PCP01 Función Producción - Pronosticos

UCSM Ingeniería Industrial
“PLANEAMIENTO
Y CONTROL DE LA
PRODUCCION”.
Abrahan A. Pacheco Oviedo

PLANEAMIENTO Y CONTROL DE
PRODUCCION
Significa realizar un Plan de Trabajo,
al cual debe obedecer la producción,
de manera que el producto se elabore
con eficiencia máxima y a costos
favorables.

PLANEAMIENTO Y CONTROL DE
PRODUCCION
FUNCION:
• Definir las características del Producto y el Proceso
de Fabricación.
• Calcular el Costo de Fabricación.
• Pronosticar las Ventas.
• Planificar y Programar la Producción.
• Iniciar las actividades en la Planta a través de las
ordenes de producción.
• Control y seguimiento de la producción.
PLANEAMIENTO Y CONTROL DE PRODUCCION

• Combina los flujos físicos y de información para
administrar los sistemas de producción.
• Integral el flujo de material usando la información
del sistema.
• El pronostico da inicio a las actividades de PCP.
• El extender las actividades del PCP a los
proveedores y clientes se conoce como
“ADMINISTRACION DE LA CADENA DE
SUMINISTROS”.


• La planeación a largo plazo de la capacidad
garantiza que la capacidad futura sea la adecuada
para cumplir con la demanda futura.
• La planeación de la producción transforma los
pronósticos de demanda en plan maestro de
producción, el cual toma en cuenta la disponibilidad
global de capacidad y materiales.
• La planeación detallada genera los requerimientos
inmediatos de los materiales y la capacidad, y
realiza una programación de la producción a corto
plazo.
• PCP hace exactamente lo que su nombre dice:

Planea y Controla la producción y lo hace utilizando
el ciclo de retroalimentación.


Marco para las decisiones

 Proceso
 Capacidad
 Inventarios
 Fuerza de trabajo
 Calidad

“PRONOSTICO”.

PRONOSTICO
Es una técnica que

permite predecir
acontecimientos
futuros a partir de
ciertos datos.
Consiste en la estimación y el análisis de la

demanda futura para uno o varios productos,
componente
o servicio, para un periodo de tiempo
determinado
PRONOSTICO
Utiliza como inputs
una serie de datos
históricos de venta,
estimaciones de
marketing e
información de
otras compañías y
del gobierno.
El propósito de los pronósticos es la planificación.

OBJETIVO
PROPORCIONAR
PRONOSTICOS
CON
REACCIONAR ANTE
LOS CAMBIOS
REALES

ALCANCES
 Pretende estudiar la solución de problemas

relacionadas con pronósticos
 Los pronósticos proporcionan información para tomar
mejores decisiones.
 La decisión determina que pronosticar, el nivel de
detalle necesario y con que frecuencia se hará el
pronóstico.
 Sirve para determinar la demanda futura de sus
productos, y en base a esto planear y controlar la
cantidad de producto que deberá producir.

Cuando se tienen proporcionan un

gran visión sobre los hechos
Registros de la Compañía
Otras Compañías, servicios

comerciales
El Gobierno, población,
demografía, etc.
DATOS
1. Externos
Están fuera de control de la empresa.
Características de la economía, leyes,
tecnología, escasez de recursos, acciones
de la competencia, elección o preferencia
del consumidor.
2. Internos
Decisiones internas que provocan
FACTORES cambios en el volumen de la demanda, se
pueden influir en ellos. Están la calidad, el
precio, tiempo de entrega, la publicidad y los
Abrahan A. Pacheco Oviedo descuentos.
 Horizontal.
 Tendencia.
 Estacional.
 Cíclicos.
PATRONES DE LA DEMANDA
(a) Horizontal: Cúmulo de datos en torno de una línea horizontal




 Métodos Cualitativos : De carácter

subjetivo y se basan en estimaciones y
opiniones.
 Métodos Cuantitativos:
• Causales: El valor de la variable

dependiente esta causada o afecta, o al
menos tiene una alta correlación con el
valor de la(s) variables (s) independientes
• De serie de tiempos: Es simplemente una

lista cronológica de datos históricos,
TIPOS donde la suposición esencial es que la
Abrahan A. Pacheco Oviedo historia predice el futuro de manera
razonable.
Investigación de Mercado; Consiste en el

