Period. Demand.
F ( t ) T ( t )/w( t )
I(t)
Forescast
Error
+4.500
1
+400.000
+4.100
+4.900
2
-41.0000
+5.300
+420.500
+4.073
+5.341
3
+154.668
+5.755
+374.100
+4.150
+5.600
4
+18.5000
+6.021
+370.399
+4.157
+6.002
5
-140.199
+6.380
+390.428
+4.111
+6.520
6
-106.332
+6.844
+401.821
+4.080
+6.950
7
-6.14063
+7.295
+402.334
+4.079
+7.301
8
+549.750
+7.700
+365.684
+4.201
+7.150
9
-683.250
+7.858
+402.952
+4.064
+8.541
10
-403.266
+8.497
+421.282
+3.991
+8.900
11
-394.676
+9.046
+436.461
+3.925
+9.441
12
+9.599
13
MAD = 249.778 MSE = 114439 Bias = -105.195 A = 3.925 B = 436.461

Clculo de los coeficientes de correlacin y determinacin:

N(XiYi) - (Xi) (Yi)

r =
(N(Xi) - (Xi))1/2 (N(Yi) - (Yi))1/2

12 (589.863) - (78) (81.146)

r =
(12 (650) - (78))1/2 (12 (576.917.448) - (81.146))1/2

7.078.356 - 6.329.388
r =
(7.800 - 6.084)1/2 (6.922.997.3768 - 6.584.673.316)1/2

r = 0,9829

r = 0,9662

r = 98,29 %

r = 96,62 %

Interpretacin: De acuerdo a los clculos realizados, y tomando el tiempo como

variable independiente, se construy una recta de regresin con los datos propuestos que arroja
un pronostico de ventas para la Destilera El Andinito de 9.599.155 bolvares de su producto

Miche los Andes para el mes N 13, es decir para el mes de enero de 2004. Por otra parte existe
una amplia relacin de los datos histricos presentados, con respecto al transcurrir el tiempo
mostrndose una relacin directa entre ambas variables. El 98,29% del resultado del coeficiente
de correlacin nos hace llegar a esta conclusin y el 96,62% del coeficiente de determinacin la
refuerza al haber una amplia gama de elementos que se adaptan a la lnea de regresin.

1.2.6.- Anlisis de series cronolgicas.

En el tipo de pronstico analizado anteriormente, se desarroll de manera explcita
como la observacin de las diferentes relaciones de las actividades de la vida cotidiana, pueden
ofrecer un pronstico confiable a la hora de proyectar operaciones en el futuro. En el anlisis de
series cronolgicas las relaciones entre las variables tambin juegan un papel fundamental, con
la diferencia que en este tipo de pronstico la variable independiente siempre va ser el tiempo.
El anlisis de series cronolgicas es un caso especial del anlisis de regresin, con la salvedad
en que el modelo de este tipo de pronsticos introduce conceptos claves derivados del
comportamiento de la economa de un pas, tendencia de los datos a travs del tiempo, y
fenmenos aleatorios que pueden afectar de cierta forma al pronstico si estos conceptos no se
introdujesen. El anlisis de series cronolgicas es un excelente instrumento para pronosticar
elementos que tienen un comportamiento irregular dentro de un periodo de tiempo determinado.
En otras palabras lo que se pretende aclarar es que algunos elemento poseen un comportamiento
estacional para ciertos segmentos del periodo considerado y que este fenmeno se repite para la
mayora de los periodos observados. Por ejemplo, la demanda de juguetes puede presentar un
comportamiento estacional para los ltimos meses de cada aos, en contraposicin su
comportamiento puede ser bajo para los primeros meses de los periodos considerados , pero de
manera general la demanda con el transcurrir de los aos puede tener una tendencia hacia la
alza. Para aclarar significativamente lo desarrollado anteriormente, se enuncian los siguientes
conceptos:

Tendencia en el largo plazo. Cuando se visualiza el comportamiento de una serie de

datos a travs del tiempo se puede constar que los mismos presentan una tendencia que en la
mayora de los casos obedece a una curva en particular, casi siempre la de una recta. La
tendencia de los datos en el largo plazo trata de definir cual es el tipo de curva que ms se
adapte al caso analizado, teniendo presente que los mismos datos pueden tener altibajos para
periodos muy cortos pero que en el largo plazo efectivamente la tendencia presenta la
caracterstica anteriormente sealada. Para definir claramente la tendencia es necesario que el
horizonte del tiempo que se este analizando abarque periodos mayores de un ao, de esta
manera con el transcurrir del tiempo podemos interpretar con seguridad hacia donde se inclinan
los datos estudiados. Para concretar se puede decir que la tendencia en el largo plazo es
simplemente la inclinacin de los datos ya sean a la baja, a la alza o a la estabilizacin a travs
del tiempo.

