UNIVERSIDAD EAN

FACULTAD DE ADMINISTRACIÓN, FINANZAS Y CIENCIAS ECONÓMICAS

GESTIÓN DE OPERACIONES

GUÍA 1
INTRODUCCIÓN A LA GESTIÓN DE OPERACIONES

PRESENTADO POR

FABIAN ANDRES QUINTERO RODRIGUEZ

LAURA MILENA ORTIZ HOYOS
LUZ ANGELICA TORRES PIRAQUIVE
SANDRA LILIANA LOPEZ VELA

TUTOR

JOHANNA MILDRED MÉNDEZ

BOGOTÁ, D.C., 13 DE OCTUBRE DE 2019

 CONTENIDO

1. Objetivos
2. Solución punto 2.1
3. Solución punto 2.2
4. Solución punto 2.3
5. Solución punto 2.4
6. Solución Ejercicios prácticos punto 2.5
7. Solución Ejercicios prácticos punto 2.6
7.1 Hoja de trabajo Punto 2.6 Promedio 1 Movil
7.2 Hoja de trabajo Punto 2.6 Promedio 3 Movil
7.3 Hoja de trabajo Punto 2.6 Método S.E.
7.4 Hoja de trabajo Punto 2.6 Método R.L.
7.5 Hoja de trabajo Punto 2.6 Parte f - Conclusiones
8. Solución Ejercicios prácticos punto 2.7
8.1. Hoja de trabajo Punto 2.7
9. Referencias
 OBJETIVOS

- Iniciar la introducción a la gestión de operaciones.

- Entender la diferencia entre producción y productividad
- Lograr realizar los calculos matemáticos para hallar la productividad de una organización
- Comprender la importancia de la administración de proyectos
- Reconocer la importancia de los pronósticos para todas las actividades de administración, cadena de suministro, capacidad y RRHH.
- Utilización de las herramientas recomendadas: Excel OM y POM.
apacidad y RRHH.
 ¿Por que hay que estudiar Gestion de Operaciones?

Para poder responder a esta pregunta primero debemos conocer un poco más el
concepto de que es la Gestión de Operaciones en donde acudimos a la definición del
libro (Administración de operaciones, séptima edición, J.Heizer, B. Render, 2009,
pag. 4) "Es un conjunto de actividades que crean valor en forma de bienes y
servicios al transformar los insumos en productos terminados".
Ahora si respondamos a la pregunta planteada por el tutor dentro la guía Nº1: La
razones por la cuales se debe estudiar Gestión de Operaciones son 4:

1. La GO es una de las tres funciones principales de cualquier organización y se le

relaciona integralmente con el resto de las funciones empresariales. Todas las
Organizaciones comercializan, financian, y producen, y es importante saber cómo
funciona la actividad de la GO, por lo tanto esta estudia cómo se afecta la tarea
productiva de un proceso.
2. La GO estudia cómo se producen los bienes y servicios. La función de
producción es el segmento de nuestra sociedad que crea los productos y servicios
que usamos.
3. La GO busca comprender lo que hace un administrador de operaciones.
4. La GO estudia los costos de una organización para mejorar su rentabilidad y que
eleven sus servicios a la sociedad.
2.2. Artículo de una revista científica o técnica donde se reporte una experiencia de mejora en una empresa que produzca un
aumento de la productividad.

Metodología para la programación del despacho de buses urbanos basada en manufactura esbelta

El presente artículo pretende utilizar el modelo del Lean Manufacturing para organizar y normalizar los horarios
de salida de buses pertenecientes al Sistema Integrado de Transporte de Fusagasugá. Este modelo que se
presenta a continuación es una analogía del modelo de surtida de materiales [5] diseñado para un proceso
productivo y fue adaptado al diseño de horarios para rutas de un municipio. En la aplicación, a través de una
muestra representativa, un número finito de buses asignados a ciertas rutas, se les distribuye la cantidad de
viajes durante el día estandarizando los horarios que deben cumplir bajo parámetros de demanda y capacidad,
y así prestar un servicio más óptimo, confiable y organizado a la comunidad gracias a la disminución de tiempos
muertos no tomados en cuenta, la eliminación del factor humano (su influencia en la variabilidad de los sistemas),
suprimir la preferencia entre sujetos y el seguimiento y control de los buses por parte de las empresas.

El presente artículo muestra el desarrollo del algoritmo de aproximación de manufactura esbelta aplicado al Sistema
Integrado de Transporte de Fusagasugá. Por cuestiones técnicas y para la aplicación del mismo, surgió la necesidad
de realizar ciertas analogías con el fin de poderlo aplicar al problema que se plantea en este escrito.

