UNIDAD 5 MODELOS DE PRONSTICOS E INVENTARIOS

5. MODELOS DE PRONSTICOS E INVENTARIOS.

Definamos en primer trmino el significado de un Pronstico que nos es ms que
la estimacin de la demanda de un producto, esta estimacin de la demanda sale
de un estudio de mercado realizado por los especialistas de la empresa en donde
se realiza un estudio particular del tipo de producto y de la cantidad que se
requiere por producto, el pronstico es un estimado de la demanda como ya lo
habamos dicho anteriormente, por lo que con este estimado podemos
determinarla capacidad de la planta a instalar, y la cantidad de versiones del
producto que debemos producir.
Obtenida la capacidad de produccin de la planta, podemos planear en base a los
registros de produccin de la planta y de la demanda de los productos en proceso
de transformacin.
Importante es destacar que el proceso de pronostico establece los niveles de
produccin en el tiempo, es decir, que podemos realizar pronsticos a Corto,
Mediano y Largo plazo , y de esa manera revisar los procesos de planeacin de la
planta para esos tiempos, y cuando se habla de revisar estamos hablando de
Mantenimiento de Inventarios de Insumos y de repuestos y algo muy importante
que es la productividad, realizando estudio para minimizar los tiempos de ocio del
sistema operativo de produccin.
En base al planeamiento de la produccin y al pronstico realizado es necesario
tener en reserva en todos los pasos a realizar una cantidad de bienes bajo el
control de la planta guardando para su uso posterior durante algn tiempo, esta
cantidad de bienes guardados la llamamos inventario , en toda empresa o planta
de operaciones productivas es necesario realizar inventarios, estos inventarios
pueden ser inventarios de equipos, inventarios de repuestos de equipos,
Inventarios de insumos o materia prima, inventarios de herramientas, inventarios
del producto final, todos estos inventarios son necesarios para que los niveles de
produccin sean cubiertos al momento de un incidente que pudiese demorar la
produccin.
Muchas de las empresas y plantan que generan un producto final mantienen un
inventario permanente de estos productos finales y trabajan con un tiempo de
salida de la mercanca, acorde con el pronstico de consumo para la fecha de
produccin y de acuerdo a la temporada de consumo del producto, los inventarios
de consumo de la planta dependen del nivel de produccin que est planificado
estratgicamente. Si existen pedidos donde la produccin sobrepasa la medicin
de productividad media de la planta, esta debe aumentar los inventarios de

consumo para poder cumplir con la solicitud, as como tambin planificar esta
solicitud adicional que resulta una variacin en los niveles de productividad de la
planta.
Tenemos pues un producto el cual viene de una transformacin por medio de uso
de materiales equipo y labor necesarios para generar un producto o sea entra
insumos y sale producto, esa transformacin obedece a un plan de trabajo
cuidadosamente estudiado y en lnea con el plan estratgico general de la
empresa, y de ese plan dependen todas las actividades que intervienen para
obtener el producto final el almacenamiento de este producto viene igual
obedeciendo al plan de produccin, el costo de inventario es un costo a lo que las
empresas no quieren absorber por que encarece el producto final, sobre todo en
los costos de almacenamiento.

5.1 MODELOS DE PRONSTICOS.

El pronstico es un proceso de estimacin de un acontecimiento o fenmeno,

regularmente econmico en el cual se involucra el tiempo, proyectando hacia el
futuro datos del pasado, para realizar una estimacin cuantitativa del
comportamiento del fenmeno estudiado hacia el futuro.
La prediccin, previsin o adivinacin, es un proceso de estimacin de un suceso
futuro basndose en consideraciones subjetivas diferentes a los simples datos
provenientes del pasado; estas consideraciones subjetivas no necesariamente
deben combinarse de una manera predeterminada. Es decir, cuando se base en
suposiciones subjetivas y no existen datos del pasado, se requiere una prediccin,
y de lo contrario, se necesita un pronstico.
Los pronsticos son la base de la planificacin corporativa a largo plazo. El
personal de produccin y de operacin utiliza pronsticos para tomar decisiones
peridicas con respecto a la seleccin de procesos, a la planificacin de la
capacidad, a la planificacin de la produccin, a la programacin de actividades y
al inventario.
Tipos de pronsticos
Los pronsticos se pueden clasificar en cuatro tipos bsicos: cualitativos, anlisis
de series de tiempo o cuantitativos, relaciones causales y simulacin.

