UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERIA ESCUELA DE MECANICA INDUSTRIAL CONTROL DE LA PRODUCCION CAT. ING.

SERGIO TORRES

CASO # 2. INTRODUCCION

FAMILIAS DE CORRELACION

Los pronsticos se pueden clasificar en cuatro tipos bsicos: Cualitativo, Anlisis de Series Temporales, Relaciones Causales y Simulacin. Las tcnicas cualitativas son subjetivas y se basan en estimados y opiniones. Las Series Temporales se basan en la idea en que es posible utilizar informacin relacionada con la demanda pasada para predecir la demanda futura (Familias Estables). El pronstico CAUSAL, supone que la demanda se relaciona con algn factor subyacente en el ambiente; con este tipo se identifican las demandas que no tienen una estabilidad en las ventas de perodo en perodo y, adems, se caracterizan por seguir un patrn de crecimiento de los datos en forma Ascendente o Descendente. A ste ltimo pertenecen las FAMILIAS DE CORRELACION, se le llaman as debido a que utilizan los Mtodos Estadsticos de Regresin y Correlacin como herramienta resolutiva. El presente caso de discusin se enfocar en establecer los pronsticos de riesgo de una empresa que al analizar la informacin histrica, denota cierta inestabilidad en las ventas de los ltimos tres perodos, adems tiene una tendencia alcista de la demanda en funcin del tiempo; para este caso en particular, el conjunto de datos se clasificar dentro de las Familias de Correlacin.

OBJETIVOS GENERAL: Identificar las caractersticas principales de las Familias de Correlacin e indicar su fundamento matemtico. ESPECIFICOS: Desarrollar la metodologa a utilizar para analizar e interpretar el conjunto de datos como Familias de Correlacin. Determinar el grado de correlacin que tiene el conjunto de datos propuesto para interpretar su validez como modelo de pronstico. Establecer los Pronsticos de Evaluacin y Riesgo de la empresa DeliComidas Alessia a travs del Anlisis y Discusin del conjunto de datos que corresponden a los ltimos tres perodos anuales (36 meses). MARCO TEORICO

FAMILIAS DE CORRELACION A diferencia de la previsin de series temporales, los modelos de Previsin Causal normalmente consideran diferentes variables que estn de alguna manera, correlacionadas con la cantidad que se va a predecir. Una vez que stas variables afines han sido halladas, se construye el modelo que se utilizar para hacer la previsin respectiva. El modelo cuantitativo de previsin causal ms comn es el ANALISIS DE REGRESION LINEAL. ANALISIS DE REGRESION LINEAL: Es un modelo matemtico directo para describir las relaciones funcionales entre dos o ms variables (dependientes e independientes). Se utiliza para pronosticar una variable en funcin de la otra. En primer lugar, se observa el grfico de datos para ver si aparecen lineales (o por lo menos una parte de ellos); el trmino regresin lineal se refiere a la clase de regresin especial en la que la relacin entre las variables forma una recta. La Regresin Lineal es til para el pronstico a largo plazo de eventos importantes, as como la planeacin agregada. An cuando la demanda de productos individuales dentro de una familia puede variar en gran medida durante un perodo, la demanda de toda la familia de productos es sorprendentemente suavizada. COEFICIENTE DE CORRELACION: La ecuacin de regresin es una forma de expresar la naturaleza de la relacin entre dos variables, muestra como una variable est relacionada con los valores y cambios de la otra variable. El coeficiente de correlacin mide el grado de intensidad de la relacin lineal. Identificado normalmente como r, el coeficiente de correlacin toma valores en el rango que va de -1 a +1, o sea, si r est entre -1 y 0, indica que el conjunto de datos tiene una tendencia descendente; por otro lado, si los valores estn entre 0 y +1, quiere decir que el conjunto de datos tiene una tendencia ascendente (en ambos casos hablamos de la variable dependiente). METODOS ESTADISTICOS DE EVALUACION: En nuestro caso particular, para obtener los pronsticos de evaluacin y riesgo, se tomarn en cuenta cuatro mtodos estadsticos (tipos de ecuaciones) relacionadas a la regresin lineal, las cuales son: NOMBRE Ecuacin Lineal Ecuacin Logartmica Ecuacin Exponencial Ecuacin Potencial FORMA y = a + bx y = a + b Ln x y = ab x y = axb