Sin embargo, siempre se mantuvo la finalidad del algoritmo, que está ligada directamente con la manufactura esbelta:
eliminar los desperdicios de un proceso productivo. En segundo lugar, se realiza un análisis exhaustivo de los datos que
arroja el algoritmo después de su aplicación, con el fin de dar a conocer la importancia de tener un orden de salidas de
los buses de diferentes rutas del Sistema Integrado de Transporte de Fusagasugá. Para finalizar, se revisan los datos de
salida del algoritmo para concluir sobre los resultados del mismo. (D. Buriticá1, R. Soto1, O. Perilla1. Junio 2014).
que produzca un

elta

horarios
ue se
oceso
e una
ad de
acidad,
tiempos
stemas),
as.

al Sistema
necesidad
o.

ra esbelta:
os datos que
salidas de
los datos de
io 2014).
2.3 Una empresa trabaja diariamente en dos turnos de 8 horas cada turno, a lo largo de cinco días a la semana.
Una sección de dicha empresa consta de cuatro máquinas que se utilizan el 70% del tiempo con una eficiencia
del sistema del 90%. Determine el output de la sección por semana.

Turnos Horas Días Maquinas Tiempo Eficiencia Total horas semana

2 8 5 4 70% 90% 201.60
2.4. Una empresa de ensamblaje de motos tenía 60 trabajadores, cada uno de los cuales trabajó 8 horas diarias, 5
días a la semana, durante 48 semanas cada año, logrando una producción de 230.400 motos. Este año se jubilaron 10
trabajadores, los restantes trabajaron el mismo número de horas que el año anterior alcanzando una producción
anual de 288.000 unidades.

- Calcule el incremento de productividad conseguido por la empresa.

- Indique cómo es posible incrementar la producción reduciendo el número de trabajadores.

Trabajadores Horas Dia Dias Semana Semanas Unidades Total Horas Motos/Hora
Año1 60 8 5 48 230,400 115,200 2
Año 2 50 8 5 48 288,000 96,000 3
Tuvieron un Incremento del 50%

2. Indique cómo es posible incrementar la producción reduciendo el número de trabajadores.

- Capacitaciones para los 50 empleados restantes, con el fin de desarrollar habilidades estratégicas (trabajo en equipo)
- Optimizar el proceso de producción rediseñando este proceso con el fin de reducir pasos innecesarios con el fin de cubrir la producción del personal fa
- Adquirir máquinaria con mejor tecnología
- Una compensación salarial por el aumento en la productividad
oducción del personal faltante
 EJERCICIO PRÁCTICO 2.5

La fábrica de Renault en Valladolid es una de las más importantes de España. En SOFASA-Renault se desarrolla
ciclo comienza con la Gestión de Mercadeo, que investiga y determina la demanda del mercado. Después, Plan
volúmenes y referencias necesarios, para que desde aprovisionamiento se gestione la recepción de las piezas, de l
otros lugares del mundo, y de las piezas locales, bajo la modalidad Justo a Tiempo. Una vez en la plan

En su planta trabajan 7.000 personas divididas en turnos de mañana, tarde y noche. Actualmente la producción
producción la producción anual se sitúa en torno a 425.000 unidades que se distribuyen para su venta, por
El proceso de producción de un auto comienza en las prensas, en las que se estampan las piezas que formarán la
las que las piezas son transportadas automáticamente de matriz en matriz (así se logra que el proceso sea contin
carrocería del vehículo. Las prensas se encuentran dentro de un recinto insonorizado con el fin de e
Los talleres de chapistería, protagonistas de la segunda fase del proceso, son los más automatizados de la fábrica
prácticamente el 100% de los puntos de soldadura de la carrocería, para lo que se emplea en determinadas zo
excelente precisión del acabado, controlado mediante ultrasonidos. Durante el proceso de ensamblaje, el vehí
medición on line de la carrocería.

A continuación, se desarrolla el pintado en dos naves diferentes. En la primera, se lleva a cabo la fase de pretratam
la resistencia a la corrosión. En la segunda se aplican, mediante robots, las diferentes capas de color y lacado, tant
Los dos talleres están construidos y acondicionados teniendo en cuenta los métodos antipolución más actuales
completa de los disolventes por agua, lo que impide que la contaminación afecte tanto al entor

Una vez pintado el vehículo, las carrocerías se trasladan al taller de premontaje, donde se ensamblan parte de la
talleres de montaje la carrocería recibe de manera automática el grupo moto

Posteriormente, se montan el resto de piezas interiores del coche. La totalidad de los vehículos salidos de las lí
garantizan su calidad antes de pasar a los muelles de distribución, desde donde son enviados a los conc

Datos

Consumo diario de agua 7,901 m3 Valor unitario por m3

Consumo diario de electricidad: 1,276,668 kwh Valor unitario de Kwh
Consumo diario de gas 2,290,913 kwh Valor unitario de kwh

Producción / día 2,000 unidades

Velocidad de fabricación 1 coche cada 40

Viales interiores:
kilómetros de vías de ferrocarril 10.5
kilómetros de calles. 25

Pago de la mano de obra: 300

 Precio promedio automóvil 2,000
Capital 600,000,000

a ¿Calcule la productividad laboral actual?

b ¿Cuál es la productividad multifactorial?
c Interprete el valor del punto anterior.
d ¿Cuál es el valor de la productividad si el pago de la mano de obra se triplica?
e ¿Cuál es el incremento porcentual en la productividad

Desarrollo

a ¿Calcule la productividad laboral actual?

