Modelos cuantitativos para la
toma de decisiones S3
Universidad del Valle del Grijalva
MIS. Luis Alberto Sánchez Garfias
Pronósticos
• Los gerentes tratan siempre de reducir la incertidumbre e intentan
hacer mejores estimaciones de lo que sucederá en el futuro. Lograr
esto es el objetivo principal de la elaboración de los pronósticos.
• Existen muchas formas de pronosticar el futuro. En muchas empresas
(sobre todo las pequeñas), el proceso completo es subjetivo e incluye
los métodos improvisados, la intuición y los años de experiencia.
También existen muchos modelos de pronósticos cuantitativos, como
promedios móviles, suavizamiento exponencial, proyecciones de
tendencias y análisis de regresión por mínimos cuadrados.
8 pasos para la toma de decisiones
1. Determinar el uso del pronóstico: ¿qué meta tratamos de alcanzar?
2. Seleccionar los artículos o las cantidades que se van a pronosticar.
3. Determinar el horizonte de tiempo del pronóstico: ¿30 días (corto
plazo), de 1 mes a un año (mediano plazo) o más de un año (largo
plazo)?
4. Seleccionar el modelo o los modelos de pronósticos.
5. Reunir los datos o la información necesaria para realizar el pronóstico.
6. Validar el modelo del pronóstico.
7. Efectuar el pronóstico.
8. Implementar los resultados.
Tipos modelos para pronosticos
Diagramas de dispersión y series de tiempo
Un diagrama de dispersión para una serie de tiempo se grafica en
dos dimensiones, con el tiempo en el eje horizontal. La variable que
se pronostica (como las ventas) se coloca en el eje vertical.
Diagramas continua
Medidas de exactitud del modelo
Para saber qué tan bien funciona un modelo o para comparar un modelo
con otros, los valores pronosticados se comparan con los valores reales u
observados. El error del pronóstico (o desviación) se define como:
Error de pronóstico = valor real - valor pronosticado
Una medida de exactitud es la desviación media absoluta (DMA), que se
calcula tomando la suma de los valores absolutos de los errores de
pronósticos individuales y, luego, dividiendo entre el número de errores
(n).
Una de las más comunes es el error cuadrado medio (ECM), que es el
promedio de los cuadrados de los errores
Además de la DMA y el ECM, algunas veces se utiliza el error medio
absoluto porcentual (EMAP), que es el promedio de los valores absolutos
de los errores expresados como porcentajes de los valores reales
Modelos de series de tiempo
• Una serie de tiempo se basa en una secuencia de datos igualmente espaciados
(semanales, mensuales, trimestrales, etcétera).
• Componentes de una serie de tiempo Analizar una serie de tiempo significa desglosar los
datos históricos en sus componentes y, luego, proyectarlos hacia el futuro. En general,
una serie de tiempo tiene cuatro componentes:
1. Tendencia (T) es el movimiento gradual hacia arriba o hacia abajo de los datos en el
tiempo.
2. Estacionalidad (S, por seasonality) es el patrón de la fluctuación de la demanda arriba o
abajo de la recta de tendencia que se repite a intervalos regulares.
3. Ciclos (C) son patrones en los datos anuales que ocurren cada cierto número de años.
Suelen estar vinculados al ciclo de negocios.
4. Variaciones aleatorias (R por Random variations) son “saltos” en los datos ocasionados
por el azar y por situaciones inusuales; no siguen un patrón discernible.
Series de tiempo
Promedios móviles
Los promedios móviles son útiles si podemos suponer que las demandas del
mercado permanecerán bastante estables en el tiempo. Un promedio móvil de
cuatro meses, por ejemplo, se encuentra simplemente sumando la demanda
durante los últimos cuatro meses y dividiéndola entre 4. Con cada mes que pasa,
los datos del mes más reciente se suman a los datos de los tres meses anteriores y
se elimina el mes más lejano.
Esto tiende a suavizar las irregularidades del corto plazo en la serie de datos. Un
pronóstico de promedio móvil de n periodos, que sirve como estimación de la
demanda del siguiente periodo, se expresa como:
Caso ejemplo
Las ventas de naves de almacenamiento de Wallace Garden se
presentan en la columna central de la tabla. El promedio móvil de 3
meses se indica a la derecha.
Promedio móvil ponderado
un promedio móvil ponderado permite asignar diferentes pesos a
las observaciones previas. Como el método de promedio móvil
ponderado suele asignar mayor peso a las observaciones más
recientes, este pronóstico es más sensible ante los cambios que
ocurran en el patrón de los datos.
Caso ejemplo
• Wallace Garden decide usar un pronóstico de promedio móvil ponderado de 3
meses con pesos de 3 para la observación más reciente, 2 para la siguiente y 1
para la más lejana, lo cual se implementaría como sigue:
Suavizamiento exponencial
El suavizamiento exponencial es un método de pronósticos de uso sencillo y se
maneja con eficiencia en la computadora. Aunque es un tipo de técnica de
promedio móvil, necesita llevar un registro de los datos pasados. La fórmula
básica para el suavizamiento exponencial es:
Nuevo pronóstico = pronóstico del último periodo + α(demanda real del último
periodo – pronóstico del último periodo)
donde α es un peso (o constante de suavizamiento) que tiene un valor entre 0 y 1,
inclusive.
Caso ejemplo
El puerto de Baltimore ha descargado
grandes cantidades de grano de los
barcos durante los últimos ocho
trimestres. El gerente de operaciones
del puerto quiere probar el uso del
suavizamiento exponencial para saber
qué tan bien funciona la técnica para
predecir las toneladas descargadas.
Supone que el pronóstico de grano
descargado en el primer trimestre fue
de 175 toneladas. Se examinan dos
valores de α: α=.10 y α=.50. La tabla
5.5 presenta los cálculos detallados
únicamente para α=0.10.
Caso. continua
Para evaluar la exactitud de cada constante de suavizamiento, calculamos las
desviaciones absolutas y la DMA (véase la tabla 5.6). Con base en este análisis, se
prefiere una constante de suavizamiento de α=0.10 y no de α=0.50 porque su DMA
es menor.
Caso 7. Hospital
La demanda de cirugías en pacientes en el Hospital General de Washington ha
aumentado de manera estable durante los últimos años, como se indica en la
siguiente tabla:
El director de servicios médicos predijo hace seis años que la demanda en un año
sería de 4 cirugías. Utilice suavizamiento exponencial con un peso de α=0.20 para
desarrollar pronósticos para los años 2 a 6. ¿Cuál es el valor de la DMA?
Suavizamiento exponencial con ajuste de
tendencia
Si hay una tendencia presente en los datos, debería usarse un modelo de
pronóstico que la incorpore de manera explícita en el pronóstico. Una de esas
técnicas es el modelo de suavizamiento exponencial con ajuste de tendencia.
La idea es desarrollar un pronóstico de suavizamiento exponencial y, luego,
ajustarlo por la tendencia.
Se emplean dos constantes de suavizamiento, α y β, en este modelo y ambos
valores deben estar entre 0 y 1. El nivel del pronóstico se ajusta multiplicando
primero la constante de suavizamiento, α, por el error del pronóstico más
reciente y sumarlo al pronóstico anterior.