La estimacin de la tendencia viene dada por el clculo de la sumatoria de los mnimos

cuadrado de los datos observados. Para ello es necesario construir una recta de regresin, que
sea representativa de la tendencia analizada:

Ti = a +b x

T= tendencia de los datos en el largo

plazo.

Cambios estacionales. La tendencia es la curva que representa la inclinacin de los

datos en el largo plazo. Pero dentro de este largo plazo existen segmentos de periodos,
generalmente expresados en aos los cuales presentan variaciones que obedecen a fenmenos
particulares de cada estacin en que este comprendido el segmento del periodo estudiado. Estos
fenmenos pueden ser repetitivos para cada segmento de tiempo, como por ejemplo los gustos y
hbitos del consumidor con respecto a la utilizacin de un determinado alimento, costumbres
sociales y culturales, as como el ingreso familiar de un mes con respecto al otro. Todas estas
caractersticas hacen que los datos puedan presentar altibajos dentro del segmento en cuestin y
que estas mismas caractersticas se repitan de un segmento a otro obedeciendo a una
determinada tendencia. La idea es que se calculen nmeros ndices que sean representativos de

cada estacin que a su vez pertenezcan a cada segmento estudiado y que posteriormente estos
ndices sean incorporados al pronstico para darle representatividad al resultado obtenido. De
esta manera en el momento del clculo del pronstico se introducir el promedio de las
estaciones similares de cada segmento de tiempo, ya que los mismos representaran condiciones
similares a que si se comparasen con otras estaciones. La relacin de los nmeros ndices seria:

Yi
Ci =
Ti

Cambios estacionales:

Donde, C representa el ndice de los cambios en cada estacin.

Yi, elementos histricos considerados (i = i, 2, , n.)
Ti, tendencia de los datos histricos (i = i, 2, , n.)

Ci
C =
n*

n*= Nmero de estaciones similares

consideradas.

Cambios irregulares. Este enunciado tiene que ver con fenmenos aleatorios difciles
de medir que pueden afectar considerablemente el comportamiento futuro de los datos. Estos
fenmenos pueden ser guerras, terremotos o cualquier otro suceso cuya ocurrencia al azar,
cambie dramticamente el resultado de la previsin. Cuando el analista posea cierta certeza de
su ocurrencia puede incorporar esta variable al modelo, en forma de un porcentaje que se crea
conveniente y que sea el representativo de la posible baja o subida que se pueda presentar en los
datos como consecuencia del evento aleatorio. Su simbologa seria:

I = Cambios irregulares.

Fluctuaciones cclicas. Del mismo modo como se desarroll en los cambios

estacionales, las fluctuaciones cclicas se pueden incorporar al clculo del pronstico por medio
de la introduccin de nmeros ndices que reflejen su comportamiento a travs del tiempo.
Otros analistas prefieren incorporar esta variable por medio de porcentajes que reflejen la
estimacin del movimiento cclico para un segmento de tiempo especfico, caso que ser
estudiado en nuestro modelo. De tal manera que una fluctuacin cclica no es ms que los

altibajos de la curva de la tendencia para segmentos de tiempo mayores de un ao, es decir la

versin de los cambios estacionales aplicados al segmento de tiempo sugerido por el analista.

F = Fluctuaciones cclicas.
De tal manera que el anlisis de series cronolgicas puede estar relacionado con el
siguiente modelo multiplicativo:

Y= T x C x I x F
Problema: La informacin que se presenta en la siguiente tabla, representa las ventas por
trimestres en miles de bolvares de una empresa representativa en la produccin de juguetes en
los ltimos cuatro aos:

Ao
1

Trimestre
I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

Ventas
259
350
220
400
283
373
242
435
300
389
264
462
321
415
281
484

Estmese las ventas para cada trimestre del ao nmero 5, por el mtodo del anlisis de
series cronolgicas, si el analista considera que prximo ciclo econmico har aumentar las
ventas en un 1% y no presiente cambios irregulares en la economa.

