FACULTAD DE INGENIERÍA

Y
CIENCIAS BÁSICAS
Institución Universitaria Politécnico
PROYECTO GRUPAL
Grancolombiano

APLICACIÓN DE HERRAMIENTAS PARA LA PLANEACIÓN DE LA

PRODUCCIÓN DE LA “GRANJA DE JUAN”

PRESENTADOR POR:

Edilson Rubio Umba - Código 1811023698

Oscar Eduardo Amado Contreras - Código 1711023783
Juan David Pineda Aguirre Código 1722410214
Brayan Daniel Cardozo Rojas Código
Daniel Gómez Herrera - Código 1521022787

Sub grupo:9

DOCENTE:

ENRIQUE VARGAS HERNÁNDEZ

UNIVERSIDAD POLITECNICO GRAN COLOMBIANO- MODALIDAD VIRTUAL

MODULO GERENCIA DE PRODUCCIÓN
CAMPÚS VIRTUAL
JUNIO 2020
 INTRODUCCIÓN

Las empresas viven en un mundo de constante cambio donde las metodologías se deben
ajustar a las nuevas necesidades de los clientes y de todos los stakeholders; desde la
función de las operaciones se debe velar por soluciones efectivas y rápidas para no alterar
los procesos productivos y poder cumplir con la promesa de valor a cada cliente. En
diferentes empresas se deben usar modelos matemáticos complejos de optimización para
poder determinar la mejor ruta crítica de producción o la planeación exacta de producción
para no tener excesos de inventarios y cumplir a la demanda, pero no se debe descuidar que
en varios procesos hay intervención humana que puede afectar el sistema de forma drástica.
Por esta y otras razones los inventarios de las empresas son uno de los activos que más se
deben cuidar porque deben tener alta rotación, pocos días de almacenamiento y un buen
cuidado por su alto costo.
A nivel operacional siempre existen diferentes variables de productividad y cuando se
presentan cuellos de botella todo el sistema colapsa o se retrasa, lo que obliga a extender el
ciclo de producción, además del tiempo de atención al cliente junto con los costos
adicionales que estos acarrean. Para ofrecer la respuesta al cliente es necesario primero una
reunión para identificar necesidades, luego se procesa la información, se debate con el
equipo de trabajo, se hace una propuesta de trabajo, se ofrecen diferentes alternativas al
cliente, luego es necesario esperar la respuesta del cliente, adaptar los nuevos
requerimientos o mejorar la propuesta, volver a negociar términos y por último definir el
esquema de trabajo. Durante la ejecución del servicio se presentan retrasos por culpa de la
no respuesta oportuna del cliente, de demostrar los beneficios de las propuestas o
soluciones planteadas.

JUSTIFICACIÓN

Por medio del presente trabajo se pretende aplicar los conocimientos en el caso de la Granja
de Juan, para poder proyectar una demanda de los productos que este maneja como lo son
res, pollo, y cerdo; en toda empresa es esencial conocer la demanda histórica para hacer
unas proyecciones realistas y no presentar ya sea déficit o superávit de inventarios. Por otro
lado se debe elegir la forma de pronóstico más económica, de forma que se mantengan los
costos estables. Uno de los porqués de este trabajo es realizar la planeación agregada para
Juan, mediante este ejercicio se puede tener un equilibrio entre la producción, restricciones
sobre la capacidad, y adaptarse a los ajustes de oferta y demanda de esa temporalidad o
estación. Todo esto se hace en pro de tener niveles justos de materia prima y mano de obra,
para que sea económico cada pedido y se pueda mantener la mano de obra.
Cuando se tienen diferentes productos y procesos es necesario contar con planeaciones y
modelos económicos, que se ajusten tanto a los costos internos como externos, para que el
cliente final no se vea perjudicado. En el presente trabajo se hará una evaluación de la
empresa La Granja de Juan que tiene varios problemas de orden productivo, donde están
involucrados varios stakeholders como los proveedores, dueños, trabajadores, clientes de
productos nutricionales y de granos de café. El fin de este trabajo es poder brindar como
grupo de consultores la mejor información y argumentos para que el jefe de producción tome
las mejores decisiones y las puede ejecutar manteniendo el equilibrio económico en la
organización.
 PROBLEMA

