Documente Academic
Documente Profesional
Documente Cultură
Gestin de Operaciones
futuros. Para ello se pueden usar datos histricos y su proyeccin hacia el futuro mediante algn tipo de modelo matemtico.
Gestin de Operaciones
Pronstico a largo plazo: 3 aos o ms Ej: planear nuevos productos, gastos de capital, ubicacin o ampliacin de las instalaciones
Gestin de Operaciones
Gestin de Operaciones
Enfoques de Pronsticos
Jurado de opinin de Ejecutivos Mtodos Cualitativos Mtodo Delphi Composicin de la fuerza de ventas Encuesta en el mercado de consumo
Enfoque intuitivo Mtodos Cuantitativos Promedios Mviles (*) Suavizamiento exponencial (*) Proyeccin de tendencias (*) Regresin Lineal (*)
Profesora: Paulina Mayorga Peralta
Enfoques de Pronsticos
Jurado de opinin de Ejecutivos Mtodos Cualitativos Mtodo Delphi Composicin de la fuerza de ventas Encuesta en el mercado de consumo
Enfoque intuitivo Mtodos Cuantitativos Promedios Mviles (*) Suavizamiento exponencial (*) Proyeccin de tendencias (*) Regresin Lineal (*)
Profesora: Paulina Mayorga Peralta
Promedio Mvil =
Demanda en los
n n
periodos anteriores
Gestin de Operaciones
Ejemplo: Las ventas de cobertizos de una empresa X, se muestran en la columna central de la siguiente tabla. A la derecha se da el promedio mvil de tres meses.
Mes
Enero Febrero Marzo Abril Mayo Junio Julio
(10+12+13)/3 = 112/3 (12+13+16)/3 = 13 2/3 (13+16+19)/3 = 16 (16+19+23)/3=19 1/3 (19+23+26)/3 = 22 2/3 (23+26+30)/3= 26 1/3 (26+30+28)/3= 28 (30+28+18)/3 = 25 1/3 (28+18+16)/3 = 20 2/3
Agosto
Septiembre Octubre Noviembre Diciembre
30
28 18 16 14
Vemos que el pronstico para diciembre es de 20 2/3 . Para proyectar la demanda de cobertizos en enero prximo, sumamos las ventas de octubre, noviembre y diciembre entre 3: pronstico para enero = (18+16+14)/3 = 16
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Siguiendo con el ejemplo anterior. Esta empresa decidi pronosticar las ventas de cobertizos ponderando los ltimos tres meses como sigue:
Ponderacin Aplicada 3 2 1 6 Periodo ltimo mes o ms reciente Hace dos meses Hace tres meses Suma de ponderaciones
Mes
Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre
(3x13)+(2x12)+(10) /6 = 12 1/6 (3x16)+(2x13)+(12) /6 = 14 1/3 (3x19)+(2x16)+(13) /6 = 17 (3x23)+(2x19)+(16) /6 = 201/2 (3x26)+(2x23)+(19) /6 = 235/6 (3x30)+(2x26)+(23) /6 = 271/2 (3x28)+(2x30)+(26) /6 = 281/3 (3x18)+(2x28)+(30) /6 = 231/3 (3x16)+(2x18)+(28) /6 = 18 2/3
Demanda de Ventas
25
15
10
Ene
Feb
Mar
Abr
May
Jun
Jul
Ago
Sep
Oct
Nov
Dic
Mes
Ft
Ft-1 + (At-1
- Ft-1 )
Ft = nuevo pronstico
F t-1 = pronstico anterior : es la ponderacin, o constante de suavizado, elegida por quien pronostica, que tiene un valor entre 0 y 1.(0 < < 1 ) A t-1 = demanda real en el periodo anterior
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Ejemplo: En Enero, un distribuidor de automviles predijo que la demanda para Febrero sera de 142 camionetas Ford. La demanda real de febrero fue de 153 autos. Si empleamos la constante de suavizado que eligi la administracin , = 0,20, podemos pronosticar la demanda de marzo mediante el modelo de suavizamiento exponencial. Sustituyendo los datos del ejemplo en la frmula, obtenemos. (suavizamiento exponencial)
Nuevo pronstico (para la demanda de marzo) = 142 + 0,20 (153 142) = 142 + 2,2 = 144,2 siempre ser dada. Se encuentra en un intervalo entre 0,05 y 0,50.