Donde: a = punto de interseccin en el eje Y, cuando x = 0 (variable dependiente) b = pendiente de la curva (valor positivo o negativo) x = variable independiente (generalmente son las unidades de tiempo) y = valores del pronstico buscado r = coeficiente de correlacin (valor entre -1 y +1) La herramienta que se utiliza, en estos modelos, son los mtodos estadsticos, de regresin, cuya frmula bsica es: Y= a + BX

Donde B = la pendiente de la curva A = es el valor del eje Y cuando el valor del eje X = 0 (intercepto) X = perodo de tiempo que se quiere saber sus proyecciones Y = dato de pronstico a calcular Las ecuaciones normales de esta frmula son las siguientes: SUMY * {SUM(X2)} SUM(X) * {SUM(XY)} A = N* {SUM(X2)} {SUMX}2

N * {SUM(XY)} SUMX * SUMY B = N *{SUM(X2)} (SUMX)2 Con estas formulas bsicas podemos encontrar cualquier ecuacin normal de cualquier frmula de correlacin que tengamos simplemente haciendo la equivalencia de las formulas exponenciales a formulas lineales a travs de las reglas de logaritmos de base 10. MODELO GEOMETRICO Y = AXb Esta frmula exponencial, se tiene que convertir en una ecuacin lineal para poder encontrar facilmente sus ecuaciones normales, por lo que aplicamos la ley de logaritmos para convertirla en una ecuacin lineal: LOG y = LOG A + B LOG X Se debe encontrar la similitud de los factores de esta nueva ecuacin con los factores de las ecuacines normales de la linea recta, los cuales son: Y = LOG Y A = LOG A B=B X = LOG X Con esta similitud definida procedemos a copiar las ecuaciones normales: SUM(LOG Y)*{SUM (LOG X)2} (LOG X)*{SUM(LOG X*LOG Y)} LOG A = N*{SUM(LOG X)2} {SUM(LOG X)}2

N* {SUM(LOG X LOG Y )} SUM(LOG X)* {SUM(LOG Y)} B = N* {SUM(LOG X )2} {SUM(LOG X )}2

ANALISIS Y RESOLUCION DEL CASO PRACTICO

IDENTIFICACION DEL PROBLEMA La empresa de fabricacin y distribucin de alimentos Deli-Comidas Alessia se encuentra en el mercado desde hace diez aos. Paulatinamente ha experimentado un incremento sensible en las ventas de los distintos mens que ofrece al consumidor final, por tanto le pide a usted como Gerente de Produccin una estimacin de su demanda futura, tomando como base ventas de perodos anteriores conocidos. La estimacin de la demanda corresponde a los primeros cuatro meses del ao 2009, partiendo de la informacin proporcionada que corresponde a los aos 2006, 2007 y 2008. Para efectuar tal prediccin, nos basaremos en la aplicacin del modelo de Familias de Correlacin. METODOLOGIA Y HERRAMIENTAS A UTILIZAR El mtodo a utilizar ser el de Anlisis de Regresin Lineal, ya que es el mtodo que relaciona dos variables que estn correlacionadas en cierta forma lineal y, a la vez, muestran un comportamiento ascendente en funcin del tiempo. Para tal efecto, nos auxiliaremos en las siguientes herramientas matemtico-estadsticas de Regresin que describen dicho comportamiento: HERRAMIENTAS: Ecuacin de Regresin en forma Lineal Ecuacin Logartmica Ecuacin en forma Exponencial Ecuacin de la forma Potencial Distintos valores de correlacin para cada una de las anteriores ecuaciones

PROCEDIMIENTO DE SOLUCION 1. Con la informacin proporcionada de los ltimos tres aos, se procede en primer lugar a tabular y graficar dichos datos en un plano cartesiano X-Y, donde X representa las unidades de tiempo (meses) y los valores del eje Y son los valores de las ventas conocidas de los aos 2006, 2007 y 2008.

