Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Gestión de la producción II
Ing. Rafael Merlano Porto
Esp. En gerencia de proyectos
MSc en Ingeniería, énfasis en Producción y Optimización.
.
Textos y material de apoyo
1. STEPHEN N. CHAPMAN, Planificación y Control de
la Produccion. Prentice Hall, Capitulo 2 Pagina 17.
Dependiente
Independiente
Administración de la demanda
Correlación
Dist. probabilidades
Tipo de Demanda
Demanda promedio
Tendencia
Estacionalidad
Ciclicidad
Aleatoriedad
Auto correlación
Modelos
1. Cualitativos
2. Series de
tiempo
3.Causales
Técnicas cualitativas de pronóstico
Técnicas acumulativas
Investigación de mercados
Grupos de consenso
Analogía histórica
Método de Delfos
Técnicas acumulativas
Deriva un pronóstico a través de la
compilación de las entradas de aquellos
que se encuentran al final de la jerarquía y
que tratan con lo que se pronostica. Por
ejemplo, un pronóstico general de las
ventas se puede derivar combinando las
entradas de cada uno de los vendedores
que están más cerca de su territorio.
Investigación de mercados
http://www.youtube.com/watch?v=VZt2YJNTY
EE
Grupos de consenso
http://www.youtube.com/watch?v=xlCgGmoN0F4
Método de Delfos
1. Elegir los expertos a participar. Debe haber gran variedad de personas con
conocimientos en distintas áreas.
4. Volver a resumir, refinar las proyecciones y condiciones, y una vez más plantear
preguntas nuevas.
5. Repetir el paso 4, si es necesario. Distribuir los resultados finales entre todos los
participantes.
Actividad evaluativa
1. Desarrollar un cuadro comparativo donde se
muestren las ventajas y desventajas de cada
una de estas técnicas.
3. La precisión requerida.
MESES
DATOS ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
SEMANA-1 190 230 200 220 210 210 440
SEMANA-2 250 240 240 180 200 220 420
SEMANA-3 260 260 280 240 230 215 360
SEMANA-4 260 280 270 220 250 230 430
TALLER-2
EJERCICIO-2
MESES
DATOS ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
SEMANA-1 190 230 200 220 210 210 220
SEMANA-2 250 240 240 180 200 220 230
SEMANA-3 260 260 280 240 230 215 240
SEMANA-4 260 280 270 220 250 230 240
TALLER-2
MES SEMANA VENTAS
ENERO SEMANA-1 190
SEMANA-2 250
SEMANA-3 260
SEMANA-4 260
FEBRERO SEMANA-1 230
SEMANA-2 240
SEMANA-3 260
SEMANA-4 280
MARZO SEMANA-1 200
SEMANA-2 240
SEMANA-3 280
SEMANA-4 270
ABRIL SEMANA-1 220
SEMANA-2 180
SEMANA-3 240
SEMANA-4 220
MAYO SEMANA-1 210
SEMANA-2 200
SEMANA-3 230
SEMANA-4 250
JUNIO SEMANA-1 210
SEMANA-2 220
SEMANA-3 215
SEMANA-4 230
JULIO SEMANA-1 220
SEMANA-2 230
SEMANA-3 240
SEMANA-4 240
0
50
100
150
250
300
200
190
SEMANA-1
250
SEMANA-2
ENERO
SEMANA-3
230
SEMANA-1 240
SEMANA-2
260
SEMANA-3
FEBRERO
280
SEMANA-4
200
SEMANA-1
240
SEMANA-2
280
MARZO
SEMANA-3
270
SEMANA-4
220
SEMANA-1
180
SEMANA-2
240
ABRIL
VENTAS
SEMANA-3
220
TALLER-2
SEMANA-4
210
SEMANA-1
200
SEMANA-2
230
MAYO
SEMANA-3
250
SEMANA-4
210
SEMANA-1
220
SEMANA-2
215
JUNIO
SEMANA-3
230
SEMANA-4
220
SEMANA-1
230
SEMANA-2
JULIO
SEMANA-3
240 240
SEMANA-4
TALLER-2
MESES PRONOSTICO
Datos ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO
SEMANA-1 190 230 200 220 210 210 220 211
SEMANA-2 250 240 240 180 200 220 230 223
SEMANA-3 260 260 280 240 230 215 240 246
SEMANA-4 260 280 270 220 250 230 240 250
VENTAS ESPERADAS
AGOSTO
SEMANA-1 211
SEMANA-2 223
SEMANA-3 246
SEMANA-4 250
Promedio móvil simple
La fórmula de un promedio móvil simple es:
MESES PRONOSTICO
Datos ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO
SEMANA-1 9,5 11,5 14 22 37,8 52,5 66 213
SEMANA-2 12,5 12 24 18 36 55 69 227
SEMANA-3 13 13 50,4 24 41,4 53,75 72 268
SEMANA-4 13 14 67,5 22 45 57,5 72 291
W4 =0,1 MESES
DATOS ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO
SEMANA-1 190 230 200 220 210 210 220
SEMANA-2 250 240 240 180 200 220 230
SEMANA-3 260 260 280 240 230 215 240
SEMANA-4 260 280 270 220 250 230 240
Suavización Exponencial
En estos métodos, al agregar cada nueva
pieza de datos, se elimina la observación
anterior y se calcula el nuevo pronóstico.