Si es alta, o sea 0,5 el pronstico se basa en los datos ms recientes. Si es baja, o sea 0,1el pronstico da poca importancia a la demanda reciente y toma en cuenta los valores histricos de muchos perodos.
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Si Ft denota el pronstico en el periodo t, y At denota la demanda real del periodo t, el error de pronstico (o desviacin) se define como:
MAD =
real - pronstico n
Veamos un ejemplo
Durante los ltimos 8 trimestres, el Puerto de Valparaso ha descargado de los barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver que tan bien funciona la tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano descargado durante el primer trimestre fue 175 toneladas. Se examinan dos valores de . = 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para = 0,10
Pronstico Pronstico Redondeado con = 0,50
Pronstico del periodo anterior Demanda real en periodo anterior
Trimestre 1 2 3 4 5 6 7 8 9
175
178
173 166 170 180 193 186 184
173 = 174,75+0,10 (159-174,75) 173 = 173,18+0,10 (175+173,18) 175 = 173,36+0,10(190-173,36) 178= 175,02+0,10(205-175,02) 178 = 178,02 + 0,10 (180-178,02) 179 = 178,22 + 0,10 (182-178,22)
Para evaluar la precisin de ambas constantes de suavizado, calculamos los errores de pronstico en trminos de desviaciones absolutas y MAD
Toneladas reales Trimestre 1 2 3 4 5 6 7 8 Descargadas 180 168 159 175 190 205 180 182 Pronstico Redondeado con =0,10 175 176 175 173 173 175 178 178 Desviacin Absoluta Para =0,10 5 8 16 2 17 30 2 4 Pronstico Redondeado con =0,50 175 178 173 166 170 180 193 186 Desviacin Absoluta Para =0,50 5 10 14 9 20 25 13 4
84
100 12,50
MAD =
desviaciones n
10,50
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a =0,50 por que su MAD es ms pequea. Se debe encontrar la constante de suavizado con el menor error de pronstico.
Error cuadrtico Medio (MSE): Es una segunda forma de medir el error global del pronstico. El MSE es el promedio de los cuadrados de las diferencias entre los valores pronosticados y observados. Su frmula es:
MSE =
(errores de pronstico)
n
Gestin de Operaciones
Pronstico
Redondeado con =0,10 175 176 175 173 173 175 178 178
2
(Error)
2
1 2 3 4 5 6 7 8
5 = 25
2 2
MSE =
(errores de pronstico) n
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor eleccin por que se minimiza el MSE.
Profesora: Paulina Mayorga Peralta Gestin de Operaciones
Error porcentual absoluto medio (MAPE): Este se calcula como el promedio de las diferencias absolutas entre los valores pronosticados y los reales y se expresa como porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a n periodos, MAPE, se calcula como:
MAPE =
100
i=1
Gestin de Operaciones
1 2 3 4 5
100(5/180) = 2,77% 100(8/168) = 4,76% 100(16/159) = 10,06% 100(2/175) = 1,14% 100(17/190) = 8,95% 100(30/205) = 14,63% 100(2/180) = 1,11% 100(4/182) = 2,20%
6
7 8
205
180 182
175
178 178
= 45,62%
MAPE =
Una recta de mnimos cuadrados se describe en trminos de su ordenada o interseccin con el eje y y su pendiente.
Si calculamos la pendiente y la ordenada, expresamos la recta con la siguiente ecuacin:
y = a + y a
b x
y gorro = valor calculado de la variable que debe predecirse (variable dependiente) = ordenada
Los profesionales de estadsticas han desarrollado ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de regresin. La pendiente b se encuentra mediante:
b =
xy - n x y
x - nx
2 2
donde:
b = pendiente de la recta de regresin = signo de suma
a=
y - bx
A continuacin se muestra la demanda de energa elctrica en la ciudad de Puerto Montt, durante el ao 1997 al 2003, en kilowatt. El Jefe de Operaciones de la empresa SAESA, debe pronosticar la demanda para el 2004 ajustando una recta de tendencia a estos datos.