desarrollo de un cuestionario,llevar a cabo la
encuesta y tabular y analizar los resultados.
Utilizado para pronosticar ventas a L.P. y de
nuevos productos o productos modificados
Opinión de Expertos; se basa en la
experiencia y opiniones de ejecutivos,
técnicos, clientes.
Metodo Delphi; proceso para obtener el
consenso entre un grupo de expertos con el
anonimato de sus integrantes.
CUALITATIVOS Basado en Indicadores Económicos; existe una
relación directa o correlación, entre ventas de
algunos productos y estos indicadores
La demanda puede ser:
-Dependiente  Causada por la demanda
de otros productos
-Independiente  No esta condicionada a la
demanda de otros productos
Construcción Accesorios
de casas de Plomeria
Independiente Dependiente
Ventas de Venta de
Automoviles Llantas
Métodos usados para estos pronósticos:
CAUSALES
-Regresión lineal simple.
Otros modelos de regresión (exponencial, etc)
SERIES DE TIEMPOS
Utilizan datos históricos de la

variable dependiente y consideran
el tiempo como variable
independiente para predecir el
futuro.
Nos enfocaremos a patrones de

demanda tipo Constante,
Tendencia y Estacional.

SERIES DE A. PROCESOS CONSTANTE

TIEMPOS
1. Promedio Simple
Trata a los datos muy antiguos
igual que a los recientes. Se usa un
promedio de los datos pasados para
pronosticar el siguiente periodo.


TIEMPOS
1. Promedio Simple -Ejemplo
Mes Producción
1 56
2 46
3 53
4 50
5 50
6 52
7 ?

TIEMPOS
2. Promedio Móvil Simple
Se elige promediar solo algunos de
los datos mas recientes.
Responde al cambio de una manera
más rápida, debido a que usa datos
recientes.

 Ejemplo: Se observa la siguiente demanda

histórica:
Semana Demanda
1 800
2 1400
3 1000
4 1500
5 1500
6 1300
7 1800
8 1700
9 1300
10 1700
11 1700
12 1500
13 2300
14 2300
15 2000

Ejemplo 2:
Semana Demanda
Se desea desarrollar un 1 100
sistema de pronostico a 2 125
3 90
corto plazo para estimar el
4 110
volumen de inventarios que 5 105
fluye del almacen todas las 6 130
semanas. See suguere 7 85
utilizar un promedio movil 8 102
9 110
de 3, 5 ó 7 semanas.
10 90
Antes de tomar una 11 105
decisión compare la 12 95
precisión de cada una de 13 115
ellas en relación con el 14 120
15 80
periodo de diez semanas
Abrahan A. Pacheco Oviedo 16 95
más reciente. 17 100
Semana Demanda 3 Sem 5 Sem 7 Sem 3 Sem 5 Sem 7 Sem
1 100
2 125
3 90
4 110
5 105
6 130
7 85
8 102 106.7 104.0 106.4 4.7 2.0 4.4
9 110 105.7 106.4 106.7 4.3 3.6 3.3
10 90 99.0 106.4 104.6 9.0 16.4 14.6
11 105 100.7 103.4 104.6 4.3 1.6 0.4
12 95 101.7 98.4 103.9 6.7 3.4 8.9
13 115 96.7 100.4 102.4 18.3 14.6 12.6
14 120 105.0 103.0 100.3 15.0 17.0 19.7
15 80 110.0 105.0 105.3 30.0 25.0 25.3
16 95 105.0 103.0 102.1 10.0 8.0 7.1
17 100 98.3 101.0 100.0 1.7 1.0 0.0
Abrahan A. Pacheco Oviedo 104.0 92.6 96.3
10.4 9.3 9.6
Ejemplo 2:
Se requiere desarrollar el pronostico de Periodos

ventas para el mes de octubre de uno Demanda (D)
Mensuales
de los productos que fabrica la empresa
Enero 30
en base a los datos proporcionados en la
tabla siguiente. Se debe aplicar el Febrero 35
método de promedio movil de 2, 3 y 4 Marzo 28
meses. Antes de tomar una decisión Abril 20
compare la precisión de cada una de
ellas.
Mayo 25
Junio 30
Julio 35
Agosto 40
Septiembre 50
Octubre ¿?

Periodos Demand Pronóstico Pronóstico Pronóstico

MAD 2 MAD 3 MAD 4 (D-P)2 (2M)
(D-P)2 (3M)
(D-P)2 (4M)
Mensuales a (D) s (2M) s (3M) s (4M)
Enero 30 -
Febrero 35 -
Marzo 28 32.5
Abril 20 31.5 31
Mayo 25 24 27.67 28.25 1.00 2.67 3.25 1 7.11 10.56
Junio 30 22.5 24.33 27 7.50 5.67 3.00 56.25 32.11 9.00
Julio 35 27.5 25.00 25.75 7.50 10.00 9.25 56.25 100.00 85.56
Agosto 40 32.5 30.00 27.5 7.50 10.00 12.50 56.25 100.00 156.25
Septiembre 50 37.5 35.00 32.5 12.50 15.00 17.50 156.25 225.00 306.25
Octubre ¿? 45 41.67 38.75 7.20 8.67 9.10 326 464.22 567.63