La tendencia se ajusta multiplicando la segunda constante de suavizamiento, β,
por el error más reciente o la cantidad en exceso de la tendencia,
Pasos para el FIT
Paso 1. Calcular el pronóstico suavizamiento (Ft+1) para el periodo t + 1 usando la ecuación
Pronóstico suavizamiento = pronóstico previo incluyendo tendencia + α(último error)
Paso 2. Actualizar la tendencia (Tt+1) con la ecuación
Tendencia suavizada = tendencia previa + β(error o exceso de tendencia)
Paso 3. Calcular el pronóstico de suavizamiento exponencial ajustado por la tendencia (FITt+1) usando
la ecuación
Pronóstico con tendencia (FITt+1) = pronóstico suavizamiento (Ft+1) + tendencia suavizada (Tt+1)
Caso ejemplo
Considere el caso de la compañía
Midwestern Manufacturing que, en el
periodo de 2004 a 2010, ha tenido la
demanda de generadores eléctricos que se
presenta en la tabla. Para usar el método
de suavizamiento exponencial con ajuste
de tendencia, primero se establecen las
condiciones iniciales (valores previos para
F y T), y se eligen α y . Suponiendo que F1
es perfecto y T1 es 0, y eligiendo 0.3 y 0.4
como las constantes de suavizamiento,
F1 = 74 T1 = 0 α = 0.3 β = 0.4
Ejemplo continua
FIT1 = F1 + T1 = 74 + 0 = 74
Proyecciones de tendencia
Otro método para pronósticos de series de tiempo con tendencia se llama
proyecciones de tendencia, que es una técnica que ajusta una recta de tendencia a
una serie de datos históricos y, luego, proyecta la línea al futuro para obtener
pronósticos a mediano y largo plazos. Existen varias ecuaciones de tendencia que se
pueden desarrollar (por ejemplo, exponencial y cuadrática); no obstante, en esta
sección tan solo veremos tendencias lineales (en línea recta). Una tendencia lineal es
simplemente una ecuación de regresión lineal donde la variable independiente (X) es
el tiempo. La forma de esto es
Modelo de regresión
Consideremos el caso de Midwestern
Manufacturing. En el periodo 2004-2010,
la demanda de generadores eléctricos
para esa empresa se mostró en la tabla
5.7. Se puede desarrollar una recta de
tendencia para predecir la demanda (Y)
basada en el tiempo, usando un modelo
de regresión. Si 2004 es el periodo 1 (X
= 1), entonces, 2005 es el periodo 2 (X =
2), y así sucesivamente. La recta de
regresión se puede desarrollar, de esto
obtenemos
Variaciones estacionales
Algunas veces las variaciones recurrentes en ciertas estaciones del año hacen
necesario un ajuste estacional en el pronóstico de la recta de tendencia.
Analizar los datos en términos de meses o trimestres facilita la detección de los
patrones estacionales. Con frecuencia se emplea un índice estacional en los
modelos de pronósticos con series de tiempo multiplicativas, para realizar un
ajuste en el pronóstico cuando existe una componente estacional.
Un índice estacional indica la comparación de una estación dada (como mes o
trimestre) y una estación promedio. Cuando no hay una tendencia, el índice se
determina dividiendo el valor promedio para una estación específica entre el
promedio de todos los datos. Así, un índice de 1 significa que la estación es
promedio.
Ejemplo índice estacional
Método de descomposición con componentes
de tendencia y estacional
El proceso de aislar los factores de tendencia lineal y estacional para desarrollar
pronósticos más exactos se llama descomposición.
Pasos para desarrollar un pronóstico usando el método de descomposición
1. Calcular los índices estacionales usando los PMC.
2. Eliminar la estacionalidad de los datos dividiendo cada número entre su índice
estacional.
3. Encontrar la ecuación de la recta de tendencia empleando los datos sin
estacionalidad.
4. Pronosticar para periodos futuros con la recta de tendencia.
5. Multiplicar el pronóstico de la recta de tendencia por el índice estacional
adecuado.
ejemplo
El primer paso es calcular los índices estacionales
para cada estación, visto anteriormente. Luego,
se elimina la estacionalidad de los datos
dividiendo cada número entre su índice
estacional, como se indica en la tabla.
Después se encuentra una recta de tendencia
usando los datos sin estacionalidad
Y = 124.78 + 2.34 X
Turner Industries, el pronóstico para el primer
trimestre del año 4 (periodo X = 13 e índice
estacional I1 = 0.85) se encuentra como sigue:
Y = 124.78 + 2.34 (13) = 155.2
(Y)x(I) = 155.2 (0.85) = 131.92
Caso 8. Jaguar XJ8
La demanda trimestral del Jaguar XJ8 en una distribuidora de Nueva
York se pronostica con la ecuación:
Y = 10 + 3X
La demanda de los sedanes de lujo es estacional y los índices para los
trimestres 1, 2, 3 y 4 son, respectivamente, 0.80, 1.00, 1.30 y 0.90.
