Administracin de

operaciones I

1. Pronsticos

Pronstico de demanda
Es una estimacin cuantitativa de la
demanda futura de productos o servicios.
La elaboracin de pronsticos de
demanda es fundamental, ya que todas
las actividades de la empresa dependen
del volumen de negocios que se va a
realizar.

Mtra. Maribel Beltrn Castelo

Ejemplos de Pronsticos
* Programa de produccin
* Poltica de inventarios
* Capacidad productiva de la planta
* Presupuestos
* Sistemas de distribucin
* Mtodos de produccin
* Desarrollo de nuevos productos
* Etc.

Mtra. Maribel Beltrn Castelo

Variaciones de la
demanda
Respecto

al

tiempo:

a) variaciones debido a la tendencia: el simple

hecho de que la demanda est aumentando o
disminuyendo consistentemente conduce a que
cada semana, cada mes y cada ao esta misma
demanda sea diferente. En este caso, la
demanda vara porque hay tendencia y sta
podr seguir una lnea recta, una linea curva
exponencial o cualquier otro tipo de lnea. Este
tipo de variacin no es difcil de predecir.

Mtra. Maribel Beltrn Castelo

Variaciones de la
demanda
Respecto

al

tiempo:

b) variaciones cclicas: son aqullas que

se repiten peridicamente cada determinado
nmero de das, semanas, meses o aos.
Como ejemplos podemos mencionar las
variaciones que se observan cada 6 aos
debido al cambio de presidente en Mxico o
el aumento de la demanda de las tiendas de
autoservicio durante los fines de semana.

Mtra. Maribel Beltrn Castelo

Variaciones de la
demanda
Respecto

al

tiempo:

c) variaciones estacionales: son un tipo

especial de variacin cclica, para la cual el
ciclo es igual a un ao. Por lo tanto, las
variaciones estacionales se observan
siempre en los mismos meses o en las
mismas estaciones del ao. Es ms fcil
predecir las variaciones estacionales que las
demas variaciones cclicas.

Mtra. Maribel Beltrn Castelo

Variaciones de la
demanda
Respecto

al

tiempo:

d) variaciones provocadas por otra

variables que no sean el tiempo: estas
son aquellas variaciones provocadas por
variables como la inflacin, la tasa de
crecimiento del PIB, la paridad peso-dlar, el
gasto en publicidad, el precio del producto o
servicio, el nivel de vida de la poblacin, etc.

Mtra. Maribel Beltrn Castelo

Variaciones de la
demanda
Respecto

al

tiempo:

e) variaciones aleatorias: son todas aquellas

variaciones que ocurren al azar y que, por
definicin, no pueden predecirse. Como ejemplos,
podemos mencionar las variaciones provocadas
por eventos no esperados (cclones, terremotos),
por cambios en los gustos de los consumidores o
por la irregularidad misma de los hbitos de
compra de los consumidores.

Mtra. Maribel Beltrn Castelo

Mtodos de pronsticos

a) Mtodos de anlisis de series de

tiempo: son aqullos que consideran como
nica variable independiente el tiempo, es
decir, se supone que el nico factor que
controla la magnitud de la demanda es el
tiempo.

Mtra. Maribel Beltrn Castelo

Mtodos de pronsticos

b) Mtodos causales: son aquellos que

consideran otras variables adems el
tiempo, u otras variables, en vez del
tiempo. En este libro, por ejemplo,
veremos como pronosticar la demanda en
funcin de la poblacin y del ndice
nacional de precios al consumidor.

Mtra. Maribel Beltrn Castelo

Anlisis de series de
tiempo
a) Ajuste de linea: (recta, curva exponencial y
curva potencial).
b) Promedio mvil: (simple, con ajuste de
tendencia y ponderado).
c) Promedio ponderado exponencialmente:
(simple y con ajuste de tendencia)

Mtra. Maribel Beltrn Castelo

Mtodos causales
a) Regresin lineal simple: cuando se
considera una sola variable independiente
que no sea el tiempo.
b) Regresin lineal mltiple: cuando se
considera ms de una variable (una de
ellas puede ser el tiempo).
c) Regresin no lineal

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Regresin: Es la relacin de una variable dependiente con
una o varias independientes.
Caractersticas del modelo:
Una variable dependiente.
Una o ms variables independientes.
Funcin lineal:
Y = o + 1X1 + 2X2 ++ kXk +
Se estiman los parmetros del modelo:
Y = a + bX1 + cX2 ...