Datos
No. Trabajadores 7,000
Produccion anual 425,000

Producción anual Trabajadores Productividad laboral

850,000,000 2,100,000 404.76

R/ La productividad laboral es de 404.76

b ¿Cuál es la productividad multifactorial?

Dato
Producción anual 850,000,000

Mano de Obra Agua Electricidad

Año 1 2,100,000 1,903,351 69,897,573
Productividad 404.76 446.58 12.16

Productividad multifactorial 0.86

c Interprete el valor del punto anterior.

Al tomar los datos del total de unidades producidas el ultimo año por su costo de venta obtenemos los outputs. Ah
utilizamos como insumos, en este caso: mano de obra, gastos general y capital, la división de esta información da
Renault obtienen una productividad de unidades producidas por recurso invertido de 0.86.

d ¿Cuál es el valor de la productividad si el pago de la mano de obra se triplica?

Dato
 Producción anual 850,000,000

Mano de Obra Agua Electricidad

Año 2 6,300,000 1,903,351 69,897,573
Productividad 134.92 446.58 12.16

Productividad multifactorial 0.85

e ¿Cuál es el incremento porcentual en la productividad?

Dato
Producción anual 850,000,000

Producción anual Mano de Obra Agua

Año 1 850,000,000 2,100,000 1,903,351
Año 2 850,000,000 6,300,000 1,903,351
Productividad año 1 405 447
Productividad año 2 135 447
Cambio en la productividad -66.67% 0.00%
CO 2.5

A-Renault se desarrollan diversos procesos operativos y de soporte. El

mercado. Después, Planificación se encarga de definir cuáles son los
pción de las piezas, de las piezas importadas que llegan desde Francia y
mpo. Una vez en la planta, se inicia el proceso de fabricación

tualmente la producción diaria de la empresa es de 2.000 unidades y

uyen para su venta, por carretera, mar y ferrocarril a 72 países.
piezas que formarán la carrocería. El recinto dispone de tres líneas, en
ue el proceso sea continuo) para dar forma a todos los elementos de la
onorizado con el fin de evitar la contaminación acústica.
matizados de la fábrica y en ellos más de mil robots se encargan de unir
lea en determinadas zonas la tecnología láser, lo que garantiza una
o de ensamblaje, el vehículo es sometido a un exhaustivo control de
ocería.

cabo la fase de pretratamiento de las superficies con el fin de garantizar

s de color y lacado, tanto en el interior como en el exterior del vehículo.
ntipolución más actuales. Asimismo, se ha realizado una sustitución
ión afecte tanto al entorno como al propio operario.

e ensamblan parte de las piezas interiores. Concluida esta fase, en los

tomática el grupo motopropulsor.

hículos salidos de las líneas son sometidos a rigurosos controles que

son enviados a los concesionarios SEAT de todo el mundo.

0.66
0.15
0.38

segundos
 Gas Capital
317,749,633 600,000,000
2.68 1.42

enemos los outputs. Ahora, para hallar los inputs tomamos todo lo que
de esta información da como resultado 0.86, lo que quiere decir, que
 Gas Capital
317,749,633 600,000,000
2.68 1.42

Productividad
Electricidad Gas Multifactorial
69,897,573 317,749,633
69,897,573 317,749,633
12 3 0.86
12 3 0.85
0.00% 0.00% -0.42%
 Ejercicio Practico 2.6

Una empresa fabrica herramientas especializadas para construir bicicletas de motor. Todos sus productos se elaboran bajo pedido, por lo que la
compañía nunca sabe exactamente qué componentes comprar para una herramienta hasta que el cliente coloca una orden. Sin embargo, la
compañía piensa que la demanda semanal de unos cuantos componentes es bastante estable. El componente JMMS0318 es uno de ellos. A
continuación se muestran las últimas 26 semanas de utilización histórica del componente JMMS0318.
Use los valores establecidos para los pronósticos:

Ejercicio práctico 3.5.

Semana Demanda a) Calcule el promedio móvil de un periodo. 119

1 137
2 136 b) Calcule el promedio móvil de tres periodos. 118
3 143
4 136 c) Grafica los datos y los pronósticos de un y tres periodos e interpreta los datos.
5 141
6 128 Grafica de un periodo
7 149
8 136 Forecasting
9 134
160
10 142
11 125 140
12 134 120
13 118
14 131 100
15 132 80
Value

60

40
 120

100

80

Value
16 124
17 121 60
18 127 40
19 118
20 120 20
21 115 0
22 106

1
3
5
7
9

21

25
11
13
15
17
19

23
23 120
24 113 Time
25 121
26 119 Demand Forecast

Interpretación

Se observa en la gráfica que los promedios móviles no tiene gran variedad

ni alteración entre cada periodo, su demanda del mercado permanece
relativamente estable en el tiempo.