Las tcnicas cualitativas son de carcter subjetivo y se basan en estimaciones y

opiniones.
El anlisis de series de tiempo se basa en la idea de que se pueden usar los datos
relacionados con la demanda del pasado para realizar pronsticos.
Los pronsticos causales suponen que la demanda est relacionada con uno o
ms factores subyacentes del ambiente.
Los modelos de simulacin permiten al pronosticador recorrer una gama de
suposiciones sobre la condicin del pronstico.
Modelos comunes para pronsticos cuantitativos
Promedio Mvil Simple Se promedia un periodo que contiene varios puntos de
datos, dividiendo la suma de los valores de los puntos entre el nmero de puntos.
As, cada punto tiene la misma influencia.
Promedio Mvil Ponderado Ciertos puntos se ponderan ms o menos que otros,
segn se considere conveniente de acuerdo con la experiencia.
Suavizamiento o suavizacin Exponencial Los puntos de datos ms recientes
tienen mayor peso; este peso se reduce exponencialmente cuanto ms antiguos
son los datos.
Anlisis de Regresiones Ajusta una lnea recta a datos pasados, por lo general
relacionando el valor del dato con el tiempo. El mtodo de ajuste ms comn es el
de mnimos cuadrados, permite identificar la tendencia de la serie de tiempo
analizada.
Anlisis de series de tiempo
Pronosticar series de tiempo significa extender los valores histricos en el futuro
con mediciones que an no se encuentran disponibles. El pronstico se realiza
generalmente para optimizar reas como los niveles de inventario, la capacidad de
produccin o los niveles de personal.
Existen dos variables estructurales principales que definen un pronstico de serie
de tiempo:
El perodo, que representa el nivel de agregacin. Los perodos ms comunes son
meses, semanas y das en la cadena de suministro (para la optimizacin del
inventario). Los centros de atencin telefnica utilizan perodos de cuartos de hora
(para la optimizacin del personal).

El horizonte, que representa la cantidad de perodos por adelantado que es

necesario pronosticar. En la cadena de suministro, el horizonte es generalmente
igual o mayor que el tiempo de entrega.

5.1.1 MODELOS PRONSTICOS PARA UN NIVEL CONSTANTE

Los mtodos ms simplistas para pronosticar la demanda +1 son:

ltimo valor
Promedio
Promedios mviles
Exponencial

1.- Este es el ms simple de los mtodos de pronstico y considera el valor de la

variable aleatoria +1 = . Muy simple, pero til nicamente en acotados casos.
2.-

Pronosticar

como

valor

+1 =
=1

de

la

variable

Esta puede ser una buena estimacin cuando se trata de un proceso muy estable
o que cambia muy poco en el tiempo
3.- Los promedios mviles solucionan, en parte, el hecho de que el proceso
cambia el tiempo y considera nicamente las ltimas k observaciones, por lo que

+1 =

= 1

De esta forma, mejoramos el mtodo anterior, aunque seguimos asignando el

mismo peso relativo a las observaciones ms viejas que alas ms actuales.
4.- El mtodo exponencial o de suavizado exponencial, soluciona este problema
introduciendo una constante de suavizado, ,0 << 1 y calcula el nuevo valor
dela variable aleatoria como +1 = + (1) .
Estos mtodos muestran el hecho fundamental de que los procesos son
cambiantes y estn sujetos a factores externos que deben ser tenidos en cuenta a
la hora de realizar el modelo. Una de estos factores, el que suscita nuestro inters
en este momento, es el factor estacional. Por ejemplo, las necesidades de nuestro