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Y = o + 1 X +
Interseccin

Pendiente

Parmetros: Son las constantes que se refieren a una

poblacin .
Estadsticos: Son las constantes que se refieren a una
muestra x.
Es una variable aleatoria como error y representa al
conjuntos de factores diferentes a la vairable x que son
mltiplos pequeos y desconocidos.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
EJEMPLO DE REGRESIN SIMPLE
En el ao 2000 en Mxico, se logr una excelente cosecha
de papas. Adems, a finales de Abril se recibi una
importante donacin de uno de los pases europeos.
Considerando la produccin nacional y la donacin, el
Gobierno determin que en los meses de Mayo y Junio
debera venderse un acumulado de 18 millones de kilos. A
partir de los datos de 4 meses representativos, determinar
a qu precio se tuvo que vender el kilo de papas.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

Datos de demanda en funcin de los precios

DEMANDA (Y)
PRECIO (X)

30
3

20
7

10
10

4
24

64
44
Suma

16

11

Promedio

Y = o + 1 X
Y = 28.232 -1.112X
Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Clculos de sumatorias:
(x-)
-8
-4
-1
13
Suma 0

(x-)2
64
16
1
169
250

1 =

(y-)
14
4
-6
-12
0

( x x )( y y )
( x x )2

0 = - 1 X = 16

x2
9
49
100
576
734

(x-)(y-)
-112
-16
6
-156
-278

xy
90
140
100
96
426

- 278
250

y2
(y-)2
900
196
400
16
100
36
16
144
1416 392

-1.112

- (-1.112) (11) = 16 + 12.232 = 28.232

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

Utilizando excel:
Y = 28.232 1.112 X
Por cada unidad en el precio X, el
promedio de la demanda Y
disminuye 1.112

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Utilizando excel
Coeficiente de correlacin mltiples: puede interpretarse como el
porcentaje de variabilidad de Y explicada o debida a la recta de regresin.
Coeficiente de determinacin R2: es una medida que nos dice qu tan bien
se ajusta la recta de regresin muestral a los datos, es decir, es una medida de
bondad de ajuste [se encuentra entre 0 y 1]. Para el ejemplo el 79% de los
cambios en la demanda se explican por el precio.
El R2 ajustado: es un criterio de valoracin de la capacidad de explicacin de
los modelos de regresin, y representa el porcentaje de la varianza justificado por
la variable independiente.
El error tpico: se refiere a las variaciones que son a menudo inevitables. El
error tpico puede definirse tambin como la variacin producida por factores
distorsionantes tanto conocidos como desconocidos

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

EJEMPLO DE REGRESIN MLTIPLE

Una determinada empresa mexicana ha decidido
pronosticar la demanda de sus productos en funcin
de la poblacin (POB) y del ndice de precios al
consumidor (IPC). Los datos del pasado son:
AO

1981

1982

1983

1984

1985

1986

DEMANDA
(ton)

770

780

786

795

805

800

POB.
(millones)

71.3

73.0

74.6

76.3

77.9

79.5

IPC
(1978=1)

1.91

3.04

6.13

10.14

16.00

29.80

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

EJEMPLO DE REGRESIN MLTIPLE

Y

a
N

2
Yx
.
z
Yz . xz

Con los
orgenes
cambiados

2
2
2
x
.
z

(
xz)

2
Yz
.
x
Yx . xz

x .z
2

( xz)

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
EJEMPLO DE REGRESIN MLTIPLE
Y

a
b X cZ

Con los
orgenes
originales

x - x . y - y

b
c

2
Yz
.
x
Yx . xz

x .z
2

( xz)

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

ECUACIN DE REGRESIN:

Y = 789.3333 + (6.9168)(x) - (0.8942)(z)

Regresando a los orgenes originales:
Y = 278.2559 + (6.9168)(X) - (0.8942)(Z)
Y = 278.2559 + (6.9168)(POB) - (0.8942)(IPC)
Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
CORRIDA DEL TSP
====================================================================
LS // Dependent Variable is DEMAN
SMPL
1981 - 1986
6 Observations
====================================================================
VARIABLE
COEFFICIENT
STD. ERROR
T-STAT.
2-TAIL SIG.
====================================================================
C
277.56108
65.284106
4.2515874
0.024
POB
6.9168348
0.9014990
7.6725930
0.005
IPC
-0.8941506
0.2640463
-3.3863398
0.043
====================================================================
R-squared
0.981387
Mean of dependent var
789.3333
Adjusted R-squared
0.968978
S.D. of dependent var
13.14027
S.E. of regression
2.314398
Sum of squared resid
16.06932
Durbin-Watson stat
2.356016
F-statistic
79.08835
====================================================================
Residual Plot
obs RESIDUAL ACTUAL
FITTED
|

|
*

| 1981 0.97640 770.000 769.024

|

|*

| 1982 0.22819 780.000 779.772

|
*
|

| 1983 -2.07581 786.000 788.076

|

*
|

| 1984 -1.24891 795.000 796.249

|

|
* | 1985 2.92388 805.000 802.076
|

*
|

| 1986 -0.80376 800.000 800.804

====================================================================

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
CALIDAD DE LA ECUACIN
Ajuste
Coeficiente de determinacin
Coeficiente de determinacin ajustado
Error estndar de la regresin