Grafica de tres periodos

Forecasting
160

140

120

100

80
Value

60

40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25
 60

V
40

20

0
1 3 5 7 9 11 13 15 17 19 21 23 25

Time

Demand Forecast

Interpretación

No tiene gran variedad ni alteración entré los tres periodos analizados para
este punto, su demanda del mercado sigue permaneciendo relativamente
estable en el tiempo al igual que en el análisis del promedio móvil de un
solo periodo, si por el contrario hubiéramos visto gran variedad par este se
vería una gran variedad y diferencia en tres periodos.

d) Realice el pronóstico por medio del método de suavizamiento 118

exponencial con valor inicial de 137 y α=.28
e) Realice el prónostico por proyección de tendencia con regresión. 112

f) Calcule la MAD, MSE y MAPE para los dos primeros métodos.

¿Qué le permiten concluir estos resultados?

Forecast Error Absolute Squared Abs Pct Err

Promedio Movil de Un
8.24 95.20 0.06
periodo
MAD MSE MAPE

Promedio Movil de 5.79710145 53.48 0.05

Tres periodos MAD MSE MAPE

Conclusiones
Para este caso podemos concluir que al determinar los promedio de UNO y
TRES periodos y que en ellos no se muestra una gran variacion entre los
dos es mas viable el de Periodo Movil de TRES ya que muestra menor
error en sus resultados como lo podemos ver aqui arriba.
Forecasting Moving averages - 1 period moving average
Enter
Enter the
the past
past demands
demands in
in the
the data
data area
area

Num pds 1

Data Forecasts and Error Analysis

Period Demand Forecast Error Absolute Squared
Period 1 137
Period 2 136 137 -1 1 1
Period 3 143 136 7 7 49
Period 4 136 143 -7 7 49
Period 5 141 136 5 5 25
Period 6 128 141 -13 13 169
Period 7 149 128 21 21 441
Period 8 136 149 -13 13 169
Period 9 134 136 -2 2 4
Period 10 142 134 8 8 64
Period 11 125 142 -17 17 289
Period 12 134 125 9 9 81
Period 13 118 134 -16 16 256
Period 14 131 118 13 13 169
Period 15 132 131 1 1 1
Period 16 124 132 -8 8 64
Period 17 121 124 -3 3 9
Period 18 127 121 6 6 36
Period 19 118 127 -9 9 81
Period 20 120 118 2 2 4
Period 21 115 120 -5 5 25
Period 22 106 115 -9 9 81
Period 23 120 106 14 14 196
Period 24 113 120 -7 7 49
Period 25 121 113 8 8 64
Period 26 119 121 -2 2 4
Total -18 206 2380
Average -0.72 8.24 95.2
Bias MAD MSE
SE 10.172426499
Next period 119
Abs Pct Err

00.74%
04.90%
05.15%
03.55%
10.16%
14.09%
09.56%
01.49%
05.63%
Forecasting
13.60% 160
06.72%
140
13.56%
09.92% 120
00.76%
06.45% 100
02.48%
04.72% 80
Value

07.63%
60
01.67%
04.35% 40
08.49%
11.67% 20
06.19%
06.61% 0
01.68%
1
3
5
7
9

13

19

25
11

15
17

21
23

161.76%
06.47% Time
MAPE
Demand Forecast

Interpretación: Se observa en la gráfica que los promedios

móviles no tiene gran variedad ni alteración entre cada
periodo, su demanda del mercado permanece
relativamente estable en el tiempo.
Forecasting Moving averages - 3 period moving average
Enter
Enter the
the past
past demands
demands in
in the
the data
data area
area

Num pds 3

Data Forecasts and Error Analysis

Period Demand Forecast Error Absolute Squared
Period 1 137
Period 2 136
Period 3 143
Period 4 136 138.66666667 -2.666666667 2.6666666667 7.1111111111
Period 5 141 138.33333333 2.6666666667 2.6666666667 7.1111111111
Period 6 128 140 -12 12 144
Period 7 149 135 14 14 196
Period 8 136 139.33333333 -3.333333333 3.3333333333 11.111111111
Period 9 134 137.66666667 -3.666666667 3.6666666667 13.444444444
Period 10 142 139.66666667 2.3333333333 2.3333333333 5.4444444444
Period 11 125 137.33333333 -12.33333333 12.333333333 152.11111111
Period 12 134 133.66666667 0.3333333333 0.3333333333 0.1111111111
Period 13 118 133.66666667 -15.66666667 15.666666667 245.44444444
Period 14 131 125.66666667 5.3333333333 5.3333333333 28.444444444
Period 15 132 127.66666667 4.3333333333 4.3333333333 18.777777778
Period 16 124 127 -3 3 9
Period 17 121 129 -8 8 64
Period 18 127 125.66666667 1.3333333333 1.3333333333 1.7777777778
Period 19 118 124 -6 6 36
Period 20 120 122 -2 2 4
Period 21 115 121.66666667 -6.666666667 6.6666666667 44.444444444
Period 22 106 117.66666667 -11.66666667 11.666666667 136.11111111
Period 23 120 113.66666667 6.3333333333 6.3333333333 40.111111111
Period 24 113 113.66666667 -0.666666667 0.6666666667 0.4444444444
Period 25 121 113 8 8 64
Period 26 119 118 1 1 1
Total -42 133.33333333 1230
Average -1.826086957 5.7971014493 53.47826087
Bias MAD MSE
SE 7.6531972777
Next period 118
Abs Pct Err