El problema fundamental del proyecto es determinar el pronostico acertado para cada una de
las líneas de producto de la granja, porque de cada una se desprenden diferentes productos
con una participación diferente, y esta debe ser proyectada de acuerdo con datos históricos y
una demanda volátil. Por otro lado al vender un producto final debe tener en cuenta distintas
variables para su venta, sobre todo en tiempos y mano de obra para que el producto siempre
tenga las características idóneas para el consumo, puesto que todo tiene una rotación y un
determinado proceso.
Se puede evidenciar que hay otro problema como el de tener granjas en diferentes sectores
y cada una cuenta con costos diferentes, se deben ajustar a la demanda y a las condiciones
de la planeación de producción. Tal vez el método más difícil de usar será la planeación
agregada porque es un marco complejo que reúne diferentes variables con restricciones y de
allí se desprende todo el concepto de producción.
Como siempre una de las restricciones es la mano de obra porque para cada línea cuenta
con un número de empleados y estándares en la producción por hora, se debe cumplir con la
demanda proyectada y además tratar de no mantener mucho tiempo los inventarios de los
productos finales porque tienen un costo asignado de mantenimiento.

OBJETIVOS

El objetivo general es:

Determinar el plan de producción para el proyecto La Granja de Juan, donde se incluye
planeación agregada, BOM y pronósticos con sus respectivos análisis.
Objetivos específicos:
● Analizar la demanda desde la construcción de diferentes pronósticos con las
herramientas aprendidas durante el curso para poder tomar decisiones en cuanto a
producción
● Determinar el plan de producción más económico basándose en los pronósticos
realizados incluyendo mano de obra y la planeación agregada
● Realizar el diagrama de materiales junto con la colocación de ordenes de producción
en el determinado lapso
● Calcular la programación de producción con el fin de atender a cada cliente en el
momento indicado y con los requerimientos particulares de cada uno.
● Realización de la planeación agregada.
Primer punto

Graficar la demanda, analizar su comportamiento y desarrollar los pronósticos solicitados en

la descripción y el documento anexo del proyecto.

La información de entrada consiste en proporción de demanda histórica de 4 años o 48

meses, desde 2015 hasta 2018, para tres tipos de carne diferentes: Res, Cerdo y Pollo.
Lo primero que se realizó con esa información, fue la gráfica de los datos para cada tipo de
carne para determinar el comportamiento, y con base en ello poder elegir el mejor método de
pronóstico a utilizar. Adicionalmente, con la información suministrada, se procedió también a
calcular la desviación estándar de los datos y el coeficiente de variación para saber de ante
mano si se está trabajando con demandas estables o volátiles; los resultados para cada tipo
de carne se presentan a continuación:

Carne de Res
0.12

0.10

0.08

0.06 Demanda anual res

Promedio Móvil Simple
0.04
Suavización exponencial simple
0.02

0.00

El gráfico de color azul representa el comportamiento con los datos iniciales, los gráficos
naranja y blanco con los pronósticos realizados, en donde claramente el objetivo es que esos
gráficos sean lo más parecido posible el gráfico azul o inicial, ya que esto indicará que el
método o los métodos elegidos de pronóstico no distan tanto de la realidad.
Adicionalmente, El coeficiente de variación definido como la razón entre la desviación
estándar y la media, permite determinar qué tan volátil o no es la demanda. Si el coeficiente
de variación es menor a 0,30 se tiene una demanda muy estable, entre 0,3 - 0,5 la demanda
es estable, y mayor a 0,5 la demanda es volátil.

Para el caso de la carne de res el resultado es el siguiente:

Promedio 0,0833
Desviación estándar 0,042
Coeficiente de
0,50
variación
 Tipo de demanda Estable

Dado lo anterior, la demanda de carne de res presenta una demanda estable, toda vez que
su coeficiente de variación está entre 0,3 y 0,5. Con esta información, podemos decir que la
demanda puede pronosticarse a través de métodos estadísticos.