Mt Mt' At Bt Yt
1 654
2 658
3 665
4 672 659
5 673 665.00
6 671 670.00 664.67 675.33 5.33
7 693 672.00 669.00 675.00 3.00 680.67
8 694 679.00 673.67 684.33 5.33 678.00
9 701 686.00 679.00 693.00 7.00 689.67
10 703 696.00 687.00 705.00 9.00 700.00
11 702 699.33 693.78 704.89 5.56 714.00
12 710 702.00 699.11 704.89 2.89 710.44
13 712 705.00 702.11 707.89 2.89 707.78
14 711 708.00 705.00 711.00 3.00 710.78
15 728 711.00 708.00 714.00 3.00 714.00
16 717.00

Mt Mt' At Bt Yt P n=4
1 1140 1
2 1212 2
3 1274 3
4 1297 4
5 1317 1230.75
6 1370 1275
7 1348 1314.5
8 1436 1333 1288.31 1377.69 29.79
9 1433 1367.75 1322.56 1412.94 30.13 1407.48
10 1461 1396.75 1353.00 1440.50 29.17 1443.06
11 1509 1419.5 1379.25 1459.75 26.83 1469.67
12 1510 1459.75 1410.94 1508.56 32.54 1486.58
13 1546 1478.25 1438.56 1517.94 26.46 1541.10
14 1541 1506.5 1466.00 1547.00 27.00 1544.40
15 1494 1526.5 1492.75 1560.25 22.50 1574.00
16 1545 1522.75 1508.50 1537.00 9.50 1582.75
17 1552 1531.5 1521.81 1541.19 6.46 1546.50
18 1568 1533 1528.44 1537.56 3.04 1547.65
19 1605 1539.75 1531.75 1547.75 5.33 1540.60
20 1621 1567.5 1542.94 1592.06 16.38 1553.08
21 1647 1586.5 1556.69 1616.31 19.88 1608.44
22 1728 1610.25 1576.00 1644.50 22.83 1636.19
23 1730 1650.25 1603.63 1696.88 31.08 1667.33
24 1766 1681.5 1632.13 1730.88 32.92 1727.96
25 1763.79
26
Abrahan A. Pacheco Oviedo 1796.71
27 1829.63
28 1862.54
A. PROCESOS CONSTANTE
SERIES DE
TIEMPOS
3. Promedio Móvil ponderado
Mientras que el promedio móvil simple
da igual peso a cada componente de los
datos, el promedio móvil ponderado
permite dar cualquier peso aún
elemento, siempre y cuando la suma de
los pesos sea igual a uno
F t=P1Dt-1+P2Dt-2+….+PmDt-n
M5 = 0.40(95) + 0.30 (105) + 0.20 (90) + 0.10 (100)

Abrahan A. Pacheco Oviedo M5 = 97.50
Si las ventas reales en el periodo 5 fueron 110, ¿Cual es el pronóstico para el mes 6 (F6)?
A. PROCESOS CONSTANTE
SERIES DE
TIEMPOS 4. Suavizamiento Exponencial
Los sucesos más recientes son más
indicativos de lo que sucederá en el
futuro que los datos del pasado.
se calcula el pronóstico a partir del
pronostico mas reciente, la demanda
real que se presentó para este
periodo y una constante de
suavizamiento alfa ().
ST =  dt + (1 - ) ST – 1
Semana Dem Real Pronostico

49 52 49.25
Ejem:  = 0.2 y  = 0.8 50 58 49.8
51
Suavización exponencial

850
800
750
Demanda
700
650
600
550
500
1 2 3 4 5 6 7 8 9
Semanas
Demanda Ft Alfa = 0.1 Ft Alfa = 0.6
Se observa que la demanda real del producto tiende a fluctuar a

través del tiempo, por lo que un valor bajo de α no produce
resultados tan confiables debido a que suaviza en exceso el
pronóstico. Por su parte, un valor de α = 0.6 nos permite acercarnos
más
Abrahan A. a la
Pacheco demanda real, mostrando la variación que la demanda posee.
Oviedo
Ejemplo ; Determinar el pronostico para el 2015 con un coeficiente
de suavisamiento de:  = 0.2 y  = 0.8
Año 2011 2012 2013 2014 2015