2. Luego se efecta un Anlisis Primario el cual consiste en analizar el comportamiento que tienen los datos tabulados, para poderlo clasificar dentro de los distintos conjuntos de Familias. Hay ocasiones en que el grfico no proporciona la suficiente informacin para determinar a que familia pertenece, por tanto para tener una mejor visualizacin de los datos, podemos incrementar los perodos de ventas (eje X) y tabular de nuevo; este paso har que la curva tienda a suavizarse ms de tal forma que al final podamos clasificar el conjunto de datos dentro de una Familia conocida. 3. Identificada la Familia al cual pertenece el conjunto de datos, se realiza un Anlisis Secundario, consiste en efectuar los Pronsticos de Evaluacin de un perodo congelado de ventas, tomando en cuenta los ltimos cuatro meses del ltimo perodo conocido (2008); luego se comparan las ventas reales con el pronstico de evaluacin de dichos meses con el objeto de determinar el error acumulado, el cual resulta de la suma de los distintos errores arrojados por cada mes analizado. Este Anlisis Secundario se efecta para cada ecuacin estadstica de regresin, ya que para cada una de ellas se tendrn distintos valores de a, b y r. 4. Teniendo todos los errores acumulados calculados para cada ecuacin de regresin, se elige el menor error acumulado y se procede a establecer el pronstico de riesgo valuando los meses que nos piden en dicha ecuacin que result con el menor error. SOLUCION DEL PROBLEMA Deli-Comidas Alessia proporciona los datos de ventas de los ltimos tres perodos anuales (2006, 2007 y 2008) por cada mes, para que se le estimen las ventas potenciales de los primeros cuatro meses del ao 2009, utilizando todas las herramientas que usted, como Ingeniero Industrial, tiene a su disposicin.

MES ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE

VENTAS (2006) 230 240 255 270 260 250 235 255 265 250 240 229

VENTAS (2007) 260 280 300 315 280 270 250 305 305 365 360 348

VENTAS (2008) 290 320 345 360 300 290 265 355 345 280 280 267

En nuestro caso, el perodo congelado de ventas sern los ltimos cuatro meses del ao 2008, o sea, los meses identificados como 33, 34, 35 y 36.

PASO # 1 TABULACION DE DATOS: Con el conjunto de datos se procede a tabularlos en un grfico X-Y para observar el comportamiento de las ventas conocidas en funcin del tiempo, y as poder visualizar mejor y clasificarlos dentro de una Familia conocida.

DELI-COMIDAS ALESSIA
400 350 300 250 Ventas 200 150 100 50 0 0 5 10 15 20 Mes 25 30 35 40

GRAFICO DE VENTAS

PASO # 2 ANALISIS PRIMARIO: Se observa que el conjunto de datos tiene cierta tendencia lineal, adems ao con ao se produce un aumento sensible en las ventas (actitud ascendente), lo que produce valores de correlacin positivos. La variable dependiente Y est correlacionada en cierta forma con la variable independiente X. Por lo tanto, se puede concluir que este conjunto de datos pertenece a la Familia de Correlacin, debido a las caractersticas observadas en el prrafo anterior.

PASO # 3 ANALISIS SECUNDARIO: Identificada la Familia a la que pertenece, se procede a determinar los Pronsticos de Evaluacin de los ltimos cuatro meses de ventas del ao 2008, para comparar las ventas reales con el pronstico de evaluacin de ese perodo congelado de ventas y as obtener un error para cada mes en particular. Este procedimiento se repite para cada Ecuacin Estadstica de Regresin, calculando para ello los distintos valores de a, b y r tomando en cuenta nicamente 32 datos de ventas

reales, o sea, desde el mes de enero de 2006 hasta el mes de agosto de 2008 (el perodo congelado de ventas no se vala).

ECUACION FORMA LINEAL a = 232.54 b = 3.22 r = 0.7222

y = a + bx y = 232.54 + 3.22(x)

ECUACION FORMA LOGARITMICA a = 203.37 b = 32.30 r = 0.6607 ECUACION FORMA EXPONENCIAL a = 235.28 b = 1.011 r = 0.733 ECUACION FORMA POTENCIAL a = 212.02 b = 0.1131 r = 0.6778

y = a + b Ln x y = 203.37 + 3.22 Ln (x) y = a bx y = (235.28)(1.011)x y = a xb y = (212.02)(x)0.1131