COMPORTAMIENTO DE LA DEMANDA

La gráfica permite describir el comportamiento de la demanda, en el que se puede decir que

es una demanda estacionaria cuyo patrón es puramente aleatorio, no presenta tendencia ni
estacionalidad. Razón por la cual, el método de pronóstico más acertado para este tipo de
demanda es el promedio móvil simple y/o la suavización exponencial simple.
A continuación, se presentan los resultados para el promedio móvil simple con N= 3 y la
Suavización Exponencial Simple con α = 0,25 y sus errores de pronóstico

Suavización et
Promedio et
Proporción exponencial Suavización
Mes móvil simple Promedio
por demanda simple α = exponencial
N=3 Móvil
0,25 simple
ene-15 0,06   0,06   0,00
feb-15 0,12   0,06   -0,06
mar-15 0,04   0,07   0,04
abr-15 0,09 0,07 0,06 -0,02 -0,03
may-15 0,05 0,08 0,07 0,04 0,02
jun-15 0,03 0,06 0,07 0,03 0,04
jul-15 0,14 0,05 0,06 -0,09 -0,09
ago-15 0,07 0,07 0,08 0,00 0,01
sep-15 0,06 0,08 0,07 0,02 0,02
oct-15 0,14 0,09 0,07 -0,05 -0,07
nov-15 0,08 0,09 0,09 0,01 0,01
dic-15 0,13 0,09 0,09 -0,04 -0,04
ene-16 0,13 0,12 0,10 -0,01 -0,03
feb-16 0,11 0,11 0,10 0,00 -0,01
mar-16 0,02 0,12 0,11 0,10 0,08
abr-16 0,06 0,09 0,09 0,02 0,02
may-16 0,17 0,07 0,08 -0,11 -0,09
jun-16 0,04 0,09 0,10 0,05 0,07
jul-16 0,16 0,09 0,09 -0,07 -0,07
ago-16 0,04 0,12 0,11 0,09 0,07
sep-16 0,06 0,08 0,09 0,01 0,02
oct-16 0,10 0,09 0,08 -0,01 -0,02
nov-16 0,05 0,07 0,09 0,01 0,03
dic-16 0,06 0,07 0,08 0,01 0,02
ene-17 0,04 0,07 0,07 0,02 0,03
feb-17 0,06 0,05 0,07 -0,01 0,01
 Suavización et
Promedio et
Proporción exponencial Suavización
Mes móvil simple Promedio
por demanda simple α = exponencial
N=3 Móvil
0,25 simple
mar-17 0,02 0,05 0,06 0,03 0,04
abr-17 0,10 0,04 0,05 -0,06 -0,04
may-17 0,14 0,06 0,06 -0,08 -0,08
jun-17 0,10 0,09 0,08 -0,01 -0,02
jul-17 0,13 0,11 0,09 -0,02 -0,05
ago-17 0,14 0,13 0,10 -0,01 -0,04
sep-17 0,05 0,13 0,11 0,08 0,06
oct-17 0,09 0,11 0,10 0,02 0,00
nov-17 0,04 0,09 0,09 0,05 0,05
dic-17 0,07 0,06 0,08 -0,01 0,01
ene-18 0,03 0,07 0,08 0,04 0,05
feb-18 0,10 0,05 0,07 -0,05 -0,03
mar-18 0,06 0,06 0,07 0,01 0,02
abr-18 0,11 0,06 0,07 -0,05 -0,05
may-18 0,12 0,09 0,08 -0,03 -0,04
jun-18 0,11 0,10 0,09 -0,01 -0,02
jul-18 0,02 0,11 0,10 0,10 0,08
ago-18 0,10 0,08 0,08 -0,02 -0,02
sep-18 0,11 0,08 0,08 -0,04 -0,03
oct-18 0,12 0,08 0,09 -0,04 -0,03
nov-18 0,03 0,11 0,10 0,08 0,06
dic-18 0,09 0,09 0,08 0,00 0,00
ene-19   0,08 0,08 0,08 0,08

Con esos resultados se calcularon las medidas para los errores, obteniendo los siguientes
resultados:
Suavizació
Promedio
n Exp
Móvil
Simple
Error
0,0015 -0,0004
Medio
MAD 0,0379 0,0390
MSE 0,0023 0,0021
MAPE 70% 69%
Desv Error 0,05 0,05