Demanda 1080 1190 1100 1220 1300

Suavización exponencial Doble

Para determinar el pronostico a través del suavizamiento exponencial doble:
• Se realiza el pronostico a través del suavizamiento exponencial simple.
Ft = Ft-1 + α (Dt-1 - Ft-1)
• Se aplica el suavizamiento exponencial doble, donde el pronostico anterior es el encontrado con
suavizamiento simple.
Dt = α Ft + (1-α ) Dt-1
0.8 0.8
Sem Dem Real Expo Simple Expo Doble
1 200 200.00 200.00
2 135 200.00 200.00
3 195 148.00 145.40
4 197.5 185.60 187.48
5 310 195.12 195.60
6 175 287.02 291.62
7 155 197.40 192.92
8 130 163.48 161.78
9 220 136.70 135.36
10 277.5 203.34 206.67
Abrahan A. Pacheco Oviedo 11 235 262.67 265.63
12 240.53 239.43
B. MODELO CON TENDENCIA

SERIES DE
TIEMPOS Método de los Mínimos Cuadrados
Existe una distribución de
probabilidades para cada tamaño de
muestra, supone que son normales.
Las medias de las distribuciones se
ubican en una recta o se distribuyen
a lo largo de una recta
Establece una relación entre una
variable dependiente y una o mas
variables independientes.
Trata de ajustar la línea a los
datos que minimicen la suma de los
cuadrados de la distancia vertical.

SERIES DE
TIEMPOS Método de los Mínimos Cuadrados

SERIES DE B. MODELO CON TENDENCIA

TIEMPOS
Regresión Lineal
Sirve para pronosticar una variable

con base a otra, solo contiene una
variable independiente.
La relación entre variables forma
una línea recta.
Si los datos forman una serie de
tiempos, la variable independiente es
el tiempo en periodos y la variable
dependiente por lo general son las
ventas o aquello que deseamos
pronosticar.


TIEMPOS
Regresión Lineal
 Es de la forma: Y = a + b x
y = Es la variable dependiente
a = Es la intersección en y
b = Es la pendiente de la recta y
X = Es la variable independiente


TIEMPOS
Regresión Lineal (FORMULAS)
a
 X 2  Y   X  XY
a
 Y  b  X 
n X 2   X 2
n
n x y  x y
b
n  x   x 
2 2
y  a  y  b  xy
2
S yx 
n 2
r x y  x y
n
n  x   x  n  y   y  
2 2 2 2


TIEMPOS
Regresión Lineal (FUNC. EXCEL)
PRONOSTICO (X, CONOCIDO_Y; CONOCIDO_X)
a  INTERSECCIÓN.EJE (CONOCIDO_Y; CONOCIDO_X)
b  ESTIMACIÓN.LINEAL (CONOCIDO_Y; CONOCIDO_X; CONSTANTE;...)
ERROR.TIPICO.XY(CONOCIDO_Y;CONOCIDO_X)
COEF.DE.CORREL(CONOCIDO_X;CONOCIDO_Y)

Semana Demanda B. MODELO CON TENDENCIA

1 600
2 1550
Regresión Lineal (APLICACION)
3 1500 Demanda
4 1500 6000
5 2400
6 3100 5000
7 2600
4000
8 2900
9 3800
3000
10 4500 Demanda
11 4000
2000
12 4900
13
1000
14
15
0
16 1 2 3 4 5 6 7 8 9 10 11 12

TIEMPOS
Trimestre Ventas
X Y XY 2 2
X Y
1 600 600 1 360
2 1550 3100 4 2.402.500
3 1500 4500 9 2.250.000
4 1500 6000 16 2.250.000
5 2400 12000 25 5.760.000
6 3100 18600 36 9.610.000
7 2600 18200 49 6.760.000
8 2900 23200 64 8.410.000
9 3800 34200 81 14.440.000
10 4500 45000 100 20.250.000
11 4000 44000 121 16.000.000
12 4900 58800 144 24.010.000
Abrahan A. Pacheco Oviedo  78 33.35 268.2 650 112.502.500


TIEMPOS
n xy   x  y 12 (268,200)  7833.350 617,100

b    359.615
n  x 2   x  12 650  78
2 2
1716
a
 y  b  x 33.350  359.615 78
  441.667
n 12
Y = 441.667 + 359.615 (X)

Y13 = 5116.4, Y14 = 5.476.0, Y15 = 5.835.6, Y16 = 6.195.2
y  a y  b xy 112´502.500  441.667 33.350  359.615 268.100 268.200