Solucin:

a) Elaboracin de la informacin pertinente para construir la recta de la tendencia y los

cambios estacionales:

Ao Trimestre
1

I
II
III
IV
I
II
III
IV
I
II
III
IV
I
II
III
IV

Ti = a +b xi
784.416 - 745.008
b =
23.936 -18.496

Ventas Tiempo(xi xi yi
(yi)
)
259
1
259
350
2
700
220
3
660
400
4
1.600
283
5
1.415
373
6
2.238
242
7
1.694
435
8
3.480
300
9
2.700
389
10
3.890
264
11
2.904
462
12
5.544
321
13
4.173
415
14
5.810
281
15
4.215
484
16
7.714
= 5.478 = 136 =49.02
6

1
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
=
1.496

Ti

Ci

288,04 0.8992
295,29 1,1853
302,53 0,7272
309,78 1,2912
317,02 0,8927
324,26 1,1503
331,51 0,7300
338,75 1,2841
346,00 0,8671
353,24 1,1012
360,48 0,7324
367,73 1,2564
374,97 0,8561
382,22 1,0858
389,46 0,7215
396,70 1,2201

Yi - b Xi
a =
N

N(XiYi) - (Xi) (Yi)

b =
N(Xi) - (Xi)

b = 7,244

Recta de regresin de la tendencia:

T1 = 280,80 + 7,244 x 1
T2 = 280,80 + 7,244 x 2
T3 = 280,80 + 7,244 x 3
T4 = 280,80 + 7,244 x 4
T5 = 280,80 + 7,244 x 5
T6 = 280,80 + 7,244 x 6
T7 = 280,80 + 7,244 x 7
T8 = 280,80 + 7,244 x 8

xi

T1 = 288,04
T2 = 295,29
T3 = 302,53
T4 = 309,78
T5 = 317,02
T6 = 324,26
T7 = 331,51
T8 = 338,75

b) Clculo de los cambios estacionales:

5478 - 985,18
a =
16

a = 280,80

Ti = 280,80 + 7,244 xi

T9 = 280,80 + 7,244 x 9 T9 = 346,24

T10 = 280,80 + 7,244 x 10 T10 = 353,24
T11 = 280,80 + 7,244 x 11 T11 = 360,48
T12 = 280,80 + 7,244 x 12 T12 = 367,73
T13 = 280,80 + 7,244 x 13 T13 = 374,97
T14 = 280,80 + 7,244 x 14 T14 = 382,22
T15 = 280,80 + 7,244 x 15 T15 = 389,46
T16 = 280,80 + 7,244 x 16 T16 = 396,70

Ci
C =
n*.

Para los primeros trimestres de cada segmento de periodo:

0,8992 + 0,8927 + 0,8671 + 0,8561
C =
4

C = 0,8788

Para los segundos trimestres de cada segmento de periodo:

1,18553 + 1,1503 + 1,1012 + 1,0858

C =
4

C = 1,1307

Para los terceros trimestres de cada segmento de periodo:

0,7272 + 0,7300 + 0,7324 + 0,7215

C =
4

C = 0,7278

Para los cuartos trimestres de cada segmento de periodo:

1,2912 + 1,2841 + 1,2564 + 1,2201
C =
4

C = 1,2630

c) Clculo del pronstico de las ventas para cada trimestre del ao nmero 5:

Y= T x C x I x F
Y1 = (280,80 + 7,244 x 17) x 0,8788 x 1 x 1,01
Y2 = (280,80 + 7,244 x 18) x 1,1307 x 1 x 1,01
Y3 = (280,80 + 7,244 x 19) x 0,7278 x 1 x 1,01
Y4 = (280,80 + 7,244 x 20) x 1,2630 x 1 x 1,01

Y1 = 359,54
Y2 = 470,58
Y3 = 307,58
Y4 = 543,01

Interpretacin: De acuerdo al comportamiento de los datos proyectados en la aplicacin del

anlisis de series cronolgicas, se considera lgico estimar las ventas de cada trimestre por este
mtodo, ya que el resultado se adapta muy bien a la tendencia histrica de los datos por
estaciones. Es importante sealar que solo el analista tendr el poder de decisin de ajustar
aquel mtodo de pronstico que ms se ajuste a sus necesidades.

