de Aguascalientes
ADMINISTRACIÓN DE
OPERACIONES I
Promedio Simple.
Promedio Simple (PS) = Suma de las demandas de todos los períodos pasados
Número de períodos
PS = D1 + D2 + ... + Dn
n
EJEMPLO: La demanda total para un nuevo tipo de soldadura ha sido igual a 40, 50 y 60
toneladas en los últimos meses, ¿Cuál sería la demanda estimada para este mes?
PS = D1 + D2 + D3 = 40 + 50 + 60 = 50 toneladas
n 3
Promedio simple móvil
Un promedio simple móvil también combina los datos de la demanda de los períodos
anteriores y su promedio se toma como el pronóstico para el período siguiente. Se puede usar un
promedio móvil con tres períodos o un promedio móvil con veinte períodos, pero Una vez que se
ha seleccionado el número de períodos que hacia el pasado vayan a emplearse en los cálculos,
éste se mantiene constante y se ponderan las demandas con peso igual para determinar el
promedio. El promedio se mueve sobre el tiempo, en el sentido de que después de que finaliza
cada período, se descarta la demanda del período más lejano y se agrega para el cálculo
siguiente la demanda del período más reciente. Los promedios móviles son un pronóstico útil y
sencillo y se utilizan para hacer pronósticos a corto y mediano plazo, esto es, si un pronóstico se
requiere semanal o mensualmente.
Ejemplo: Con los datos siguientes determinar el pronóstico utilizando promedios móviles con 3
unidades de tiempo y 4 unidades de tiempo para el periodo 14.
En algunas ocasiones el analista desea utilizar un promedio móvil pero no quiere que todos
los n períodos tengan el mismo peso. Un modelo de promedio móvil ponderado (PMP) es uno que
incluye alguna ponderación para la demanda de los períodos pasados pero que no es igual para
todos los que se están considerando.
El modelo permite darle una ponderación desigual a las demandas pasadas. Si n es igual a
tres períodos, por ejemplo podría dársele al período más reciente un peso que fuera igual al
doble de los otros períodos haciéndose
Una ventaja de este modelo es que permite, con una adecuada selección de los
coeficientes P compensar por tendencia o por estacionalidad. Es claro que el analista tiene que
escoger los coeficientes y ésta es una selección crítica para el éxito o fracaso del modelo.
Cuando se conoce la demanda real para el periodo anterior, se actualizan las estimaciones
y se tiene la siguiente formula de la ordenada
Ft = DT -1 + (1 - ) FT -1
Y = a + bx
Tx = a + bx
donde:
Tx = valor calculado de la variable a predecir (llamada la variable dependiente).
a = ordenada en el origen,
b = pendiente de la línea de regresión (o rango de cambio en y para cambios dados en x),
x = la variable independiente (que en este caso es el tiempo)
Profesionales de las estadísticas han desarrollado ecuaciones que pueden ser utilizadas
para encontrar los valores de las variables a y b, en cualquier línea de regresión. La pendiente b
se encuentra por:
b = xy – n x y
x2 – n (x)2
donde:
b = pendiente de la línea de regresión
= signo de sumatoria
x = valores de la variable independiente
y = valores de la variable dependiente
x = el promedio de los valores de las x
y = el promedio de los valores de la y
n = el número de puntos de datos, eventos u observaciones
a=y -bx
Ejemplo. La demanda para la energía eléctrica en una capital en el periodo 2008 - 2014 se
muestra a continuación, en megawatts. Pronosticar la demanda de 2015 y ajustar una línea recta
con tendencia a estos datos. (Render-Heizer, 178)
Año Demanda de energía elec
2008 74
2009 79
2010 80
2011 90
2012 105
2013 142
2014 122
Con una serie de datos en el tiempo, se puede minimizar los cálculos mediante la
transformación de los valores de x (tiempo) a números más simples. Por lo tanto, en este caso, se
puede designar a 2008 como año 1, 2009 como año 2, y así sucesivamente.
Año Periodo x Dem energ eléct y x2 xy
2008 1 74 1 74
2009 2 79 4 158
2010 3 80 9 240
2011 4 90 16 360
2012 5 105 25 525
2013 6 142 36 852
2014 7 122 49 854
n=7 x = 28 y = 692 x2 = 140 xy = 3063
x = x = 28 = 4 y = y = 692 = 98.86
n 7 n 7
Modelos causales. La regresión lineal, un modelo causal, considera diferentes variables que
están relacionadas con la cantidad de la que se está haciendo la predicción.
Puesto que los métodos causales relacionan la demanda con una o más variables
independientes distintas a los periodos de tiempo, es posible predecir la ocurrencia de puntos de
cambio y los cambios fundamentales en los patrones de demanda.
Para llevar a cabo un análisis de regresión lineal puede utilizarse el mismo modelo
matemático de mínimos cuadrados empleado en el método de proyección de tendencia.
Ejemplo: el gerente de un hotel relaciona las cifras de ventas de alimentos y bebidas del
restaurant de un hotel con el número de huéspedes registrados en cada semana. Si se tienen
registrados 20 huéspedes para la semana siguiente, de cuanto se espera que sean las ventas
a = y - bx = 320 – 18(15) = 50
X = 20
Clientes
registrados
= 50 + 18 x = 50 + 18 (20) = 50 + 360 = 410 ventas de $410