2
S yx  
n2 12  2
Syx = 363.877 r = 0.966


6000
y = 359.62x + 441.67
R² = 0.9332
5000
4000
3000
2000
1000
0
1 2 3 4 5 6 7 8 9 10 11 12
Error 363,877797
t 1,81246112
LS 5776,18103
LI 4457,15231
t = DISTR.T.INV(probabilidad,grados_de_libertad)
Ejemplo: Una tienda de alfombras ha llevado un registro de ventas de
cada año así como la cantidad de permisos para construir casas nuevas en
su zona. El gerente de tienda de alfombras piensa que es posible
pronosticar las ventas de alfombras si se conoce la cantidad de casas que
se han construido en el año. Para X=40
VENTAS
AÑO PERMISOS 2
(YARDAS )
1989 18 13000
1990 15 12000
1991 12 11000
1992 10 10000
1993 20 14000
1994 28 16000
1995 35 19000
Abrahan A. Pacheco Oviedo 1996 30 17000

1997 20 13000
40 20467,34
a 6698,492462
b 344,2211055
Y 20467,33668
Error 331,9545545
Coef Corr 0,994385682
Determ 0,988802885

TIEMPOS
Regresión Exponencial
Y = a bx
Log y = Log a + x Log b
Log a 
 log y   x Logb
N
n  x Log y    x  Logy
Log b 
N  x   x 
2 2


TIEMPOS
Regresión Exponencial (Aplicación)
AÑO VENTAS X LOG Y X LOG Y 2
X
1984 108 1 2.0334 2.0334 1
1985 119 2 2.0755 4.151 4
1986 110 3 2.0414 6.1242 9
1987 122 4 0.0864 8.3456 16
1988 130 5 2.1139 10.5695 25
 15 10.3506 31.2237 55
n  x Logy   x  Log y 5 31.2237  15 10.3506

Log b    0.01719
n  x   x      
2 2 2
5 55 15
Log a 
 Log y   x Log b  10.3506  15 0.01719  2.01855
n 5
Log y = 2.01855 + 6 (0.01719)
Log y = 2.1217 Antilog = 10x
y=Antilog (2.1217) = 132.34 y = 10 2.1217

Regresión Logarítmica (FUNC. EXCEL)
CRECIMIENTO(CONOCIDO_Y, CONOCIDO_X, X)
b  ESTIMACIÓN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X)
a  INDICE(ESTIMACIÓN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X),2)
Y = a b ^ x

Motors Company produce motores electrónicos para válvulas
automáticas para la industria de la construcción. Durante más de un año,
la planta de producción ha operado a casi plena capacidad. El Gerente de
Planta, estima que el crecimiento en las ventas continuará y desea
desarrollar de las instalaciones para los siguientes tres años. Se han
totalizado las cifras de ventas correspondientes a los últimos diez años.
AÑO VENTAS ANUALES AÑO VENTAS ANUALES
(MILES DE UNIDADES) (MILES DE UNIDADES)
1 1.000 6 2.000
2 1.300 7 2.200
3 1.800 8 2.600
4 2.000 9 2.900
5 2.000 10 3.200
Se requiere determinar los niveles de ventas para los años mencionados,
así como el coeficiente de correlación y los rangos de desviación del
pronóstico esperado, considerando un intervalo de confianza de 90%,
con 2 grados de libertad.
11 3287
12 3502
13 3718
Error 173,030038
t 1,85954804
LS 3608,42433
LI 2964,909
t = DISTR.T.INV(probabilidad,grados_de_libertad)
t=INV.T.2C(probabilidad, grados libertad)
LS y LI = Y11 +- t Syx

Se requiere determinar los niveles de ventas para el siguiente año, así

como el coeficiente de correlación y los rangos de desviación del
pronóstico esperado, considerando un intervalo de confianza de 85%,
con 2 grados de libertad.
Trime Ventas
1 642,8
2 650,6
3 655,5
4 647,9
1 729,3
2 721,9
3 719,4
4 733,5
1 803,5
2 802,1
3 799,4
4 794,6
13 834,66
14 851,53
15 868,39
16 885,26
Error 22,39
t 1,56
LS 869,57303
LI 799,751212

Regresión Múltiple
El objetivo es ajustar un modelo de la Forma:

Y = β0+ β1X1+ β2X2
Estimando los parámetros correspondientes (β0, β1, β2) y calcular el
coeficiente de determinación R2.
Y X1 X2
8 4 20
Y Ventas
10 3 22
X1 Viviendas
X2 Ingresos
12 6 23
13 6 26
15 7 27
18 8 30
Regresión Múltiple
Coeficientes Utilizando del Excel en la opción Datos o
Intercepción -8.89473684 Herramientas, se elige Análisis de Datos y
luego Regresión, se introduce el rango de la
Variable X 1 0.36842105 variable dependiente y luego las
Variable X 2 0.78947368 independientes y se obtiene:
Se puede extraer lo siguiente:
Β0 = -8.894737
Β1 = 0.3684211
Β2 = 0.7894737
Es decir la ecuación de regresión múltiple ajustada es:
Y = -8.894737+ 0.3684211X1+ 0.7894737X2
.