insumo tinta, se vern afectadas por la demanda del producto, la cual tendr
grandes variaciones a lo largo del ao si se trata por ejemplo de un juguete muy
popular que ver incrementadas sus ventas durante las festividades de reyes, da
del nio y navidad. Este factor estacional hace que nuestra serie de tiempo viole la
suposicin de que el modelo es de nivel constante. Para poder utilizar estos
mtodos deberemos primero eliminar el factor estacional de nuestra serie de
tiempo.
Los promedios mviles y el suavizamiento exponencial son los mejores y ms
fciles de usar para pronsticos a corto plazo: requieren pocos datos y los
resultados son de nivel medio. Los modelos a largo plazo son ms complejos,
requieren ms datos de entrada y ofrecen mayor precisin. Desde ya, los trminos
corto, medio y largo son relativos, dependiendo del contexto en que se apliquen.
En los pronsticos empresariales, el corto plazo por lo general se refiere a menos
de tres meses; el medio, de tres meses a dos aos; y el largo, a ms de dos aos.
En trminos generales, los modelos a corto plazo se ajustan para cambios a corto
plazo (como la respuesta de los consumidores ante un nuevo producto).
Los pronsticos a medio plazo son buenos para efectos estacinales y los
modelos a largo plazo detectan las tendencias generales y son de utilidad especial
para identificar punto de cambios decisivos.
El modelo de pronsticos a escoger depende de lo siguiente:
1.
2.
3.
4.
5.

Horizonte de tiempo para el pronstico.

Disponibilidad de datos.
Precisin requerida.
Tamao del presupuesto para pronsticos.
Disponibilidad de personal calificado.

Tambin hay que tener en cuenta el grado de flexibilidad de la empresa (si es

mayor la capacidad para reaccionar con rapidez ante los cambios, no tiene que
ser tan preciso el pronstico).
Promedio Simple
Es un promedio de los datos del pasado en el cual las demandas de todos los
perodos anteriores tienen el mismo peso relativo.
Se calcula de la siguiente manera:
PS = Suma de demandas de todos los perodos anteriores, entre o dividido por

K = Nmero de periodos de demanda

PS =

1 +2 ++

Dnde:
1 = demanda del perodo ms reciente;
2 = demanda que ocurri hace dos perodos;
= demanda que ocurri hace k perodos.

Promedio Mvil
Una media mvil simple combina los datos de demanda de la mayor parte de los
periodos recientes, siendo su promedio el pronstico para el siguiente periodo.
Una media mvil simple de n periodos se puede expresar mediante:
MMS = Suma de las demandas anteriores de los ltimos n periodos entre o
dividido por
N = Nmero de periodos empleados en la media mvil
MMS = =

1 +2 ++

Dnde:
t = 1 es el periodo ms antiguo en el promedio de n periodos;
t = n es el periodo ms reciente.

Suavizamiento o suavizacin Exponencial

Las principales razones de popularidad de las tcnicas de suavizacin son:
1. Los modelos exponenciales tienen una precisin sorprendente.
2. Es muy fcil formular un modelo exponencial.
3. El usuario puede comprender como funciona el modelo.
4. Se requiere muy pocos clculos para usar el modelo.

5. Como se usan datos histricos limitados, son pocos los requisitos de

almacenamiento en computadores.
6. Es fcil calcular pruebas para determinar la precisin del modelo en la prctica.
En el mtodo solo se necesitan tres datos: el pronstico ms reciente, la demanda
real que se present para ese periodo, y una constante de suavizacin alfa.
La ecuacin para un pronstico de suavizamiento exponencial simple no es ms
que: Pronstico de la demanda = = 1 + (1 1 )
Dnde:
Ft = El pronstico suavizado exponencialmente para el periodo t.
Ft-1 = El pronstico suavizado exponencialmente para el periodo anterior.
At-1 = La demanda real para el periodo anterior.
a = La tasa de respuesta deseada, o constante de suavizamiento.