01.96%
01.89%
09.38%
09.40%
02.45%
02.74%
01.64%
09.87%
00.25% Forecasting
13.28% 160
04.07% 140
03.28%
02.42% 120
06.61% 100
01.05%
05.08% 80
Value

01.67% 60
05.80%
40
11.01%
05.28% 20
00.59%
0
06.61%
1 3 5 7 9 11 13 15 17 19 21 23 25
00.84%
107.16% Time
04.66%
MAPE
Demand Forecast

Interpretación: No tiene gran variedad ni alteración entré

los tres periodos analizados para este punto, su demanda
del mercado sigue permaneciendo relativamente estable
en el tiempo al igual que en el análisis del promedio móvil
de un solo periodo, si por el contrario hubiéramos visto
gran variedad par este se vería una gran variedad y
diferencia en tres periodos.
Forecasting Simple Linear Regression
Enter
Enter alpha
alpha (between
(between 00 and and 1),
1), enter
enter the
the past
past demands
demands in in the
the shaded
shaded column
column then
then enter
enter aa
starting
starting forecast.
forecast. IfIf the
the starting
starting forecast
forecast isis not
not in
in the
the first
first period
period then
then delete
delete the
the error
error analysis
analysis
for
for all
all rows
rows above
above the the starting
starting forecast.
forecast.
Alpha 0.28
Data Forecasts and Error Analysis
Period Demand Forecast Error Absolute Squared
Period 1 137 137 0 0 0
Period 2 136 137 -1 1 1
Period 3 143 136.72 6.28 6.28 39.4384
Period 4 136 138.4784 -2.4784 2.4784 6.14246656
Period 5 141 137.784448 3.215552 3.215552 10.339774665
Period 6 128 138.68480256 -10.68480256 10.68480256 114.16500575
Period 7 149 135.69305784 13.306942157 13.306942157 177.07470956
Period 8 136 139.41900165 -3.419001647 3.4190016471 11.689572263
Period 9 134 138.46168119 -4.461681186 4.4616811859 19.906599005
Period 10 142 137.21241045 4.7875895461 4.7875895461 22.921013662
Period 11 125 138.55293553 -13.55293553 13.552935527 183.68206139
Period 12 134 134.75811358 -0.758113579 0.7581135793 0.5747361991
Period 13 118 134.54584178 -16.54584178 16.545841777 273.76488011
Period 14 131 129.91300608 1.0869939205 1.0869939205 1.1815557832
Period 15 132 130.21736438 1.7826356228 1.7826356228 3.1777897635
Period 16 124 130.71650235 -6.716502352 6.7165023516 45.111403839
Period 17 121 128.83588169 -7.835881693 7.8358816932 61.401041909
Period 18 127 126.64183482 0.3581651809 0.3581651809 0.1282822968
Period 19 118 126.74212107 -8.74212107 8.7421210697 76.424680798
Period 20 120 124.29432717 -4.29432717 4.2943271702 18.441245845
Period 21 115 123.09191556 -8.091915563 8.0919155626 65.479097471
Period 22 106 120.82617921 -14.82617921 14.826179205 219.81558982
Period 23 120 116.67484903 3.3251509724 3.3251509724 11.056628989
Period 24 113 117.6058913 -4.6058913 4.6058912999 21.214234666
Period 25 121 116.31624174 4.6837582641 4.6837582641 21.937591476
Period 26 119 117.62769405 1.3723059501 1.3723059501 1.8832236208
Total -67.81450101 148.21268824 1407.9515854
Average -2.608250039 5.7004880093 54.151984056
Bias MAD MSE
SE 7.6592851751
Next period 118.01193972
Abs Pct Err
00.00%
00.74%
04.39%
01.82%
02.28%
08.35%
08.93%
02.51%
03.33%
03.37%
10.84%
00.57%
14.02%
00.83%
01.35%
05.42%
06.48%
00.28%
07.41%
03.58%
07.04%
13.99%
02.77%
04.08%
03.87%
0.011531983
119.39%
04.59%
MAPE
Forecasting Simple linear regression
IfIf this
this is
is trend
trend analysis
analysis thenthen simply
simply enter
enter thethe past
past demands
demands in in the
the
demand
demand column. column. IfIf this
this isis causal
causal regression
regression then then enter
enter the
the y,x
y,x pairs
pairs
with
with yy first
first and
and enter
enter aa new
new value
value of
of xx at
at the
the bottom
bottom in
in order
order to to forecast
forecast
y.y.