Significancia
Prueba t de student.
Otras pruebas estadsticas

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

CALIDAD DE LA ECUACIN
Supuestos

Causalidad
Linealidad
Normalidad
Homocedasticidad
No-multicolinealidad
No-autocorrelacin

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Causalidad
La regresin relaciona una variable dependiente
Y con una o ms variables independientes Xi.
La regresin no tiene sentido si las Xi no causan
un cambio en Y, es decir, si no hay causalidad.
Es perfectamente posible, por ejemplo, que 2
variables estn relacionadas sin que haya
causalidad entre ellas. Es suficiente que ambas
dependan de una tercera. En estadstica, se llama
variable amenaza.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Linealidad
Este es el supuesto ms obvio. Si determinamos
una ecuacin lineal, est implcita una relacin
lineal entre Y y cada un de las Xi. Si esto no se
da, debemos cambiar a una regresin no-lineal.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Normalidad
La distribucin estadstica de los errores tienen
que ser normal con media cero. En otras
palabras, si elaboramos un histograma de
frecuencias con los errores, el resultado debe ser
una campana muy similar a la curva normal con
media cero.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
Homocedasticidad
La distribucin estadstica de los errores, adems
de normal, tiene que mantenerse idntica para
cualquiera rangos de valores de las variables, es
decir, valores grandes o valores pequeos. Por
ejemplo, los errores no deben aumentar ni
disminuir si las Xi aumentan o disminuyen. Si
esto no se cumple, decimos que hay
heterocedasticidad.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
No-multicolinealidad
Cuando las variables Xi de una ecuacin de
regresin dada estn muy correlacionadas,
decimos que hay multicolinealidad. El mismo
sentido comn sugiere que evitemos la
multicolinealidad. Es como tener en un equipo de
ftbol 2 delanteros que tienden a jugar en la misma
posicin. Por lo tanto, el supuesto es de nomulticolinealidad. La correlacin entre variables
disminuye el valor de t, por lo que la prueba t
elimina las que no contribuyen a la calidad de la
ecuacin. En otras palabras la prueba t se encarga
de evitar la multicolinealidad.
Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
No-autocorrelacin
Con mucha frecuencia (principalmente en
pronsticos de demanda) hay un error para cada
periodo de tiempo y stos pueden aumentar o
disminuir a la medida que transcurre el tiempo. Si
esto se da decimos que hay autocorrelacin. La
autocorrelacin afecta la validez de las pruebas
estadsticas, por lo que el supuesto a cumplir es la
no autocorrelacin.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
AJUSTE
R 1
2

(
Y

Y
)
i i
2
(
Y

Y
)
i

R 2 1 [(1 R 2 )( N 1) /( N p)]
SE 2

(Yi Yi )

Np

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
AJUSTE

R 0.981387
2

R 0.968978
SE 2.314398
2

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
SIGNIFICANCIA
HIPTESIS:

Ho: parmetro=0 (parmetro/variable no

tiene significancia estadstica).
Ha: parmetro0 (parmetro/variable s
tiene significancia estadstica).

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

SIGNIFICANCIA
Manualmente
Calcular por computadora el valor de t.
Sacar de tablas el valor crtico de t para el nivel de
confianza y grados de libertad correspondientes.
Comparar el valor calculado con el crtico:
Si |tcalc|>|tcrt|, se rechaza Ho.
Si |tcalc|<|tcrt|, se acepta Ho.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
SIGNIFICANCIA
A travs del TSP, EViews, etc.
Seleccionar el nivel de confianza (alfa).
Sacar de la corrida el valor de 2-TAIL SIG o de p.
Comparar el valor de alfa con 2-TAIL SIG o p:
Si 2-TAIL SIG < alfa, se rechaza Ho.
Si 2-TAIL SIG > alfa, se acepta Ho.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

COMPROBACIN DE SUPUESTOS
A travs de la teora.
Agregando a la ecuacin variables amenaza.
A travs de las grficas de errores.
A travs del histograma de errores.
A travs de la prueba t.
A travs de la prueba Durbin-Watson.

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL

COMPROBACIN DE SUPUESTOS
E

A)

.. .... .. .. . ... . . .
.... .... ...... .. . ...
.. ...
. . .. .. ... ...

Patron nulo

. .
.
..
.
.
.
..
.
. . ... .. . . .. .
.
. .. . .. . .
. . . .. . .. .. ..
.. . ..

A)

Heterocedasticida

Y
d

A)

A)

No linealidad
E

.. . ..
.
.
. .. . ... .....
....... . ...
..
.

..... .
.
.. ......
.. .. ... ..
T
Autocorrelacion

Mtra. Maribel Beltrn Castelo

REGRESIN LINEAL
OTROS ASPECTOS IMPORTANTES
Seleccin de variables independientes.
Mtodo exhaustivo.
Mtodo stepwise.

Sinergia entre las variables.

Regresin lineal con estacionalidad.
Ajuste de polinomios.

Mtra. Maribel Beltrn Castelo