5.1.2 EFECTOS ESTACIONALES EN LOS MODELOS DE PRONSTICOS.

La Estacionalidad siempre ha jugado un papel primordial en el anlisis de series
de tiempo. La mayora de las tcnicas para realizar pronsticos requieren
condiciones de estacionalidad. Por lo tanto necesitamos algunas condiciones, es
decir, las series de tiempo necesitan tener un proceso estacionario de primer y
segundo orden.
Estacionario de Primer Orden: Una serie de tiempo est en el estacionario de
primer orden si el valor esperado de se mantiene constante para cualquier valor
de t.
Por ejemplo, en series de tiempo econmicas el proceso se encuentra en
estacionario de primer orden cuando removemos cualquier tendencia por algn
mecanismo como la diferenciacin.
Estacionario de Segundo Orden: Una serie de tiempo se encuentra estacionaria
de segundo orden solamente cuando la estacionaria de primer orden y la
covarianza entre y es funcin de la anchura (t-s.).
De nuevo, en series de tiempo econmicas, un proceso es estacionario de
segundo orden cuando estabilizamos sus variables por cualquier tipo de
transformacin como la raz cuadrada.

5.2 SUAVIZADO EXPONENCIAL EN MODELOS DE TENDENCIA LINEAL.

Suavizado Exponencial
Este modelo permite efectuar compensaciones para algunas tendencias o para
cierta temporada al calcular cuidadosamente los coeficientes Ct. Si se desea se
puede dar a los meses ms recientes pesos mayores y amortiguar en parte los
efectos del ruido al dar pesos pequeos a las demandas ms antiguas. El
coordinador o el administrador debe escoger los valores de los coeficientes, de su
eleccin depender el xito o fracaso del modelo.
Los modelos de suavizado exponencial se encuentran disponibles en los paquetes
para computadora, estos modelos requieren relativamente poco almacenamiento
de datos y unas cuantas operaciones.
El suavizado exponencial se distingue por la manera tan especial de dar pesos a
cada una de las demandas anteriores al calcular el promedio. El modelo de los
pesos es de forma exponencial. La demanda de los periodos ms recientes recibe
un peso mayor; los pesos de los periodos sucesivamente anteriores decaen de
una manera exponencial. En otras palabras, los pesos decrecen en su magnitud a
medida que se aplican datos anteriores, siendo el decremento no lineal
(exponencial).
Suavizado exponencial de primer orden.
La ecuacin para crear un pronstico nuevo o actualizado utiliza dos fuentes de
informacin: La demanda real para el periodo ms reciente y, El pronstico ms
reciente.
A medida que termina cada periodo se realiza un nuevo pronstico.
=
( ) + (1)( )
Despus que termina el periodo t - 1 se conoce la demanda actual 1 .Al inicio
del periodo t - 1 se hizo un pronstico 1 de la demanda durante t - 1. Por lo
tanto, al final de t - 1 se tienen las informaciones necesarias para calcular el
pronstico de la demanda para el prximo periodo.
Doble suavizado exponencial
El doble suavizado exponencial tiende a suavizar el ruido en series de demanda
estables. El modelo es directo; suaviza el pronstico obtenido con un modelo de

suavizado exponencial de primer orden y el pronstico obtenido mediante un

modelo de suavizado exponencial doble.

= ()
+ (1) .
Ft es el modelo suavizado exponencial de primer orden y debe ser calculado antes
de encontrar la FDt.

5.3 ERRORES EN LOS PRONSTICOS.

El error del pronstico es la diferencia entre el valor real y el pronosticado del
perodo correspondiente.
=
Donde es el error del pronstico del perodo, es el valor real para ese perodo
y el valor que se haba pronosticado. Medidas de error:

Error absoluto de la media (MAD)

= | |
1

Error absoluto porcentual de la media

(MAPE)

1 | |

Desviacin porcentual absoluta de la media

(PMAD)

1| |
=
1| |

Error cuadrtico de la media (MSE)

Raz del error cuadrtico de la media

(RMSE)