Data Forecasts and Error Analysis

Period Demand (y) Period(x) Forecast Error Absolute
Period 1 137 1 142.03418803 -5.034188034 5.0341880342
Period 2 136 2 140.90529915 -4.905299145 4.9052991453
Period 3 143 3 139.77641026 3.2235897436 3.2235897436
Period 4 136 4 138.64752137 -2.647521368 2.6475213675
Period 5 141 5 137.51863248 3.4813675214 3.4813675214
Period 6 128 6 136.38974359 -8.38974359 8.3897435897
Period 7 149 7 135.2608547 13.739145299 13.739145299
Period 8 136 8 134.13196581 1.868034188 1.868034188
Period 9 134 9 133.00307692 0.9969230769 0.9969230769
Period 10 142 10 131.87418803 10.125811966 10.125811966
Period 11 125 11 130.74529915 -5.745299145 5.7452991453
Period 12 134 12 129.61641026 4.3835897436 4.3835897436
Period 13 118 13 128.48752137 -10.48752137 10.487521368
Period 14 131 14 127.35863248 3.6413675214 3.6413675214
Period 15 132 15 126.22974359 5.7702564103 5.7702564103
Period 16 124 16 125.1008547 -1.100854701 1.1008547009
Period 17 121 17 123.97196581 -2.971965812 2.971965812
Period 18 127 18 122.84307692 4.1569230769 4.1569230769
Period 19 118 19 121.71418803 -3.714188034 3.7141880342
Period 20 120 20 120.58529915 -0.585299145 0.5852991453
Period 21 115 21 119.45641026 -4.456410256 4.4564102564
Period 22 106 22 118.32752137 -12.32752137 12.327521368
Period 23 120 23 117.19863248 2.8013675214 2.8013675214
Period 24 113 24 116.06974359 -3.06974359 3.0697435897
Period 25 121 25 114.9408547 6.0591452991 6.0591452991
Period 26 119 26 113.81196581 5.188034188 5.188034188
Total 2.415845E-13 130.87111111
Intercept 143.1630769 Average 9.291713E-15 5.0335042735
Slope -1.128888889 Bias MAD
SE
Forecast 112.6830769 27
Correlation
Coefficient of determination
Squared Abs Pct Err
25.343049164 03.67%
24.061959705 03.61%
10.391530835 02.25%
7.0093693915 01.95%
12.119919819 02.47%
70.387797502 06.55%
188.76411355 09.22%
3.4895517277 01.37%
0.9938556213 00.74%
102.53206797 07.13%
33.008462269 04.60%
19.21585904 03.27%
109.98810443 08.89%
13.259557426 02.78%
33.29585904 04.37%
1.2118810724 00.89%
8.8325807875 02.46%
17.280009467 03.27%
13.795192753 03.15%
0.3425750895 00.49%
19.859592373 03.88%
151.96778307 11.63%
7.8476599898 02.33%
9.4233257068 02.72%
36.713241756 05.01%
26.915698736 04.36%
948.05059829 103.06%
36.46348455 03.96%
MSE MAPE
6.2850702671

-0.814147996
0.6628369596
 Forecast Error Absolute Squared
Promedio Movil de Un 8.24 95.20 0.06
periodo MAD MSE MAPE

Promedio Movil de Tres 5.80 53.48 0.05

periodos MAD MSE MAPE

Para este caso podemos concluir que al determinar los promedio de UNO y TRES
periodos y que en ellos no se muestra una gran variacion entre los dos es mas viable
el de Periodo Movil de TRES ya que muestra menor error en sus resultados como lo
podemos ver aqui arriba.
Abs Pct Err
 2.7 Ejercicio Práctico

Una agencia de empleo está en el proceso de diseñar un programa que utilicen sus clientes en el proceso de búsqueda de empleo. Algunas
actividades incluyen ingresar la hoja de vida al sistema, adjuntar cartas de presentación o referencias, concertar citas por ofertas de empleo,
concertar entrevistas con psicólogos de intermediación laboral, realizar seguimiento al resultado final del proceso de selección, enviar
nuevos candidatos de ser requerido, etc. Parte de la información de las actividades se incluye en la siguiente tabla:

Días Predecesor
ACTIVIDAD
a m b inmediato
A 8 10 12
B 6 7 9
C 3 3 4
D 10 20 30 A
E 6 7 8 C
F 9 10 11 B, D, E
G 6 7 10 B, D, E
H 14 15 16 F
I 10 11 13 F
J 6 7 8 G, H
K 4 7 8 I, J
L 1 2 4 G, H

Project Management Precedences; 3 time estimates

Enter
Enter the
the times
times in
in the
the appropriate
appropriate column(s).
column(s). Enter
Enter the
the precedences,
precedences, one
one per
per column.
column. (Do
(Do not
not try
try to
to use
use commas).
commas).

Data
Activity Optimistic Likely Pessimistic
A 8 10 12
B 6 7 9
C 3 3 4
D 10 20 30
E 6 7 8
F 9 10 11
G 6 7 10
H 14 15 16
I 10 11 13
J 6 7 8
K 4 7 8
L 1 2 4
Precedences Immediate Predecessors (1 per column)
Activity Time Pred 1 Pred 2 Pred 3
A 0.00
B 0.00
C 0.00
D 0.00 A
E 0.00 C
F 0.00 B D E
G 0.00 B D E
H 0.00 F
I 0.00 F
J 0.00 G H
K 0.00 I J
L 0.00 G H

a. Construya una red para este problema.

b. Determine el tiempo esperado y la varianza para cada actividad.

c. Calcule IC, TC, IL, TL y la holgura para cada actividad.

d. Determine la ruta crítica y el tiempo de terminación del proyecto.