De los dos métodos elegidos la suavización exponencial presenta un MAPE inferior, luego se
entendería que el modelo es más ajustado bajo este método, sin embargo, apoyados en un
software de pronóstico, el método de Winters multiplicativo, arrojó un MAPE de 60%. Por
esta razón se tomaron los valores pronosticados para 2019 bajo este último modelo.
El software utilizado pronóstico el año 2019 con los siguientes resultados:
 Periodo Pronóstico Inferior Superior
ene-19 0,07 -0,012 0,148
feb-19 0,11 0,027 0,191
mar-19 0,04 -0,043 0,126
abr-19 0,11 0,025 0,198
may-19 0,14 0,052 0,231
jun-19 0,08 -0,010 0,174
jul-19 0,11 0,017 0,208
ago-19 0,10 -0,004 0,194
sep-19 0,08 -0,025 0,179
oct-19 0,12 0,010 0,221
nov-19 0,05 -0,059 0,161
dic-19 0,09 -0,027 0,200

Medidas de
exactitud
MAPE 60,8368
MAD 0,0327
MSD 0,0017
Constantes de
suavización
α (nivel) 0,15
γ (tendencia) 0,25
δ (estacional) 0,25

Finalmente, con la información obtenida, y con los datos dados en el ejercicio se procedió a
calcular las cantidades para la carne de res así:

El 1000 corresponde a una tonelada de producto

30% 8% 5% 15% 42%
Period Pronóstic Carne para
1000 Sobrebarriga Cadera Hueso Otros
o o asar
ene-19 0,07 67,71 20,31 5,42 3,39 10,16 28,44
feb-19 0,11 109,11 32,73 8,73 5,46 16,37 45,83
mar-19 0,04 41,62 12,49 3,33 2,08 6,24 17,48
abr-19 0,11 111,44 33,43 8,92 5,57 16,72 46,80
may-19 0,14 141,94 42,58 11,36 7,10 21,29 59,61
jun-19 0,08 81,94 24,58 6,56 4,10 12,29 34,41
jul-19 0,11 112,31 33,69 8,99 5,62 16,85 47,17
ago-19 0,10 95,13 28,54 7,61 4,76 14,27 39,96
sep-19 0,08 77,12 23,14 6,17 3,86 11,57 32,39
oct-19 0,12 115,61 34,68 9,25 5,78 17,34 48,56
nov-19 0,05 51,07 15,32 4,09 2,55 7,66 21,45
dic-19 0,09 86,77 26,03 6,94 4,34 13,02 36,44
La misma lógica se empleó para las siguientes carnes (cerdo y pollo) obteniendo los
siguientes resultados:

Carne de cerdo
0.18
0.16
0.14
0.12
0.10
0.08 Demanda anual cerdo
0.06 Promedio Móvil Simple
Suavización Exponencial Simple
0.04
0.02
0.00

Promedio 0,0863
Desviación estándar 0,039
Coeficiente de variación 0,46
Tipo de demanda Estable

COMPORTAMIENTO DE LA DEMANDA

La gráfica permite describir el comportamiento de la demanda, en el que se puede decir que

es una demanda estacionaria cuyo patrón es puramente aleatorio, no presenta tendencia ni
estacionalidad. Razón por la cual, el método de pronóstico más acertado para este tipo de
demanda es el promedio móvil simple y/o la suavización exponencial simple.

Resultados obtenidos para el promedio móvil simple con N= 3 Y Suavización Exponencial