Ao
1997 1998 1999 2000 2001 2002 2003
Para simplificar, transformamos los valores de x (tiempo) en nmeros ms sencillos, como 1,2,3,4 Demanda de energa Ao
1997 1998 1999 2000 2001 2002 2003
Periodo (x)
1 2 3 4 5 6 7 X = 28
Elctrica (y)
74 79 80 90 105 142 122 y = 692
2
xy
74 158 240 360 525 852 854
1 4 9 16 25 36 49
x = 140
xy = 3.063
X = 28 =4 X= n 7
y y=
= 692 = 98,86 7
b =
xy - n x y x - nx
2 2
140- (7) ( 4 )
= 295 = 10,54 28
As, la ecuacin de mnimos cuadrados para la tendencia es y = 56,70 + 10,54 x. Para proyectar la demanda en el 2004, primero denotamos el ao 2004 en el nuevo sistema de cdigos como x = 8.
Estimamos la demanda para el 2005 insertando x = 9 en la misma ecuacin: Demanda en el 2005 = 56,70 + 10,54 (9)
= 151,56, o 152 Kilowatt.
Para comprobar la validez del modelo, graficamos la demanda histrica y la recta de tendencia. En este caso debemos tener cuidado y tratar de comprender el cambio en la demanda de 2002 a 2003.
Recta de tendencia y =56,70 + 10,54 x Demanda de energa
160
150
140
130 120 110 100 90 80
Demanda histrica
70 60
50
1997 1998 1999 2000 2001 2002 2003 2004 2005
Ao
y = a + y a
b x
= valor calculado de la variable que debe predecirse (variable dependiente) = ordenada, interseccin con el eje y.
Los siguientes datos relacionan las cifras de ventas de un bar de un pequeo Hotel, con el nmero de huspedes registrados esa semana:
semana
Huspedes
1
2 3 4
16
12 18 14
$330
270 380 300
200
150
100
50
12
16
20
Ventas, y
330
270 380 300 y = 1.280
Huspedes,x
16
12 18 14 X = 60
2
x
256
144 324 196
xy
5.280
3.240 6.840 4.200
x = 920
xy =19.560
X = 60 = 15 X= n 4
y y=
= 1.280 = 320 4
b =
xy - n x y x - nx
2 2
920- (4) ( 15 )
= 360 = 18 20
a = y - b x = 320 18(15) = 50
La ecuacin de regresin estimada es, por lo tanto,
y = 50 + 18 x
Ventas = 50 + 18 (huspedes)
Si el pronstico es de 20 huspedes la semana siguiente de cunto se esperan que sean las ventas?
y = 50 + 18 x
Ventas = 50 + 18 (huspedes)
Demanda histrica
200
150
100
50
12
16
20
S y,x
( y yc ) 2
n-2
donde:
y = valor de y de cada dato puntual yc = valor calculado de la variable dependiente, a partir de la ecuacin de regresin. n = nmero de datos puntuales
Esta ecuacin puede resultar ms fcil de usar. Ambas frmulas entregarn el mismo resultado
S y,x =
y 2 - a y - b xy
n-2
Demanda histrica
12
16
20
108.900
72.900 144.400 90.000 y = 416.200
2
S y,x =
y 2 - a y - b xy n-2
S y,x =
60
7,74 $ en ventas
r=
n
2
n x -
xy 2
x n
2
y
2
y -
r= +1
X y y
X
Correlacin negativa perfecta No hay Correlacin r= 0 r= -1
Ventas, y
330 270
Huspedes,x
16 12
x
256 144
xy
5.280 3.240
380
300 y = 1.280
18
14 X = 60
2
324
196 x = 920
6.840
4.200 xy =19.560
r=
1.440 2.112.000
= 0,993619798
Correlacin positiva r= 0< r <1
Regresin Lineal Mltiple La regresin mltiple es una extensin prctica del modelo simple de regresin que acabamos de ver. Nos permite construir un modelo con varias variables independientes en lugar de slo una variable. Por ejemplo, si en el ejemplo anterior se desea incluir el alza en los pasajes de los huspedes, la ecuacin apropiada sera: y = a + b1 x1 + b2 x2
y a