Como siguiente paso, se calculan los pronsticos de evaluacin para los meses 33, 34, 35 y 36 (perodo congelado de ventas) valuando estos valores en cada una de las ecuaciones anteriores; luego se establece la diferencia entre las ventas reales y los pronsticos de evaluacin para obtener el error en cada mes, y por ltimo, calcular el error acumulado para cada Ecuacin Estadstica de Regresin. El menor error acumulado nos indica que dicha Ecuacin es la que mejor predice el comportamiento de ventas del los perodos evaluados (2006, 2007 y 2008). Los cuadros con las ventas, proyecciones, error y error acumulado para cada ecuacin estadstica se detalla a continuacin: 1. Ecuacin Lineal: MES 33 34 35 36 VENTAS 345 280 280 267 PROYECCION 339 343 346 349 ERROR 6 -63 -66 -82 ERROR ACUM 6 69 135 217

2. Ecuacin Logartmica:

MES 33 34 35 36

VENTAS 345 280 280 267

PROYECCION 317 318 319 320

ERROR 28 -38 -39 -53

ERROR ACUM 28 66 105 158

3. Ecuacin Exponencial:

MES 33 34 35 36

VENTAS 345 280 280 267

PROYECCION 338 342 346 349

ERROR 7 -62 -66 -82

ERROR ACUM 7 69 135 217

4. Ecuacin Potencial:

MES 33 34 35 36

VENTAS 345 280 280 267

PROYECCION 315 316 317 318

ERROR 30 -36 -37 -51

ERROR ACUM 30 66 103 154

CONCLUSION: LA ECUACION QUE MEJOR DESCRIBE EL COMPORTAMIENTO DE DATOS ES LA POTENCIAL CON UN ERROR ACUMULADO DE 154 (el menor de las cuatro ecuaciones), POR LO TANTO SE PROCEDE A CALCULAR LOS PRONOSTICOS DE RIESGO UTILIZANDO LOS VALORES a, b y r DE LA ECUACION POTENCIAL PARA 36 DATOS. OBSERVACION: Hay que calcular nuevamente los valores de a, b y r de la ecuacin Potencial ingresando en la mquina los datos de ventas reales de los 36 meses.

PASO # 4 PRONOSTICO DE RIESGO: Despus de establecer que la Ecuacin Potencial es la que menor error acumulado arroja, se procede a encontrar la nueva forma de la ecuacin valuando 36 datos de ventas reales, quedando de la siguiente manera: ECUACION POTENCIAL (36 datos) y = 216.60 (x)0.1016 El pronstico de riesgo para los primeros cuatro meses del ao 2009 (37, 38, 39 y 40) es el siguiente: MES 37 38 39 40 CONCLUSIONES Las Familias de Correlacin se caracterizan porque el conjunto de valores tabulados no refleja una estabilidad de los datos y posee una cierta tendencia ascendente o descendente en funcin del tiempo; perodo por perodo si tienen cierta estabilidad alrededor de un punto, lo que hace que estas familias se trabajen con los Mtodos Estadsticos de Regresin, utilizando factores de Correlacin. La metodologa que se implementar para evaluar el conjunto de Familias de Correlacin es el de Regresin Lineal, a travs de valuar las distintas formas de ecuaciones (Lineal, Logartmica, Exponencial y Potencial); estas ecuaciones describen los comportamientos tpicos de estas Familias, a travs de interrelacionar variables dependientes e independientes (X e Y). El grado de Correlacin del conjunto de datos propuesto tiene valores positivos, lo que sugiere una curva ascendente, con valores que van desde 0.6607 hasta 0.733; esto se puede interpretar como un grado de correlacin aceptable del tal forma que se puede confirmar la utilizacin del Mtodo de Regresin Lineal para describir el comportamiento de los datos de ventas reales. PRON. DE RIESGO 313 314 315 316

 Los pronsticos de evaluacin de las cuatro formas de regresin, nos da como resultado que el mejor modelo que describe el comportamiento de las ventas reales es la ecuacin potencial con un error acumulado de 154. Por tanto, los pronsticos de riesgo para los primeros cuatro meses del ao 2009 se calculan a travs de encontrar la nueva ecuacin potencial (tomando en cuenta 36 datos), y posteriormente, hacer las predicciones valuando en la ecuacin los valores de 37, 38, 39 y 40 que corresponden al perodo de demanda solicitado.

Trabajo para hacer en casa: Con su grupo de trabajo analice el mismo ejemplo y encuentre posibles soluciones diferentes a la llegada con la resolucin del caso en estas lneas, sus conclusiones son de importancia para el docente de esta clase. Bibliografa: Torres Sergio, Control de la Produccion, Editorial Palacios, 2008, Guatemala.