Resumen
métodos
cuantitativ
os
ADMINISTRACION DE
OPERACIONES I
MARTÍNEZ FLORES EFRAÍN
Método de promedio móvil simple
Esta técnica se utiliza cuando se quiere dar más importancia a conjuntos de datos
más recientes para obtener el pronóstico. El pronóstico se obtiene al calcular la
media aritmética del conjunto de datos más recientes seleccionado. Cada vez que
se tiene una nueva observación se agrega esta al conjunto de datos, y se elimina
de éste la observación o dato más antiguo. El número de datos más recientes a
considerar en el conjunto de observaciones del cual se calcula la media aritmética
es una decisión del analista que realiza el pronóstico; la sensibilidad a los cambios
en el comportamiento de la serie se reduce al utilizar un número mayor de
observaciones en el conjunto de datos. Este modelo no maneja muy bien los datos
con estacionalidad o con tendencia pero si lo hace mejor que la técnica del
promedio simple.
La siguiente ecuación establece el modelo del promedio móvil simple.
Aquí se muestra que el valor pronosticado es igual al promedio móvil.
En donde
PMt es el promedio móvil en el periodo t.
Pt+1 es el valor pronosticado para el siguiente periodo.
Xt es el valor real observado en el periodo t.
n es el número de datos utilizados para el cálculo de la media aritmética.
Método de promedio móvil ponderado
Mientras, en el promedio móvil simple se le asigna igual importancia a cada uno
de los datos que componen dicho promedio, en el promedio móvil
ponderado podemos asignar cualquier importancia (peso) a cualquier dato del
promedio (siempre que la sumatoria de las ponderaciones sean equivalentes al
100%). Es una práctica regular aplicar el factor de ponderación (porcentaje) mayor
al dato más reciente.
El pronóstico de promedio móvil ponderado es óptimo para patrones de demanda
aleatorios o nivelados donde se pretende eliminar el impacto de los elementos
irregulares históricos mediante un enfoque en períodos de demanda reciente,
dicho enfoque es superior al del promedio móvil simple.
Fórmula
Método de suavización exponencial
Puede considerarse como una evolución del método de promedio móvil
ponderado, en éste caso se calcula el promedio de una serie de tiempo con un
mecanismo de autocorrección que busca ajustar los pronósticos en dirección
opuesta a las desviaciones del pasado mediante una corrección que se ve
afectada por un coeficiente de suavización.
Así entonces, este modelo de pronóstico precisa tan sólo de tres tipos de datos: el
pronóstico del último período, la demanda del último período y el coeficiente de
suavización.
Es óptimo para patrones de demanda aleatoria o nivelada donde se pretende
eliminar el impacto de los elementos irregulares históricos mediante un enfoque en
períodos de demanda reciente, este posee una ventaja sobre el modelo de
promedio móvil ponderado ya que no requiere de una gran cantidad de períodos y
de ponderaciones para lograr óptimos resultados.
Fórmulas
Para efectos académicos suele proporcionarse el factor de suavización, sin
embargo en la práctica éste es comúnmente hallado de la forma descrita arriba.
Método de regresión lineal
El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una
variable aleatoria a cuando b toma un valor específico. La aplicación de este
método implica un supuesto de linealidad cuando la demanda presenta un
comportamiento creciente o decreciente, por tal razón, se hace indispensable que
previo a la selección de este método exista un análisis de regresión que determine
la intensidad de las relaciones entre las variables que componen el modelo.
El pronóstico de regresión lineal simple es un modelo óptimo para patrones de
demanda con tendencia (creciente o decreciente), es decir, patrones que
presenten una relación de linealidad entre la demanda y el tiempo.
El coeficiente de correlación, comúnmente identificado como r o R , es una medida
de asociación entre las variables aleatorias X y Y, cuyo valor varía entre -1 y +1.
El cálculo del coeficiente de correlación se efectúa de la siguiente manera:
Dónde t hace referencia al variable tiempo y x a la variable demanda.
Fórmulas
Donde:
