PRONSTICOS DE
INVENTARIOS
4 BLUERED
Investigacin de
Operaciones
CUESTIONARIO
Semestre: _4________________
Ramrez
Grupo: _405-A______________
Gonzlez
Jos Aurelio
CUESTIONARIO
1. DEFINA. QU ES UN PRONSTICO?
Los pronosticar es el arte y la ciencia de producir eventos fututos. Puede implicar el uso de datos
histricos y su proyeccin hacia el futuro mediante un tipo de modelo matemtico. Puede ser una
produccin subjetiva o intuitiva, o puede ser una combinacin de ambos, es decir, un modelo matemtico
ajustado por el buen juicio del administrador.
Principios de administracin de operaciones
Quinta edicin
Escrito por Jay Heizer, Barry Render
Pg. 104 capitulo 4 Pronsticos
Editorial PEARSON educacin
De nuevo, los diferentes niveles de administracin en una organizacin tienden a enfocar diferentes
niveles del entorno micro-macro.
Por ejemplo, la alta direccin estara interesada en pronosticar las ventas de toda la compaa, en tanto
que los vendedores individuales estaran mucho ms interesados en pronosticar su propio volumen de
ventas.
Segn el procedimiento empleado
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.
Los pronsticos son una de las herramientas fundamentales para la toma de decisiones dentro de las
organizaciones tanto productivas como sin fines de lucro. Algunas de las reas en donde se utilizan
pronsticos en la industria son la planeacin y control de inventarios, produccin, finanzas, ventas,
comercializacin, entre muchas otras.
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.
Principios de administracin de operaciones
Quinta edicin
los tiempos i= 1, 2,, t, entonces los valores observados {X 1= x1, X2 = x2,, Xt = xt} son las serie de
tiempo.
Por ejemplo, las cifras de ventanas mensuales reciente de un producto constituyen una serie de tiempo.
Como una serie de tiempo es una descripcin del pasado, un procedimiento lgico para pronosticar el
futuro es usar estos datos histricos. Si los datos pasados indican lo que se puede esperar del futuro, es
posible proponer un modelo matemtico que sea representativo del proceso. Despus, el modelo puede
usarse para generar los pronsticos.
Investigacin de operaciones
Sptima edicin
Escrito por Hiller, Lieberman
Pg. 1014 capitulo 20 Pronsticos
Editorial MC GRAN HILL
DESCRIPCIN
Es el movimiento gradual hacia arriba
o hacia abajo de los datos en el
tiempo. Los cambios en el ingreso, la
poblacin, distribucin de edades o los
puntos de vista culturales pueden ser
causantes del movimiento en una
Ciclos
tendencia.
Son patrones, detectados en los datos,
que ocurren cada cierta cantidad de
aos. Usualmente estarn sujetos al
ciclo
comercial
importancia
Estacional
para
son
el
de
gran
anlisis
Aleatorio
de
un
periodo
de
da,
casualidad
por
situaciones
Ejemplos:
El nmero de das que un cliente espera hasta recibir una respuesta a una solicitud de hipoteca.
El tiempo que tarda comunicarse con el personal cuando se llama por telfono a un banco.
El tiempo que pasan los operadores de un centro de soporte tcnico atendiendo a los clientes por
telfono.
Las ventas de motores de helicptero en el tiempo.
El tiempo que tardan los empleados de una empresa farmacutica en llenar documentos
importantes.
Internet
http://www.minitab.com/es-mx/Published-Articles/ARIMA--C%C3%B3mo-evitar-la%E2%80%9Cmentalidad-de-reba%C3%B1o%E2%80%9D-cuando-se-analizan-los-datos-de-las-seriesde-tiempo/
http://www.monografias.com/trabajos87/analisis-tendencia-series-tiempo/analisis-tendencia-seriestiempo.shtml#ixzz3bw9QjSnq
de intervalo o de razn.
En este captulo nos vamos a ceir al anlisis de regresin lineal simple posponiendo para el prximo
captulo la regresin lineal mltiple que, como tendremos ocasin de apreciar, comparte mucho de lo que
en estas lneas se recoge. El anlisis de regresin lineal simple tiene por finalidad predecir y/o estimar los
valores de la variable dependiente a partir de la obtencin de la funcin lineal de la variable
independiente. La anotacin matemtica de la ecuacin de regresin simple se anota como sigue:
Y = a+b1x1+e
presente = a+b1pasado+e
en donde:
Y es la variable a predecir;
A y b1X1 son parmetros desconocidos a estimar;
Y e es el error que cometemos en la prediccin de los parmetros.
Internet
http://rua.ua.es/dspace/bitstream/10045/8141/1/REGRESION%20SIMPLE.pdf
La revista Motor Trend presenta con frecuencia datos de rendimiento para automviles, que compara el
tamao del motor en pulgadas cbicas de desplazamiento (pcd) y las millas por galn (mpg) estimadas
para ocho modelos representativos de automviles subcompactos modelo 1984.
ocho pares de datos (x,y) como muestra de una poblacin de pares, donde las medidas pulgadas cbicas
de desplazamiento (pcd) x pueden tomar cualquier valor en el rango de valores que se extiende de 85 a
122. Para cada pcd posible hay muchos millajes asociados con ella. Por ejemplo para un tamao del
motor de 97 hay un gran nmero de millajes asociados, uno por cada coche cuyo tamao sea 97 pcd.
Asumamos que existe una relacin lineal para la poblacin de pares de datos de pcd y mpg. (Se
entiende por relacin lineal cuando la variable y tiene una tendencia a crecer o decrecer, cuando la
variable x aumenta).
Usamos el modelo probabilstico siguiente para explicar el comportamiento de los millajes para las
ocho medidas de tamao de motor, este se llama modelo de regresin lineal, y expresa la relacin
lineal entre tamao de motor (x) y millas por galn (y).
Modelo de regresin lineal
Donde
y = variable dependiente
Ordenada al origen
= pendiente
x = variable independiente
= Error aleatorio
La expresin
de la componente
determinstica.
La diferencia principal entre un modelo probabilstico y uno determinstico es la inclusin de un trmino de
error aleatorio en el modelo probabilstico. En el ejemplo los diferentes rendimientos
para un mismo
Valor predicho de
b0 =
Estimador puntual de
.(ordenada al origen)
b 1=
Estimador puntual de
(pendiente)
Donde:
SS = suma de cuadrados
b1 = pendiente
b0 = ordenada al origen
n = nmero de pares de datos
En la tabla incluimos las sumatorias que utilizaremos para el clculo de las frmulas.
coches compactos
tamao del motor (pcd) x
Chevrolet Cavalier
121
Datsun Nissan Stanza
120
Dodge Omni
97
Ford Escort
98
Mazda 626
122
Plymouth Horizon
97
Renault Alliance/Encore
85
Toyota Corolla
122
SUMAS
862
Media
107.75
millas/galn (mpg), y
30
31
34
27
29
34
38
32
255
31.875
x^2
14641
14400
9409
9604
14884
9409
7225
14884
94456
y^2
900
961
1156
729
841
1156
1444
1024
8211
xy
3630
3720
3298
2646
3538
3298
3230
3904
27264
Calculando b0 y b1 tenemos:
SSx = 1575.50
SSy = 82.88
SSxy = -212.25
b1 = -0.13472
b0 = 46.39099
=>
Grfica de la ecuacin de regresin
50
y =46.391 -0.1347x
40
30
20
10
Lineal (Y)
0
0
50
100
150
Variable X
Error
Los errores se denominan frecuentemente residuales. Podemos observar en la grfica de regresin los
errores indicados por segmentos verticales.
Qu tan normales
son los residuales?
Tabla de Residuales
20
Residual
Residual
10
0
-10
-20
-2
Marcador Normal
3.0SL=43.26
X=0.000
-3.0SL=-43.26
10
Nmero de Observacin
10
Residual
Ignrese
para grupos
pequeos de
informacin
(<30)
Histograma de Residuales
Frecuencia
Histograma curva de
campana?
-1
50
40
30
20
10
0
-10
-20
-30
-40
-50
0
-10
-20
0
-25 -20 -15 -10 -5 0 5 10 15
450
500
Ajuste
550
Buscar
Buscarlas
lasinconsistencias
inconsistencias
mayores
mayores
Aleatorio
alrededor de
cero, sin
tendencias?
Al usar el criterio de mnimos cuadrados para obtener la recta que mejor se ajuste a nuestros datos,
podemos obtener el valor mnimo para la suma de cuadrados del error (SSE)
, se encuentra
La raz cuadrada positiva de la varianza residual se llama error estndar de estimacin y se denota por
Se.
Aplicando las frmulas en obtenemos la suma de cuadrados del error, la varianza residual y el error
estndar de la estimacin:
SSE = 82.88-(-0.13472)(-212.25) =54.2849
Se
3.007
Ejemplo 2: Una firma de renta de coches recab los datos adjuntos sobre los costos de mantenimiento y,
y las millas recorridas x para siete de sus automviles.
Automvil
A
B
C
D
E
F
G
Millas recorridas x
en miles
55
27
36
42
65
48
29
Encuentre:
d) Una estimacin puntual para el costo promedio del mantenimiento de un coche con 36,000 millas
recorridas.
e) Prediga el costo para un coche con 29,000 millas recorridas.
Automvil
A
B
C
D
E
F
G
Suma
Media
x
55
27
36
42
65
48
29
302
43.14
y
299
160
215
255
350
275
207
1761
251.57
x^2
3025
729
1296
1764
4225
2304
841
14184
y^2
89401
25600
46225
65025
122500
75625
42849
467225
xy
16445
4320
7740
10710
22750
13200
6003
81168
SSx = 1154.86
SSy = 24207.71
SSxy = 5193.43
b1 = 4.4970
b0 =57.5567
SSE = 852.70
= 170.54
y = 57.5567 + 4.497x
a) b0 =57.5567
b) b1 = 4.4970
c)
= 170.54
sera idntica a
no es
, como se muestra
de la ecuacin de regresin poblacional es diferente de cero, entonces la ecuacin se puede usar con
propsitos de prediccin.
Ejemplo 3: Para los datos del ejemplo 1 haga una prueba para determinar si
, usando
b1 = -0.13472
prediccin, y no tenemos evidencia que apoye que el modelo lineal es correcto para nuestros datos.
Prueba de hiptesis utilizando la distribucin t
es usando la distribucin t.
, donde gl = n-2
Internet
https://www.google.com.mx/url?sa=t&rct=j&q=&esrc=s&source=web&cd=3&ved=0CC4QFjAC&url=http
%3A%2F%2Fwww.icicm.com%2Ffiles
%2FAnalisis_de_RegresionRes.doc&ei=EM9tVe_9MY_5yQTY5oDwCA&usg=AFQjCNG1bsxoy1IVPrNxO07W4hDvODoAg