UNIDAD 5 PRONSTICOS DE INVENTARIOS

Instituto Tecnolgico Superior de AcayucanIngeniera En Gestin EmpresarialNombres de los alumnos: GARCA CRUZ ADELA, GUILLEN BAEZA KEIRY LILIANA, PALACIOS OCHOA LUZ DEL CARMEN, TREJO MEZA ALAN RAFAELNmero y nombre de equipo: EQUIPO 4 BLUERED

Investigacin de OperacionesCUESTIONARIO

Semestre: _4________________Grupo: _405-A______________

Nombre del Docente: Ramrez 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 operacionesQuinta edicinEscrito por Jay Heizer, Barry RenderPg. 104 capitulo 4 Pronsticos Editorial PEARSON educacin

2. REALICE UNA CLASIFICACIN DE LOS TIPOS DE PRONSTICOSUn 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 operacionesQuinta edicinEscrito por Jay Heizer, Barry RenderPg. 106 capitulo 4 Pronsticos Editorial PEARSON educacin

3. QU PASOS SE DEBEN DE SEGUIR PARA LA ELABORACIN DE PRONSTICOS?1. Determinar el uso de pronostico2. Seleccionar los aspectos que se deben de pronosticar3. Determinar el horizonte del pronostico4. Seleccionar los modelos del pronostico5. 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 operacionesQuinta edicinEscrito por Jay Heizer, Barry RenderPg. 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 {X1= 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 operacionesSptima edicinEscrito por Hiller, Lieberman Pg. 1014 capitulo 20 Pronsticos Editorial MC GRAN HILL

5. EXPLIQUE LOS COMPONENTES DE LAS SERIES DE TIEMPO.COMPONENTEDESCRIPCIN

TendenciaEs 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 tendencia.

CiclosSon patrones, detectados en los datos, que ocurren cada cierta cantidad de aos. Usualmente estarn sujetos al ciclo comercial y son de gran importancia para el anlisis o planeacin del negocio a corto plazo.

EstacionalEs un patrn de datos que se repite despus de un periodo de da, semanas, meses o trimestres.

AleatorioSon seales generadas en los datos por casualidad o por situaciones inusuales. No siguen ningn patrn discernibles y por lo tanto no se puede predecir.

Principios de administracin de operacionesQuinta edicinEscrito por Jay Heizer, Barry RenderPg. 110 capitulo 4 Pronsticos Editorial PEARSON educacin

6. POR QU ES TIL ANALIZAR LAS SERIES DE TIEMPO? CITE EJEMPLOSEs til analizar las series de tiempo, ya que hace proyecciones opronsticossobre 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 comportamientode las actividades bajo la influencia de ellas; por ejemplo, en la proyeccin de ventas de un producto o de unserviciode unaempresase calculan los posiblesprecios, la reaccin delconsumidor, la influencia de lacompetencia, 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.Internethttp://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-series-de-tiempo/http://www.monografias.com/trabajos87/analisis-tendencia-series-tiempo/analisis-tendencia-series-tiempo.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 escalade 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+epresente= a+b1pasado+een 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.Internethttp://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.

Graficando los datos de la tabla en el diagrama de dispersin podemos observar la coleccin de los 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

= pendientex = 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)

b1=Estimador puntual de (pendiente)Para el clculo de b0 y b1 se utilizamos las siguientes frmulas:

Donde:SS = suma de cuadradosb1 = pendienteb0 = ordenada al origenn = nmero de pares de datosEn la tabla incluimos las sumatorias que utilizaremos para el clculo de las frmulas.

Calculando b0 y b1 tenemos:SSx = 1575.50SSy = 82.88SSxy = -212.25b1 = -0.13472b0 = 46.39099

La ecuacin de prediccin de mnimos cuadrados es:

=>

ErrorLos errores se denominan frecuentemente residuales. Podemos observar en la grfica de regresin los errores indicados por segmentos verticales.

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 , se encuentra dividiendo SSE entre n-2

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 = 3.007Ejemplo 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.

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.

SSx = 1154.86SSy = 24207.71SSxy = 5193.43b1 = 4.4970b0 =57.5567SSE = 852.70

= 170.54y = 57.5567 + 4.497xa) b0 =57.5567b) b1 = 4.4970c) = 170.54d) 57.5567 + 4.497(36) = 219.44 usde) 57.5567 + 4.497(29) = 187.96 usd

Inferencias sobre el modelo de regresin lineal.

Para usar la ecuacin de regresin , con propsitos de prediccin, queremos estar razonablemente seguros de que la pendiente de la ecuacin de regresin no es cero. Ya que si , entonces para cualquier valor de x, sera idntica a , como se muestra en la figura. Siendo este el caso el modelo no sera apropiado.

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 + SSRDonde:SSE = Suma de cuadrados del errorSSR = Suma de cuadrados de la regresinSSE = SSy-b1SSxySSR = b1SSyPrueba 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 , usando

En el ejemplo 1 y 2 obtuvimos los siguientes valores:SSxy = -212.25b1 = -0.13472

La suma de cuadrados para la regresin SSR se calcula mediante:SSR = b1SSxy = (-212.25)(-0.1347) =28.5901Hallamos el estadstico de prueba F:

=

Se encuentra el valor crtico F0.05(1,6) = 5.99. Como F = 3.16