Ruta Critica: A - D - F - H - J - K
Tiempo de terminacion del proyecto: 68,7 semanas
e. Calcule la probabilidad de que el proyecto se termine en 70 días o menos.

f. Calcule la probabilidad de que el proyecto se termine en 80 días o menos.

f. Calcule la probabilidad de que el proyecto se termine en 90 días o menos.

Project Management Precedences; 3 time estimates
TIEMPO
ESPERADO DE
CADA
Data ACTIVIDAD
Activity Optimistic Likely Pessimistic Mean
A 8 10 12 10.00
B 6 7 9 7.17
C 3 3 4 3.17
D 10 20 30 20.00
E 6 7 8 7.00
F 9 10 11 10.00
G 6 7 10 7.33
H 14 15 16 15.00
I 10 11 13 11.17
J 6 7 8 7.00
K 4 7 8 6.67
L 1 2 4 2.17
Precedences Immediate Predecessors (1 per column)
Activity Time Pred 1 Pred 2 Pred 3
A 10.00
B 7.17
C 3.17
D 20.00 A
E 7.00 C
F 10.00 B D E
G 7.33 B D E
H 15.00 F
I 11.17 F
J 7.00 G H
K 6.67 I J
L 2.17 G H

Punto c.
INICIO TERMINACION INICIO LEJANO TERMINACION
Results HOLGURA
CERCANO (IC) CERCANA (TC) (IL) LEJANA (TL)
Activity Early Start Early Finish Late Start Late Finish Slack
A 0.00 10.00 0.00 10.00 0.00
B 0.00 7.17 22.83 30.00 22.83
C 0.00 3.17 19.83 23.00 19.83
D 10.00 30.00 10.00 30.00 0.00
E 3.17 10.17 23.00 30.00 19.83
F 30.00 40.00 30.00 40.00 0.00
G 30.00 37.33 47.67 55.00 17.67
H 40.00 55.00 40.00 55.00 0.00
I 40.00 51.17 50.83 62.00 10.83
J 55.00 62.00 55.00 62.00 0.00
K 62.00 68.67 62.00 68.67 0.00
L 55.00 57.17 66.50 68.67 11.50
Project 68.67

Punto e
Ruta Critica: A - D - F - H - J - K
Tiempo de terminacion del proyecto: 68,7 semanas

Early start computations

A 0.00 0.00 0.00
B 0.00 0.00 0.00
C 0.00 0.00 0.00
D 10.00 0.00 0.00
E 3.17 0.00 0.00
F 7.17 30.00 10.17
G 7.17 30.00 10.17
H 40.00 0.00 0.00
I 40.00 0.00 0.00
J 37.33 55.00 0.00
K 51.17 62.00 0.00
L 37.33 55.00 0.00

Late finish computations

A B C D E
A 68.67 68.67 68.67 68.67 68.67
B 68.67 68.67 68.67 68.67 68.67
C 68.67 68.67 68.67 68.67 68.67
D 10.00 68.67 68.67 68.67 68.67
E 68.67 68.67 23.00 68.67 68.67
F 68.67 30.00 68.67 30.00 30.00
G 68.67 47.67 68.67 47.67 47.67
H 68.67 68.67 68.67 68.67 68.67
I 68.67 68.67 68.67 68.67 68.67
J 68.67 68.67 68.67 68.67 68.67
K 68.67 68.67 68.67 68.67 68.67
L 68.67 68.67 68.67 68.67 68.67
10.00 30.00 23.00 30.00 30.00

Graph Critical Activity Noncritical ActivSlack 13

A 0.00 10.00 0.00 0.00 12.00
B 0.00 0.00 7.17 22.83 11.00
C 0.00 0.00 3.17 19.83 10.00
D 10.00 20.00 0.00 0.00 9.00
E 3.17 0.00 7.00 19.83 8.00
F 30.00 10.00 0.00 0.00 7.00
G 30.00 0.00 7.33 17.67 6.00
H 40.00 15.00 0.00 0.00 5.00
I 40.00 0.00 11.17 10.83 4.00
J 55.00 7.00 0.00 0.00 3.00
K 62.00 6.67 0.00 0.00 2.00
L 55.00 0.00 2.17 11.50 1.00
 VARIANZA
Punto b. DE CADA
ACTIVIDAD
Std dev Variance
0.67 0.44
0.50 0.25
0.17 0.03
3.33 11.11
0.33 0.11
0.33 0.11
0.67 0.44
0.33 0.11
0.50 0.25
0.33 0.11
0.67 0.44
0.50 0.25

Punto a.