con α = 0,25 y sus correspondientes errores de pronóstico:
Promedio et
Proporció Suavización et
móvil Suavización
Mes n por exponencial Promedio
simple exponencial
demanda simple α = 0,25 Móvil
N=3 simple
ene-15 0,05   0,05   0,00
feb-15 0,04   0,05   0,01
mar-15 0,09   0,05   -0,04
abr-15 0,12 0,06 0,06 -0,06 -0,06
may-15 0,05 0,08 0,08 0,03 0,03
jun-15 0,06 0,09 0,07 0,03 0,01
jul-15 0,06 0,08 0,07 0,02 0,00
ago-15 0,12 0,06 0,07 -0,06 -0,05
sep-15 0,12 0,08 0,08 -0,03 -0,04
oct-15 0,08 0,10 0,09 0,02 0,00
 Promedio et
Proporció Suavización et
móvil Suavización
Mes n por exponencial Promedio
simple exponencial
demanda simple α = 0,25 Móvil
N=3 simple
nov-15 0,12 0,11 0,09 -0,01 -0,03
dic-15 0,08 0,11 0,10 0,03 0,02
ene-16 0,03 0,09 0,09 0,07 0,07
feb-16 0,05 0,07 0,07 0,03 0,03
mar-16 0,11 0,05 0,07 -0,06 -0,04
abr-16 0,12 0,06 0,08 -0,06 -0,04
may-16 0,04 0,09 0,09 0,05 0,05
jun-16 0,13 0,09 0,08 -0,04 -0,06
jul-16 0,11 0,10 0,09 -0,02 -0,02
ago-16 0,07 0,10 0,10 0,02 0,02
sep-16 0,07 0,11 0,09 0,04 0,02
oct-16 0,07 0,09 0,09 0,01 0,01
nov-16 0,13 0,07 0,08 -0,06 -0,05
dic-16 0,06 0,09 0,09 0,03 0,04
ene-17 0,15 0,09 0,09 -0,06 -0,06
feb-17 0,03 0,11 0,10 0,08 0,07
mar-17 0,08 0,08 0,08 0,00 0,00
abr-17 0,16 0,09 0,08 -0,07 -0,08
may-17 0,07 0,09 0,10 0,02 0,03
jun-17 0,08 0,10 0,09 0,03 0,02
jul-17 0,03 0,10 0,09 0,07 0,06
ago-17 0,05 0,06 0,07 0,01 0,03
sep-17 0,05 0,05 0,07 0,00 0,02
oct-17 0,14 0,04 0,06 -0,10 -0,08
nov-17 0,12 0,08 0,08 -0,04 -0,04
dic-17 0,04 0,11 0,09 0,06 0,05
ene-18 0,02 0,10 0,08 0,08 0,06
feb-18 0,14 0,06 0,07 -0,08 -0,07
mar-18 0,06 0,07 0,09 0,01 0,03
abr-18 0,15 0,07 0,08 -0,08 -0,08
may-18 0,05 0,12 0,10 0,07 0,05
jun-18 0,15 0,09 0,09 -0,07 -0,07
jul-18 0,08 0,12 0,10 0,04 0,02
ago-18 0,08 0,09 0,10 0,02 0,02
sep-18 0,14 0,10 0,09 -0,03 -0,04
oct-18 0,08 0,10 0,10 0,02 0,02
nov-18 0,07 0,10 0,10 0,03 0,03
dic-18 0,11 0,10 0,09 -0,02 -0,02
ene-19   0,09 0,10 0,09 0,10
Con esos resultados se calcularon las medidas para los errores, obteniendo los siguientes
resultados:
Suavizació
Promedi
n Exp.
o Móvil
Simple
Error Medio 0,00 0,00
MAD 0,04 0,04
MSE 0,00 0,00
MAPE 64% 56%
Desv Error 0,05 0,05

De los dos métodos elegidos la suavización exponencial presenta un MAPE inferior, luego se
entendería que el modelo es más ajustado bajo este método, sin embargo, apoyados en un
software de pronóstico, el método de Winters aditivo, arrojó un MAPE de 45%. Por esta
razón se tomaron los valores pronosticados para 2019 bajo este último modelo.

Periodo 2019 Pronóstic

Período Inferior Superior
o
Enero 49 0,086 0,010 0,161
Febrero 50 0,093 0,016 0,171
Marzo 51 0,103 0,024 0,183
Abril 52 0,165 0,083 0,247
Mayo 53 0,078 -0,007 0,162
Junio 54 0,135 0,048 0,222
Julio 55 0,095 0,005 0,185
Agosto 56 0,103 0,009 0,196
Septiembre 57 0,121 0,025 0,218
Octubre 58 0,124 0,024 0,223
Noviembre 59 0,137 0,034 0,240
Diciembre 60 0,107 0,000 0,214

Medidas de
exactitud
MAPE 45,26
MAD 0,03
MSD 0,00
Constantes de suavización
α (nivel) 0,15
γ (tendencia) 0,25
δ (estacional) 0,25