C. PROCESO ESTACIONAL
Los patrones estacionales son fluctuaciones
que ocurren dentro de un año y tienden a
repetirse anualmente
DESCOMPOSICION DE
UNA SERIE DE TIEMPO
Cuando la demanda contiene efectos de
tendencia y estacionales, se determina la
relación entre ambos a través de la
variación estacional.
DESCOMPOSICION DE
UNA SERIE DE TIEMPO
La tendencia se multiplica por los factores

Abrahan A. Pacheco Oviedo de estacionalidad.
Pronóstico=Tendencia x Factor Estacionalidad
FACTOR DE
ESTACIONALIDAD
Es la corrección que se requiere para

ajustar una serie de tiempo a la estación
del año.
a) PROPORCION SIMPLE
Ventas Promedio 1000 u (Año Anterior)

Primavera 200
Verano 350
Otoño 300
Invierno 150
Venta Estimada 1100 u. (Año Siguiente)
Solución
PROPORCION SIMPLE
Pasos:
1. Determinar el F.E.
2. Pronósticar las Ventas del Periodo
Ventas Ant F.E Ventas Est

Primavera 200 0.20 220
Verano 350 0.35 385
Otoño 300 0.30 330
Invierno 150 0.15 165
Total 1000 1100
SERIE DE TIEMPO ESTACIONALES Y CON TENDENCIA
400
160
140 350
120 300
100 250
80 200
60 150
40 100
20
50
0
0
1 2 3 4 5 6 7 8 9 10 11 12
1 Año 2005 2 Año 2006 3Año 2007 4
Ventas
Se puede apreciar en las ventas, estas tienen un

Abrahan A. Pacheco Oviedo comportamiento de tendencia y también tienen
comportamiento estacional.
b) DESCOMPOSICION POR MINIMOS CUADRADOS
Significa encontrar los componentes basicos de la tendencia

y estacionalidad
PASO 1: Determinar el Factor de Estacionalidad

 Se obtiene un promedio de los mismos trimestres
 Se obtiene el factor de estacionalidad
PASO 2: Desestacionalizar los datos originales
 Dividimos los datos originales entre el factor de
estacionalidad
PASO 3: Desarrollar una linea de regresión de minimos
cuadrados para los datos desestacionalizados.
b) DESCOMPOSICION POR MINIMOS CUADRADOS
PASO 4: Proyectar la linea de regresión para el periodo

que se pronostica.
PASO 5: Crear el pronostico final ajustando la linea de
regresión con el factor de estacionalidad.
Trim Periodo Demanda
EJEMPLO: I
II
1
2
600
1550
III 3 1500
IV 4 1500
I 5 2400
II 6 3100
III 7 2600
IV 8 2900
I 9 3800
II 10 4500
Abrahan A. Pacheco Oviedo III 11 4000
IV 12 4900
solucion
PASO 1:
Promedio de trimestres (600+2400+3800)/3 =2266.67
(1550+3100+4500)/3 = 3050
(1500+2600+4000)/3 = 2700
(1500+2900+4900)/3 =3100
Promedio General 33350/12 = 2779.17
Factor Estacionalidad : 2266.67/2779.17 = 0.8156
3050.00/2779.17 = 1.0974
2700.00/2779.17 = 0.9715
3100.00/2779.17 = 1.1154
solucion Trim
I
Perio
1
Dema
600
FE
0.8156
Y
735.7
X2
1
XY
735.7
II 2 1550 1.0974 1412.4 4 2824.8
III 3 1500 0.9715 1544.0 9 4632.0
IV 4 1500 1.1154 1344.8 16 5379.2
I 5 2400 0.8156 2942.6 25 14713.0
II 6 3100 1.0974 2824.9 36 16949.4
III 7 2600 0.9715 2676.3 49 18734.1
IV 8 2900 1.1154 2600.0 64 20800.0
I 9 3800 0.8156 4659.1 81 41931.9
II 10 4500 1.0974 4100.6 100 41006.0
III 11 4000 0.9715 4117.3 121 45290.3
IV 12 4900 1.1154 4393.0 144 52716.0
33350 33350.7 650 265712.4
I 13 4080.81011 5003.45
II 14 5866.29789 5345.63
III 15 5525.71808 5687.82
IV 16 6725.87175 6030.01
x  6.5
y  2779.2
b 
 xy  n x y 
265706.9  126.5 2779.23
 342.21
 x  n x  650  12 6.5 
2 2 2
a  y  b x  2779.2  342.21 6.5   554.9