Usando la ecuación de tendencia, pronostique la demanda para cada
trimestre del siguiente año. Luego, ajuste cada pronóstico según las
variaciones estacionales (trimestrales).
Modelos de programación lineal
La programación lineal (PL) es una técnica de modelado matemático
ampliamente utilizada, que está diseñada para ayudar a los gerentes en
la planeación y toma de decisiones respecto a la asignación de recursos.
En el mundo de la ciencia de la administración, programar se refiere a
modelar y resolver matemáticamente un problema.
Todos los problemas buscan maximizar o minimizar alguna cantidad, por
lo general la utilidad o el costo. Nos referimos a esta propiedad como la
función objetivo de un problema de PL.
La segunda propiedad que los problemas de PL tienen en común es la
presencia de limitaciones o restricciones, que acotan el grado en que se
puede alcanzar el objetivo.
Formulación de problemas de PL
La formulación de un programa lineal implica el desarrollo de un modelo
matemático que represente el problema administrativo. Por lo tanto, para
formular un programa lineal, es necesario entender cabalmente el problema
administrativo al que se enfrenta. Una vez que se haya entendido, es posible
comenzar a desarrollar la formulación matemática del problema. Los pasos en la
formulación de un programa lineal son los siguientes:
1. Entender cabalmente el problema administrativo que se enfrenta.
2. Identificar el objetivo y las restricciones.
3. Definir las variables de decisión.
4. Utilizar las variables de decisión para escribir expresiones matemáticas de la
función objetivo y de las restricciones.
Caso ejemplo
La compañía Flair Furniture fabrica mesas y sillas de bajo precio. El
proceso de fabricación de cada una es similar, ya que ambas requieren
cierto número de horas de trabajo de carpintería, así como cierto número
de horas de trabajo en el departamento de pintura y barnizado. Cada mesa
requiere de 4 horas de carpintería y 2 horas en el taller de pintura y
barnizado. Cada silla requiere de 3 horas de carpintería, y 1 hora en la
pintura y barnizado. Durante el periodo de producción actual, están
disponibles 240 horas de tiempo de carpintería, así como 100 horas de
tiempo de pintura y barnizado. Cada mesa vendida genera una utilidad de
$70; cada silla fabricada se vende con una utilidad de $50. El problema de
Flair Furniture es determinar la mejor combinación posible de mesas y
sillas a fabricar, con la finalidad de alcanzar la utilidad máxima.
continua
Empezamos con un resumen de la información necesaria para
formular y resolver este problema
Método grafico
Para encontrar la solución óptima de un problema de PL, primero se debe
identificar un conjunto, o región, de soluciones factibles. El primer paso para
hacerlo consiste en graficar cada restricción del problema.
4T + 3C <= 240 2T + 1C <= 100
Analisis de sensibilidad
Los expertos han dicho a John que, estadísticamente, de todos los nuevos
productos con un mercado favorable (MF), los estudios de mercado eran positivos
y predijeron el éxito correctamente 70% de las veces, y 30% de las veces los
estudios predijeron falsamente resultados negativos, o mercado desfavorable
(MD). Por otro lado, cuando en realidad había un mercado desfavorable para un
nuevo producto, 80% de los estudios predijeron correctamente resultados
negativos. Los estudios dieron una predicción incorrecta de resultados positivos el
restante 20% de las veces.
Caso 9. Mini warehouses
Personal Mini Warehouses planea ampliar su exitoso negocio de Orlando hacia Tampa. Para hacerlo,
la compañía debe determinar el número de almacenes de cada tamaño que tendría que construir.
Su objetivo y sus restricciones son las siguientes:
Maximizar las ganancias mensuales = 50X1 + 20X2
sujetas a 2X1 + 4X2 <= 400 (presupuesto disponible para publicidad)
100X1 + 50X2 <= 8000 (pies cuadrados requeridos)
X1 <= 60 (límite de renta esperado)
X1, X2 >= 0 (no negatividad)