2.- EJERCICIOS

1- Una empresa ensambladora de calentadores a gas, produce este artculo para satisfacer la
demanda interna de la ciudad de San Cristbal. Mensualmente controla la venta por medio de la

ejecucin de previsiones. Los siguientes datos de las ventas, son en el caso de un calentador
representativo en miles de bolvares: junio, 7.283; julio, 7325; agosto, 7.390; septiembre, 7.418;
octubre, 7.435 . Usando a 7.158 como el pronstico de junio segn un suavizado exponencial de
un de 0.85, obtener el pronstico de las ventas para el mes de noviembre.

2- El dueo de la Panadera la Meridea, ubicada en Mrida, Edo. Mrida; est interesado en

saber que cantidad de levadura deber utilizarse para la produccin mensual de panes del
prximo mes. Representando a la variable independiente como los kilos de harina y a los
gramos de levadura como la variable dependiente, y si los kilos de harina utilizados como
insumos fueron los siguientes en cada mes:

Mes:

10

11

X=

70

75

64

67

71

70

68

76

68

69

70

Y=

175

198

156

180

178

182

160

204

167

169

162

Se pide:
a) Construir la tabla correspondiente.
b) Encontrar a y b, trazar la lnea de regresin.
c) El uso del modelo de regresin lineal aumenta la habilidad para predecir Y en funcin de X?
d) Si se piensa utilizar 80 kilogramos para la produccin del mes nmero 12, determinar cuales
sern las necesidades de levaduras para este periodo.
e) Cul es el grado de relacin y el coeficiente de determinacin entre las variables?, explique.
3- En base a la siguiente informacin:

Meses:
Ventas
(miles de Bs.)

enero
1.000

febrero
1.500

marzo
1.800

a) Elabore la previsin para el mes de julio segn:

- Mtodo de media mvil, considere dos meses.
- Mtodo de regresin lineal.

abril
2.500

mayo
2.200

junio
2.600

b) Compare los resultados.

4- Una empresa dispone de los siguientes datos de sus ventas cada cuatro meses transcurridos y
desea usar las series de tiempos para pronosticarlas:

Ao
91
92
93
94
Cuatrimestre
I
II
III
I
II
III
I
II
III
I
Ventas(miles de Bs.) 4.552 5550 6800 4720 5900 6815 4980 6350 6828 5112

II
III
6701 6852

Determinar las posibles ventas para cada periodo del ao 95, si se espera que el ciclo
econmico haga disminuir las ventas en un 7%. Es razonable el resultado, comente.

BIBLIOGRAFIA

BORJAS, Francisco: Plantas Industriales y Manejo de Materiales I, Valencia, Facultad

de Ingeniera, Universidad de Carabobo. 1989.
BUFFA, Elwood y Rakesh Sarin: Administracin de la Produccin y de las
Operaciones, Mxico, Editorial Limusa, 1992, 932 pgs.
DAVID A. Aaker: Investigacin de Mercados, Naucalpan de Jurez, Edo. de Mxico,
Mc Graw-Hill/Interamericana de Mxico, 1989, 715 pgs.
EVERET E. Adam y Ronal Ebert: Administracin de la produccin y de las
operaciones, Mxico, Editorial Prentice Hall internacional, Cuarta Edicin, 1992, 739
pgs.
GONZALES, Nijad Hamdam: Mtodos Estadticos en
Publicaciones Bourgen C. A., 3ra. Edicin, 1986, 319 pgs.

Educacin,

Caracas,

LINCOLN L., Chao: Estadstica para las Ciencias Administrativas, Naucalpan de

Jurez, Edo. de Mxico, Mc Graw-Hill/Interamericana de Mxico, 1975, 472 pgs.
RUNYON, Richard: Estadstica para las Ciencias Sociales, Addison-Wesley
Iberoamericana, 1986, 467 pgs.
TAWFIK, L. y A. M. Chauvel: Administracin de la Produccin ,Mxico, Editorial Mc
Graw Hill, 1994, 404 pgs.