Con esta información, se procedió a realzar el ejercicio solicitado, tomando como base que 1
tonelada corresponde a 1000 kg
35% 15% 10%
Period Milanesa
Pronóstico 1.000 Costillas de cerdo Chorizos
o de cerdo
ene-19 0,09 85,57 29,9 12,8 8,6
feb-19 0,09 93,34 32,7 14,0 9,3
mar-19 0,10 103,07 36,1 15,5 10,3
abr-19 0,16 164,85 57,7 24,7 16,5
may-19 0,08 77,88 27,3 11,7 7,8
jun-19 0,13 134,97 47,2 20,2 13,5
jul-19 0,10 95,04 33,3 14,3 9,5
ago-19 0,10 102,78 36,0 15,4 10,3
sep-19 0,12 121,22 42,4 18,2 12,1
oct-19 0,12 123,51 43,2 18,5 12,4
nov-19 0,14 136,95 47,9 20,5 13,7
dic-19 0,11 107,36 37,6 16,1 10,7

Carne de pollo
0.1400

0.1200

0.1000

0.0800
Demanda anual pollo
0.0600 Regresión Lineal
Suavización exponencial doble
0.0400 Promedio Móvil Simple

0.0200

0.0000
15 15 15 15 16 16 16 16 17 17 17 17 18 18 18 18 19 19 19 19
n- pr- Jul- ct- an- pr- Jul- ct- an- pr- Jul- ct- an- pr- Jul- ct- an- pr- Jul- ct-
Ja A O J A O J A O J A O J A O

Promedio 0,08
Desviación
0,01
estándar
Coeficiente
de 0,16
variación
Tipo de Muy
demanda Estable

COMPORTAMIENTO DE LA DEMANDA

La gráfica permite describir el comportamiento de la demanda, en el que se puede decir que

es una demanda con tendencia lineal creciente.
Como se indicó anteriormente, el comportamiento de la demanda es muy estable (según el
resultado del coeficiente de variación), y su comportamiento presenta una tendencia lineal
creciente; razón por la cual, el método de pronóstico más acertado para este tipo de
demanda es la regresión lineal simple y/o suavización exponencial doble.
Con ayuda de Excel se procedió a calcular la pendiente y el intercepto para configurar la
regresión lineal.
Pendiente (m) 1,765E-04
0,07901015
Intercepto (b) 6

A continuación, se presentan los resultados obtenidos para la regresión lineal y para la

suavización exponencial doble con los siguientes parámetros:

α= 0,25 y β= 0,35
Me Proporción por Regresión
Periodo s(t) g(t) F(t)
s demanda lineal
0 0,079010156 1,765E-04
-3,714E-
1 0,079 6,807E-02
ene-15 0,0347 03 7,919E-02
-5,294E-
2 0,079 5,984E-02
feb-15 0,0463 03 6,436E-02
-4,801E-
3 0,080 5,596E-02
mar-15 0,0602 03 5,455E-02
-3,201E-
4 0,080 5,573E-02
abr-15 0,0694 03 5,116E-02
-7,078E-
5 0,080 5,965E-02
may-15 0,0810 04 5,253E-02
jun-15 6 0,0880 0,080 6,620E-02 1,832E-03 5,894E-02
jul-15 7 0,0926 0,080 7,417E-02 3,981E-03 6,803E-02
ago-15 8 0,0995 0,080 8,350E-02 5,852E-03 7,815E-02
sep-15 9 0,0972 0,081 9,132E-02 6,541E-03 8,935E-02
oct-15 10 0,1088 0,081 1,006E-01 7,498E-03 9,786E-02
nov-15 11 0,1157 0,081 1,100E-01 8,167E-03 1,081E-01
dic-15 12 0,1065 0,081 1,152E-01 7,145E-03 1,182E-01
ene-16 13 0,0713 0,081 1,096E-01 2,671E-03 1,224E-01
-3,978E-
14 0,081 1,035E-01
feb-16 0,0772 04 1,123E-01
-2,015E-
15 0,082 9,850E-02
mar-16 0,0846 03 1,031E-01
-2,922E-
16 0,082 9,389E-02
abr-16 0,0861 03 9,648E-02
-3,736E-
17 0,082 8,864E-02
may-16 0,0817 03 9,097E-02
-3,630E-
18 0,082 8,521E-02
jun-16 0,0861 03 8,491E-02
-2,973E-
19 0,082 8,346E-02
jul-16 0,0891 03 8,158E-02
 Me Proporción por Regresión
Periodo s(t) g(t) F(t)
s demanda lineal
-3,390E-
20 0,083 7,929E-02
ago-16 0,0757 03 8,048E-02
-3,015E-
21 0,083 7,697E-02
sep-16 0,0802 03 7,590E-02
-2,016E-
22 0,083 7,681E-02
oct-16 0,0854 03 7,396E-02
-7,658E-
23 0,083 7,837E-02
nov-16 0,0891 04 7,479E-02
dic-16 24 0,0935 0,083 8,159E-02 6,289E-04 7,760E-02
-1,901E-
25 0,083 7,988E-02
ene-17 0,0729 04 8,222E-02
-3,765E-
26 0,084 7,915E-02
feb-17 0,0776 04 7,969E-02
-6,889E-
27 0,084 7,788E-02
mar-17 0,0752 04 7,878E-02
-4,517E-
28 0,084 7,787E-02
abr-17 0,0799 04 7,719E-02
-2,864E-
29 0,084 7,863E-02
may-17 0,0823 05 7,742E-02
jun-17 30 0,0834 0,084 7,981E-02 3,940E-04 7,860E-02
jul-17 31 0,0858 0,084 8,160E-02 8,821E-04 8,020E-02
ago-17 32 0,0846 0,085 8,301E-02 1,068E-03 8,248E-02
sep-17 33 0,0893 0,085 8,539E-02 1,526E-03 8,408E-02
oct-17 34 0,0905 0,085 8,780E-02 1,838E-03 8,691E-02
nov-17 35 0,0905 0,085 8,985E-02 1,911E-03 8,964E-02
dic-17 36 0,0881 0,085 9,086E-02 1,594E-03 9,176E-02
-3,248E-
37 0,086 8,697E-02
ene-18 0,0705 04 9,245E-02
-1,577E-
38 0,086 8,307E-02
feb-18 0,0723 03 8,664E-02
-1,745E-
39 0,086 8,101E-02
mar-18 0,0796 03 8,149E-02
-1,560E-
40 0,086 7,979E-02
abr-18 0,0814 03 7,926E-02
-1,127E-
41 0,086 7,947E-02
may-18 0,0832 03 7,823E-02
-8,617E-
42 0,086 7,910E-02
jun-18 0,0814 04 7,834E-02
-2,708E-
43 0,087 7,993E-02
jul-18 0,0850 04 7,824E-02
ago-18 44 0,0850 0,087 8,099E-02 1,961E-04 7,966E-02
sep-18 45 0,0868 0,087 8,259E-02 6,873E-04 8,119E-02
oct-18 46 0,0895 0,087 8,483E-02 1,233E-03 8,328E-02
 Me Proporción por Regresión
Periodo s(t) g(t) F(t)
s demanda lineal
nov-18 47 0,0904 0,087 8,715E-02 1,613E-03 8,607E-02
dic-18 48 0,0949 0,087 9,031E-02 2,153E-03 8,877E-02
ene-19 49 0,088 9,246E-02
feb-19 50 0,088 9,462E-02
mar-19 51 0,088 9,677E-02
abr-19 52 0,088 9,892E-02
may-19 53 0,088 1,011E-01
jun-19 54 0,089 1,032E-01
jul-19 55 0,089 1,054E-01
ago-19 56 0,089 1,075E-01
sep-19 57 0,089 1,097E-01
oct-19 58 0,089 1,118E-01
nov-19 59 0,089 1,140E-01
dic-19 60 0,090 1,161E-01

Los errores obtenidos fueron los siguientes:

et Suavización
et Regresión lineal exponencial
doble

0,0445 4,446E-02
0,0331 1,806E-02
0,0194 -5,638E-03
0,0103 -1,829E-02
-0,0011 -2,849E-02
-0,0079 -2,902E-02
-0,0123 -2,456E-02
-0,0191 -2,139E-02
-0,0166 -7,873E-03
-0,0280 -1,094E-02
-0,0348 -7,650E-03
-0,0254 1,169E-02
0,0100 5,112E-02
0,0043 3,507E-02
-0,0030 1,848E-02
-0,0043 1,036E-02
0,0003 9,305E-03
-0,0039 -1,212E-03
-0,0067 -7,509E-03
0,0068 4,758E-03
0,0025 -4,275E-03
 et Suavización
et Regresión lineal exponencial
doble
-0,0025 -1,142E-02
-0,0060 -1,429E-02
-0,0103 -1,594E-02
0,0106 9,360E-03
0,0060 2,130E-03
0,0086 3,571E-03
0,0040 -2,711E-03
0,0019 -4,835E-03
0,0009 -4,830E-03
-0,0013 -5,579E-03
0,0001 -2,127E-03
-0,0045 -5,227E-03
-0,0055 -3,570E-03
-0,0053 -8,394E-04
-0,0028 3,632E-03
0,0150 2,192E-02
0,0134 1,431E-02
0,0063 1,923E-03
0,0047 -2,112E-03
0,0031 -4,952E-03
0,0050 -3,033E-03
0,0016 -6,753E-03
0,0018 -5,336E-03
0,0002 -5,614E-03
-0,0024 -6,236E-03
-0,0031 -4,348E-03
-0,0075 -6,168E-03

Y las medidas para los errores fueron las siguientes:

Se realizó todo el procedimiento para el promedio móvil simple con el ánimo de establecer el
mejor método de pronóstico

Promedio móvil Suavización

Regresión Lineal
simple exp Doble
Error Medio 0,0000 -0,0018 -0,0005
MAD 0,0089 0,0079 0,0113
MSE 0,0002 0,0001 0,0003
MAPE 13% 10% 16%
Desv Error 0,01 0,01 0,01

De los dos métodos elegidos el promedio móvil simple con N= 3 presentó un MAPE inferior, y
con ayuda de un software de pronóstico, se determinó que efectivamente el promedio móvil
simple es el método con el MAPE bajo de todos, razón por la cual se decidió trabajar con él.

Si se observa el gráfico, el promedio móvil simple (pronóstico) es el que más se ajusta a la

proporción de la demanda (color amarillo).

Con los datos del ejercicio y los resultados obtenidos con los métodos de pronóstico se llegó
a lo siguiente:

Asumiendo que una tonelada corresponde a 1000 kg

10% 50% 15% 25%

1.00
Periodo Pechuga Hueso Otros
Pronóstico elegido 0 Alas
91,6
ene-19 0,09 9,16 45,81 13,74 22,91
2
91,6
feb-19 0,09 9,16 45,81 13,74 22,91
2
91,6
mar-19 0,09 9,16 45,81 13,74 22,91
2
91,6
abr-19 0,09 9,16 45,81 13,74 22,91
2
91,6
may-19 0,09 9,16 45,81 13,74 22,91
2
91,6
jun-19 0,09 9,16 45,81 13,74 22,91
2
91,6
jul-19 0,09 9,16 45,81 13,74 22,91
2
91,6
ago-19 0,09 9,16 45,81 13,74 22,91
2
91,6
sep-19 0,09 9,16 45,81 13,74 22,91
2
91,6
oct-19 0,09 9,16 45,81 13,74 22,91
2
91,6
nov-19 0,09 9,16 45,81 13,74 22,91
2
91,6
dic-19 0,09 9,16 45,81 13,74 22,91
2

Segundo Punto

La compañía requiere conocer la cantidad total de empleados que requiere para la producción de
las referencias de producto, para ello se han agrupado los productos por tipo de carne, la familia
de carne de res, carne de cerdo y pollo, para ello le solicita crear la mejor estrategia con base en
la siguiente información:
 Carne de Res
Número de Capacidad de Inventario Costo de mantener el
empleados producción / Inicial inventario
hora Por semana por kilo
35 bandejas de
carne para asar
20 bandejas de
3 0 $10.000
sobrebarriga
25 bandejas de
cadera

Carne de Cerdo
Número de Capacidad de Inventario Costo de mantener el
empleados producción / Inicial inventario
hora Por semana por kilo
30 bandejas de
milanesa
2 15 bandejas de 0 $8.000
costillas
30 chorizos

Carne de Pollo
Número de Capacidad de Inventario Costo de mantener el
empleados producción / Inicial inventario
hora Por semana por kilo
15 paquetes de
alas
2 0 $7.000
30 paquetes de
pechugas

Costo de contratación: $350.000

Costo de despedir: $440.000*
Salario: $980.000 + 102.854*1

Tomado de: http://www.comunidadcontable.com/BancoConocimiento/Contador/salario-minimo-y-

auxilio-de-transporte.asp?