PRONOSTICO
MINIMOS CUADRADOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

PRONOSTICO POR DESCOMPOSICION

MINIMOS CUADRADOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Permiso Ventas Carpintería

Año Construcción Yardas Cuadradas
1989 18 13000
1990 15 12000
1991 12 11000
1992 10 10000
1993 20 14000
1994 28 16000
1995 35 19000
1996 30 17000
1997 20 13000
1998 25
Una Cia. Vende electricidad Año Ingresos

y vapor a la ciudad de 1991 4865.9
Nueva York y al condado 1992 5067.4
de Westchester. Los 1993 5515.6
ingresos por ventas se 1994 5728.8
muestran en la tabla, 1995 5497.7
proyecte los ingresos para 1996 5197.7
los años 2002 a 2005. 1997 5094.4
Utilice su criterio para 1998 5108.8
decidir que modelo aplicar. 1999 5550.6
2000 5738.9
2001 5860.0
El gerente de planta de Motors Company, esta intentando planear las
necesidades de efectivo de personal y materiales y suministros para
cada trimestre del próximo año. Los datos de ventas trimestrales
durante los últimos tres años razonablemente parecen reflejar el
patrón de resultados estacional que debe esperarse en el futuro. Si se
pudiera estimar las ventas trimestrales del siguiente año, podría
determinarse las necesidades de efectivo, material, personal y
suministros.
Ventas Trimestrales (miles de unidades) Total

Años Trim I Trim II Trim III Trim IV Anual
2000 520 730 820 530 2600
2001 590 810 900 600 2900
2002 650 900 1000 650 3200

Determine el volumen de ventas para el siguiente año.
Suavizamiento Holt-Winters (TENDENCIA)

Suavizamiento Holt-Winters (ESTACIONALIDAD)

SUAVIZAMIENTO HOLT WINTERS (TENDENCIA)
0.8 0.4
Año Xt Et Tt Ft MAD
1 1132 1132 0
2 1600 1506.4 149.76 1132.00 468.00
3 1690 1683.23 160.59 1656.16 33.84
4 1640 1680.76 95.37 1843.82 203.82
5 1765 1767.23 91.80 1776.13 11.13
6 1879 1875.01 98.19 1859.03 19.97
7 1990 1986.64 103.57 1973.20 16.80
8 2100 2098.04 106.70 2090.21 9.79
9 2210 2208.95 108.38 2204.75 5.25
10 2356 2348.27 120.76 2317.33 38.67
11 2201 2254.60 34.99 2469.02 268.02
12 2027 2079.52 -49.04 2289.59 262.59
13 2068 2060.50 -37.03 2030.48 37.52
14 2023.46 114.62

SUAVIZAMIENTO HOLT WINTERS (ESTACIONALIDAD)

0.8 0.4 0.3
Año Xt Et Tt St Ft+1 MAD
1 1132 1132 0 1
2 1600 1506.4 149.76 1.02 1132.00 468
3 1690 1658.49127 150.69 1.02 1687.03 2.96840361
4 1640 1649.69223 86.90 1.01 1843.10 203.102092
5 1765 1743.45616 89.64 1.01 1756.32 8.68260018
6 1879 1852.49492 97.40 1.01 1854.47 24.5272391
7 1990 1962.39612 102.40 1.01 1974.18 15.8193957
8 2100 2071.50154 105.08 1.01 2091.51 8.48856197
9 2210 2180.31141 106.57 1.01 2205.28 4.72006899
10 2356 2317.41325 118.78 1.01 2317.33 38.6682149
11 2201 2223.18995 33.58 1.01 2471.07 270.071796
12 2027 2061.64047 -44.47 1.00 2272.63 245.627654

13 2068 2058.03666 -28.12 1.00 2016.92 51.0774753
14 2032.69 111.812792

Suavizamiento Holt Winters (Tendencia)

0.6 0.4
Periodo Xt Et Tt Ft+1 MAD
1 1750 1750 0
2 1742 1745.20 -1.92 1750.00 8
3 1805 1780.31 12.89 1743.28 61.72
4 1620 1689.28 -28.68 1793.20 173.20
5 1488 1557.04 -70.10 1660.61 172.61
6 1376 1420.38 -96.73 1486.94 110.94
7 1193 1245.26 -128.08 1323.65 130.65
8 1014 1055.27 -152.85 1117.18 103.18
9 1200 1080.97 -81.43 902.43 297.57
10 1288 1172.62 -12.20 999.54 288.46
11 1457 1338.37 58.98 1160.42 296.58
12 1354 1371.34 48.58 1397.35 43.35
13 1477 1454.17 62.28 1419.92 57.08
14 1475 1491.58 52.33 1516.44 41.44
15 1450 1487.56 29.79 1543.91 93.91
16 1517.36 134.19
Suavizamiento Holt Winters (Estacionalidad)