1
=

1
=

5.4 PRONSTICOS CAUSALES CON REGRESIN LINEAL.

El objetivo es pronosticar una variable dependiente, por ejemplo las ventas, en
funcin de una o ms variables independientes, por ejemplo el precio. Este es un
pronstico causal, porque el valor de la variable dependiente est causado o al
menos tiene una correlacin alta con el valor de las(s) variable(s)
independiente(s).
Lo primero que debe hacerse es un anlisis de correlacin para medir la
asociacin entre las dos variables:
Elaborar un diagrama de dispersin para observar si existe una relacin lineal
entre las variables. En un sistema de coordenadas graficar la nube de puntos
considerando X = variable independiente e Y = variable dependiente.
Calcular el coeficiente de correlacin para establecer la medida de la fuerza de la
relacin lineal entre las dos variables. Este coeficiente tiene las siguientes
caractersticas:
Varia de -1 hasta +1, ambos inclusive.
Un valor cercano a 0 indica que hay poca asociacin entre las variables.
Un valor cercano a +1 indica una asociacin directa o positiva entre las variables.
Un valor cercano a -1 indica una asociacin inversa o negativa entre las variables.
Calcular el coeficiente de determinacin para determinar la proporcin de la
variacin total en la variable dependiente Y que se explica por la variacin en la
variable independiente X.
Realizar una prueba de la importancia del coeficiente de correlacin para
determinar si la correlacin se debe o no a la casualidad.
Si el anlisis de correlacin concluye que existe una relacin lineal fuerte entre las
variables, se procede a elaborar una ecuacin para expresar la relacin
lineal(recta) entre las variables con la finalidad de estimar el valor de la variable
dependiente Y con base en un valor seleccionado de la variable independiente X.
La tcnica para desarrollar la ecuacin y proporcionar los estimados se denomina
anlisis de regresin.
La referida ecuacin de la recta que relaciona las variables es una ecuacin de
regresin que se determina aplicando el mtodo matemtico denominado
principio de los mnimos cuadrados que proporciona la recta del mejor ajuste.
El mtodo de los mnimos cuadrados determina una ecuacin de regresin al

minimizar la suma de las desviaciones cuadrticas entre los valores reales y los
valores estimados de Y.
Regresin lineal simple
Ejemplo: La siguiente informacin muestra las llamadas realizadas a clientes y
computadoras vendidas por 10 vendedores.
Vendedores

Llamadas a clientes

Computadoras
vendidas

20

30

40

60

20

40

30

60

10

30

10

40

20

40

20

50

20

30

10

30

70

Se desea determinar si existe una relacin lineal entre las variables y usar esta
relacin para fines de pronstico de ventas.
Paso 1: Determinar cules son las variables independiente y dependiente.
Al analizar los datos se observa cierta relacin entre el nmero de llamadas a
clientes y el nmero de computadoras vendidas. Por ejemplo, el vendedor 1 hizo
20 llamadas a clientes y vendi 30 computadoras, el vendedor 2 hizo 40 llamadas
a clientes y logr una venta de 60 computadoras. Es decir, los vendedores que
hicieron ms llamadas a clientes vendieron ms computadoras. Sin embargo, la
relacin no es perfecta o exacta. Por ejemplo el vendedor 10 hizo menos
llamadas que el vendedor 2, pero vendi ms computadoras.

Concluimos que probablemente las ventas de computadoras dependen de la

cantidad de llamadas que se hagan a los clientes. En este sentido, las variables
son las siguientes:
X = cantidad de llamadas a clientes (variable independiente)
Y = cantidad de computadoras vendidas (variable dependiente)
Paso 2: Elaboramos el diagrama de dispersin para establecer si la relacin entre
las variables es lineal o no lineal. En un sistema de coordenadas graficamos los
diez puntos (x, y) = (20, 30); (40, 60); (20, 40); (30, 60); (10, 30); (10, 40); (20, 40);
(20, 50); (20, 30); (30, 70).

La nube de puntos en el diagrama de dispersin nos muestra una relacin lineal

(lo cual se indica con la lnea punteada por el centro de la nube) entre las ventas
de computadoras (variable dependiente) y la cantidad de llamadas a clientes
(variable independiente).
Considerando que los valores de los coeficientes de correlacin y de
determinacin suelen obtenerse fcilmente con los valores de a y b de la recta
de regresin, vamos a suspender por el momento el anlisis de correlacin para
determinar la recta de regresin.
Pas 3: Recta de Regresin
Una vez establecida una relacin lineal, se puede emplear el conocimiento de la
variable independiente para pronosticar la variable dependiente mediante una

lnea recta Y = a + bX, cuyos parmetros a y b se determinan aplicando el

modelo de regresin lineal simple mediante las siguientes frmulas: