UNIDAD 5

PRONSTICOS DE
INVENTARIOS

Instituto Tecnolgico Superior de Acayucan

Ingeniera En Gestin Empresarial
GARCA CRUZ ADELA, GUILLEN BAEZA
KEIRY LILIANA, PALACIOS OCHOA LUZ DEL CARMEN, TREJO
MEZA ALAN RAFAEL
Nombres de los alumnos:

Nmero y nombre de equipo: EQUIPO

4 BLUERED

Investigacin de
Operaciones
CUESTIONARIO
Semestre: _4________________

Nombre del Docente:

Ramrez

Grupo: _405-A______________

Gonzlez

Jos Aurelio

ACAYUCAN, VER. A 2 DE MAYO DEL 2015

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

2. REALICE UNA CLASIFICACIN DE LOS TIPOS DE PRONSTICOS

Un pronstico usualmente se clasifica por el horizonte de tiempo futuro que abarca. El horizonte de
tiempo se clasifica en tres categoras.
Pronostico a corto plazo. Este pronstico tienen un periodo de hasta 1 ao, pero casi siempre es
menor que tres meses. Se usa para planear las compras, programar el trabajo, determinar niveles
de mano de obra, asignar el trabajo y decidir los niveles de produccin.
Pronostico a mediano plazo. Un pronstico a medio plazo o intermedio, en general se extiende de
tres meses a tres aos. Es til para planear las ventas, la produccin, el presupuesto y el flujo de
efectivo, as como analizar los diversos planes de operaciones.
Pronostico a largo plazo. En general comprende tres aos o ms; los pronsticos a largo plazo se
emplean para planear nuevos productos, gastos de capital, ubicacin o ampliacin de las
instalaciones y la investigacin y el desarrollo.
Segn su entorno a pronosticar
Tambin se podra clasificar a los pronsticos en trminos de su posicin en el entorno micro-macro, es
decir, segn el grado en que intervienen pequeos detalles vs. Grandes valores resumidos. Por ejemplo,
el gerente de la planta pudiera estar interesado en pronosticar el nmero de trabajadores que requerir
en los prximos meses (un micropronstico), mientras que el gobierno federal est pronosticando el
nmero total de personas empleadas en toda la nacin (un macropronstico).

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

Escrito por Jay Heizer, Barry Render

Pg. 106 capitulo 4 Pronsticos
Editorial PEARSON educacin

3. QU PASOS SE DEBEN DE SEGUIR PARA LA ELABORACIN DE PRONSTICOS?

1. Determinar el uso de pronostico
2. Seleccionar los aspectos que se deben de pronosticar
3. Determinar el horizonte del pronostico
4. Seleccionar los modelos del pronostico
5. Reunir los datos necesarios para elaborar el pronostico
6. Obtener el pronstico
7. Valorar e implantar los resultados
Estos sietes pasos plantean una forma sistemtica para iniciar, disear e implantar un sistema de
pronstico. Cuando el pronstico del sistema es generar pronsticos peridicos, la recoleccin de datos
debe ser rutinaria. Despus los clculos reales casi siempre se elaboraran a computadora.
Sin importar que sistema usen las empresas, toda compaa enfrenta diversas realidades.
1. Los pronsticos pocas veces son perfectos. Esto significa que factores externos que no
podemos predecir o controlar suelen afectar el pronstico. Las compaas deben admitir esta
realidad.
2. La mayora de las tcnicas de pronstico suponen la existencia de cierta estabilidad
subyacente en el sistema. En consecuencia algunas empresas automatizan sus predicciones a
travs de software para pronstico computarizados y despus solo vigilan de cerca aquellos
productos con demanda muy variada.
3. Tanto los pronstico de familias de productos como a los agregados son ms precisos que lo
pronstico para productos individuales.
Principios de administracin de operaciones
Quinta edicin
Escrito por Jay Heizer, Barry Render
Pg. 108 capitulo 4 Pronsticos
Editorial PEARSON educacin

4. EXPLIQUE. QU ES UNA SERIE DE TIEMPO?

Una serie de tiempo es una serie de observaciones en el tiempo de alguna cantidad de inters (variable
aleatoria). As, si X i es la variable aleatoria de inters en el tiempo i, y si las observaciones se toman en

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

5. EXPLIQUE LOS COMPONENTES DE LAS SERIES DE TIEMPO.

COMPONENTE
Tendencia

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

planeacin del negocio a corto plazo.

Es un patrn de datos que se repite
despus

Aleatorio

de

un

periodo

de

da,

semanas, meses o trimestres.

Son seales generadas en los datos
por

casualidad

por

situaciones

inusuales. No siguen ningn patrn

discernibles y por lo tanto no se puede

predecir.

Principios de administracin de operaciones

Quinta edicin
Escrito por Jay Heizer, Barry Render
Pg. 110 capitulo 4 Pronsticos
Editorial PEARSON educacin

6. POR QU ES TIL ANALIZAR LAS SERIES DE TIEMPO? CITE EJEMPLOS

Es til analizar las series de tiempo, ya que hace proyecciones o pronsticos sobre una actividad futura,
suponiendo estables las condiciones y variaciones registradas hasta la fecha, lo cual permite planear y tomar
decisiones a corto o largo plazo. Despus, con base en esa situacin ideal, que supone que los factores que
influyeron en la serie en el pasado lo continuarn haciendo en el futuro, se analizan las tendencias pasadas y el
comportamiento de las actividades bajo la influencia de ellas; por ejemplo, en la proyeccin de ventas de un
producto o de un servicio de una empresa se calculan los posibles precios, la reaccin del consumidor, la influencia
de la competencia, etc.
Es necesario describir la tendencia ascendente o descendente a largo plazo de una serie cronolgica por medio de
alguna lnea, y la ms adecuada ser la que mejor represente los datos y sea til para desarrollar pronsticos.

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

7. A QU SE LE CONOCE COMO REGRESIN SIMPLE?

El anlisis de regresin lineal, en general, nos permite obtener una funcin lineal de una o ms variables
independientes o predictoras (X1, X2,... XK) a partir de la cual explicar o predecir el valor de una variable
dependiente o criterio (Y). En el anlisis de regresin lineal podemos diferenciar entre anlisis de
regresin lineal simple y anlisis de regresin lineal mltiple. En el primero, se intenta explicar o predecir
la variable dependiente Y a partir de una nica variable independiente, X1; mientras que en el segundo,
contamos con un conjunto de variables independientes, X1, X2,...XK, para estimar la variable
dependiente Y. En ambos casos, tanto la variable dependiente como la/s independiente/s estn medidas
en escala

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

8. MENCIONE TRES EJEMPLOS DE CMO LA REGRESIN SIMPLE PERMITE PRONOSTICAR.

Ejemplo 1:

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.

tamao del motor (pcd) x millas/galn (mpg), y

coches compactos
Chevrolet Cavalier
121
30
Datsun Nissan Stanza
120
31
Dodge Omni
97
34
Ford Escort
98
27
Mazda 626
122
29
Plymouth Horizon
97
34
Renaultlos
Alliance/Encore
38
Graficando
datos de la tabla en el85diagrama de dispersin
podemos observar la coleccin de los
Toyota Corolla
122
32

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

se denomina componente determinstica del modelo de regresin lineal. La

muestra de pares de datos se usar para estimar los parmetros

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

tamao de motor se atribuyen al trmino de error en el modelo de regresin.

Clculo de la ecuacin de regresin
Tambin es llamada ecuacin de prediccin de mnimos cuadrados. La ecuacin de regresin estimada
es:
Donde:

Valor predicho de

para un valor particular de x.

b0 =

Estimador puntual de

.(ordenada al origen)

b 1=

Estimador puntual de

(pendiente)

Para el clculo de b0 y b1 se utilizamos las siguientes frmulas:

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

La ecuacin de prediccin de mnimos cuadrados es:

=>
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?

Residuales individuales tendencias; o separados?

Diagnstico del Modelo de Residuales

Grfica Normal de 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

Residuales vs. Ajustes

20

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)

A la varianza de los errores e se le llama varianza residual siendo denotada por

dividiendo SSE entre n-2

, 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

Costos de mantenimiento y (dlares)

299
160
215
255
350
275
207

Encuentre:

a) Una estimacin puntual para

b) Una estimacin puntual para

c) Una estimacin puntual para la varianza del error

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

d) 57.5567 + 4.497(36) = 219.44 usd

e) 57.5567 + 4.497(29) = 187.96 usd
Inferencias sobre el modelo de regresin lineal.

Para usar la ecuacin de regresin

razonablemente seguros de que la pendiente
cero. Ya que si

, con propsitos de prediccin, queremos estar

de la ecuacin de regresin

, entonces para cualquier valor de x,

en la figura. Siendo este el caso el modelo no sera apropiado.

sera idntica a

no es
, como se muestra

Con el propsito de determinar si la pendiente de la regresin poblacional es diferente de cero,

separemos SSy en dos componentes, SSE y SSR.
Tenemos la siguiente relacin:
SSy = SSE + SSR
Donde:
SSE = Suma de cuadrados del error
SSR = Suma de cuadrados de la regresin
SSE = SSy-b1SSxy
SSR = b1SSy
Prueba de hiptesis utilizando la distribucin F
Si fuera cierta

, el estadstico F servira como estadstico de prueba: F est definido como:

Con gl = (1,n-2), se puede usar el estadstico F para determinar si

es diferente de cero. Si la pendiente

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

En el ejemplo 1 y 2 obtuvimos los siguientes valores:

SSxy = -212.25

, usando

b1 = -0.13472

La suma de cuadrados para la regresin SSR se calcula mediante:

SSR = b1SSxy = (-212.25)(-0.1347) =28.5901
Hallamos el estadstico de prueba F:

Se encuentra el valor crtico

F0.05(1,6) = 5.99. Como F = 3.16<5.99, no rechazamos

. Concluimos que la ecuacin

no debe usarse con propsitos de

prediccin, y no tenemos evidencia que apoye que el modelo lineal es correcto para nuestros datos.
Prueba de hiptesis utilizando la distribucin t

Otra manera de realizar la prueba de hiptesis

es usando la distribucin t.

El estadstico de prueba es:

, 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