σ= 3.5
μ= 68.7

Probabilidad de que el proyecto se termine en 70 dias = P[Z≤ 70-6

Critical Probabilidad de que el proyecto se termine en 80 días = P[Z≤ 80-6

Variance Variance
0.44 0.44
0.25
0.03
11.11 11.11
0.11
0.11 0.11 Probabilidad de que el proyecto se termine en 90 días = P[Z≤ 90-6
0.44
0.11 0.11
0.25 Z =- Fecha esperada de terminacion (μ)
Fecha de entrega
0.11 0.11 Desviacion del proyecto (σ)
0.44 0.44
 0.25
Project 12.33
Std.dev 3.51

: 68,7 semanas

F G H I J K L
68.67 68.67 68.67 68.67 68.67 68.67 68.67
68.67 68.67 68.67 68.67 68.67 68.67 68.67
68.67 68.67 68.67 68.67 68.67 68.67 68.67
68.67 68.67 68.67 68.67 68.67 68.67 68.67
68.67 68.67 68.67 68.67 68.67 68.67 68.67
68.67 68.67 68.67 68.67 68.67 68.67 68.67
68.67 68.67 68.67 68.67 68.67 68.67 68.67
40.00 68.67 68.67 68.67 68.67 68.67 68.67
50.83 68.67 68.67 68.67 68.67 68.67 68.67
68.67 55.00 55.00 68.67 68.67 68.67 68.67
68.67 68.67 68.67 62.00 62.00 68.67 68.67
68.67 66.50 66.50 68.67 68.67 68.67 68.67
40.00 55.00 55.00 62.00 62.00 68.67 68.67

Graph Critical ActivitNoncritical ActSlack

L 55.00 0.00 2.17 11.50
K 62.00 6.67 0.00 0.00
J 55.00 7.00 0.00 0.00
I 40.00 0.00 11.17 10.83
H 40.00 15.00 0.00 0.00
G 30.00 0.00 7.33 17.67
F 30.00 10.00 0.00 0.00
E 3.17 0.00 7.00 19.83
D 10.00 20.00 0.00 0.00
C 0.00 0.00 3.17 19.83
B 0.00 0.00 7.17 22.83
A 0.00 10.00 0.00 0.00
 a2 = 12.33

Punto e

se termine en 70 dias = P[Z≤ 70-68,7/3.5] = 0,6444 0.3714 Z 0.6448408

Punto f

se termine en 80 días = P[Z≤ 80-68,7/3.5] = 0,9993 3.2286 Z 0.9993779

Punto g

se termine en 90 días = P[Z≤ 90-68,7/3.5] = 1,00 6.0857 Z 1.0000000

terminacion (μ)
 REFERENCIAS

● Heizer, J., Render, B. (2014). Principios de administración de operaciones. Novena edición. Editorial Pearson.

● Sánchez, L. C. (2009). Modelos cuantitativos lineales con escenarios en excel – solver. Bogotá: Universidad EAN

● Collier, D., Evans, J. (2007). Administración de operaciones, bienes, servicios y cadenas de valor. Editorial Cengage

● Chase, B., et al. (2009). Administración de operaciones, producción y cadena de suministros. Duodécima edición. Editorial Mc Graw Hill

● Desai, K., y Chang, L. WinQSB. Versión 2.0.

● Krajewsky, L., et al. (2013). Administración de Operaciones. Procesos y cadenas de valor. Décima edición. Editorial Pearson.

● Muñoz, D. (2009). Administración de operaciones. Enfoque de administración de procesos de negocios. Editorial Cengage.

● Nahmias, S. (2007). Análisis de la producción y las operaciones. Quinta edición. Editorial Mc Graw Hill.

● Niño, J. (2005). Análisis de sistemas e investigación de operaciones. Ediciones Javeriana.

● Pérez, C. (2006). Manual de producción. Aplicado a las Pyme. Segunda edición. Bogotá. Ediciones Ecoe.

● Render, B., Stair, R y Hanna, M. (2012). Métodos cuantitativos para los negocios. Editorial Pearson

● Schroeder, R. (2011). Administración de operaciones: conceptos y casos contemporáneos. Editorial Mc Graw Hill.

● Vollman, T. y Berry, W. (2005). Planeación y control de la producción. Administración de la cadena de suministros. Quinta edición. Editorial Mc Gra

● DocPlayer (2014). Programación de Rutas para Buses Urbanos en el Municipio de Fusagasugá a través de un Algoritmo de Aproximación. Recuperad
https://docplayer.es/26289340-Programacion-de-rutas-para-buses-urbanos-en-el-municipio-de-fusagasuga-a-traves-de-un-algoritmo-de-aproximacion
● https://docplayer.es/26289340-Programacion-de-rutas-para-buses-urbanos-en-el-municipio-de-fusagasuga-a-traves-de-un-algoritmo-de-aproximacion
ditorial Mc Graw Hill

Quinta edición. Editorial Mc Graw Hill.

tmo de Aproximación. Recuperado de:

de-un-algoritmo-de-aproximacion.html
de-un-algoritmo-de-aproximacion.html