0.6 0.4 0.3
Periodo Xt Et Tt St Ft+1 MAD
1 1750 1750 0 1
2 1742 1745.2 -1.92 0.99944992 1750 8
3 1805 1780.90806 13.1312259 1.00367331 1742.32106 62.68
4 1620 1686.05832 -30.0611606 0.99081757 1800.62936 180.63
5 1488 1563.47291 -67.0708619 0.97909052 1640.79109 152.79
6 1376 1441.79235 -88.9147407 0.97167366 1465.11306 89.11
7 1193 1277.81812 -118.938536 0.96025837 1314.55555 121.56
8 1014 1097.13131 -143.637845 0.9494494 1112.82383 98.82
9 1200 1139.73164 -69.1425782 0.98047841 905.293806 294.71
10 1288 1216.42228 -10.8092903 1.00398774 1049.68946 238.31
11 1457 1352.97296 48.1346997 1.02585774 1210.42065 246.58
12 1354 1352.36574 28.6379291 1.01846295 1437.33714 83.34
13 1477 1422.53621 45.2509474 1.02440999 1406.50107 70.50
14 1475 1451.02679 38.5467984 1.02204346 1503.61582 28.62
15 1450 1447.06525 21.5434667 1.01603884 1522.40893 72.41
16 1492.1635 124.86

PCP01 Función Producción - Pronosticos

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

PCP01 Función Producción - Pronosticos

Hochgeladen von

Copyright:

Verfügbare Formate

UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo

Abrahan A. Pacheco Oviedo

PLANEAMIENTO Y CONTROL DE PRODUCCION

Abrahan A. Pacheco Oviedo

PLANEAMIENTO Y CONTROL DE PRODUCCION

PLANEAMIENTO Y CONTROL DE PRODUCCION

• PCP hace exactamente lo que su nombre dice:

Abrahan A. Pacheco Oviedo

Abrahan A. Pacheco Oviedo

Marco para las decisiones

Abrahan A. Pacheco Oviedo

Abrahan A. Pacheco Oviedo

Es una técnica que

Consiste en la estimación y el análisis de la

El propósito de los pronósticos es la planificación.

Abrahan A. Pacheco Oviedo

 Pretende estudiar la solución de problemas

Abrahan A. Pacheco Oviedo

Cuando se tienen proporcionan un

Otras Compañías, servicios

Abrahan A. Pacheco Oviedo

(a) Horizontal: Cúmulo de datos en torno de una línea horizontal

Abrahan A. Pacheco Oviedo

Abrahan A. Pacheco Oviedo

Abrahan A. Pacheco Oviedo

 Métodos Cualitativos : De carácter

• Causales: El valor de la variable

• De serie de tiempos: Es simplemente una

Investigación de Mercado; Consiste en el

Utilizan datos históricos de la

Nos enfocaremos a patrones de

Abrahan A. Pacheco Oviedo

SERIES DE A. PROCESOS CONSTANTE

Abrahan A. Pacheco Oviedo

SERIES DE A. PROCESOS CONSTANTE

SERIES DE A. PROCESOS CONSTANTE

Abrahan A. Pacheco Oviedo

 Ejemplo: Se observa la siguiente demanda

Abrahan A. Pacheco Oviedo

Se requiere desarrollar el pronostico de Periodos

Abrahan A. Pacheco Oviedo

Periodos Demand Pronóstico Pronóstico Pronóstico

Abrahan A. Pacheco Oviedo

Abrahan A. Pacheco Oviedo

M5 = 0.40(95) + 0.30 (105) + 0.20 (90) + 0.10 (100)

Semana Dem Real Pronostico

Abrahan A. Pacheco Oviedo

Demanda Ft Alfa = 0.1 Ft Alfa = 0.6

Se observa que la demanda real del producto tiende a fluctuar a

Año 2011 2012 2013 2014 2015

Abrahan A. Pacheco Oviedo

Suavización exponencial Doble

B. MODELO CON TENDENCIA

B. MODELO CON TENDENCIA

Abrahan A. Pacheco Oviedo

SERIES DE B. MODELO CON TENDENCIA

Sirve para pronosticar una variable

Abrahan A. Pacheco Oviedo

SERIES DE B. MODELO CON TENDENCIA

Abrahan A. Pacheco Oviedo

SERIES DE B. MODELO CON TENDENCIA

Abrahan A. Pacheco Oviedo