En muchas aplicaciones (quizás en la
mayor parte), las ocurrencias más
recientes son más indicativas del futuro
que aquellas en el pasado más distante.
Si esta premisa es válida (que la
importancia de los datos disminuye
conforme el pasado se vuelve más
distante), es probable que el método
más lógico y fácil sea la suavización
exponencial.
Suavización Exponencial
1. Los modelos exponenciales son sorprendentemente precisos.
6. Es fácil calcular las pruebas de precisión relacionadas con el desempeño del modelo.
Suavización Exponencial
La ecuación para un solo pronóstico de
uniformidad exponencial es simplemente
Análisis de regresión lineal
La regresión lineal se
utiliza tanto para
pronósticos de series
de tiempo como
para pronósticos de
relaciones causales.
Análisis de regresión lineal
Ecuación de la recta
Secante de la recta
Pendiente de la recta
Error estándar
Análisis de regresión lineal
Ecuación de la recta
𝑛 σ 𝑥∗𝑦−σ 𝑥∗σ 𝑦
b= 2
Pendiente de la recta
𝑛 σ 𝑥 2 −(σ 𝑥)
σ 𝑦−𝑏 σ 𝑥
a= Corte con la ordenada
𝑛
Análisis de regresión lineal
Análisis de regresión lineal
solución
Datos
Mes Trimestre Ventas
1 T1 600
T2 1550
T3 1500
T4 1500
2 T1 2400
T2 3100
T3 2600
T4 2900
3 T1 3800
T2 4500
T3 4000
T4 4900
Análisis de regresión lineal
solución
Ventas y = 359,62x + 441,67
R² = 0,9332
6000
5000 4900
4500
4000 4000
3800
3000 3100
2900
2600
2400
2000
1550 1500 1500
1000
600
0
T1 T2 T3 T4 T1 T2 T3 T4 T1 T2 T3 T4
1 2 3
Análisis de regresión lineal
DATOS PARA EL CALCULO DELA RECTA DE REGRESIÓN
Y = A + BX
A= 441,67
10000
8000
6000
4000
2000
0
2010 2011 2012 2013 2014
Variación estacional
Años Total- Anual
2010 10800
2011 11900
2012 11000
2013 12200
2014 13000 Logarítmica
12000
10000
8000
6000
4000
2000
0
2010 2011 2012 2013 2014
Variación estacional
Años Total- Anual
2010 10800
2011 11900
2012 11000
2013 12200
2014 13000 Lineal
12000
10000
8000
6000
4000
2000
0
2010 2011 2012 2013 2014
Variación estacional
Variación estacional
Variación estacional
Control de Pronostico
El error de pronostico
es la diferencia entre
la demanda real y el
pronostico.
matemáticamente,
𝑒𝑡 = 𝑑𝑡 − 𝐹𝑡 .
Control de Pronostico
Al observar el error en un
El error de pronostico
periodo aislado no se es la diferencia entre
obtiene información útil, la demanda real y el
los errores se observan pronostico.
matemáticamente,
en toda la historia del 𝑒𝑡 = 𝑑𝑡 − 𝐹𝑡 .
sistema de pronostico.
Error del pronostico
Los errores se pueden clasificar en ;
1. Sesgados.
• Fuentes: No incluir las variables correctas
• Relaciones equivocadas entre las variables
• El uso de la recta de tendencia errónea
• Cambio en la demanda estacional.
• La existencia de alguna tendencia no detectada
2. Aleatorios.
σ𝑛𝑖=1 𝐴𝑡 − 𝐹𝑡
𝑀𝐴𝐷 =
𝑛
t = Número del periodo
A = Demanda real para el periodo
F = Demanda pronosticada para el periodo
n = Número total de período
Cuando los errores que ocurren en el pronóstico tienen una distribución normal (el
caso más común), la desviación absoluta media se relaciona con la desviación
estándar como
1 MAD = 0.8
desviaciones estándar
Medición del error
Señal de Seguimiento
𝐸𝑡 = 𝑒𝑡
𝑡=1
Se supone que el proceso tiene una componente aleatoria
𝛿 2 que sigue una distribución Normal con media cero y varianza 𝜖𝑡 entonces
𝐸𝑡 debe ser cercano a cero, entonces el pronostico se comporta adecuadamente
Control de Pronostico
Ejemplo:
PRONOSTICO DE LA DESVIACIÓN(ERROR) 𝐸𝑡 DESVIACIÓN Sum Desviación
MES DEMANDA REAL 𝑒𝑡 RSFE ABSOLUTA Absoluta MAD TS
1 1000 950 -50 -50 50 50 50,00 -1,0
𝐸𝑡
2 1000 1070 70 20 70 120 60,00 0,3
3 1000 1100 100 120 100 220 73,33 1,6
4 1000 960 -40 80 40 260 65,00 1,2
5 1000 1090 90 170 90 350 70,00 2,4
6 1000 1050 50 220 50 400 66,67 3,3
Señal de Rastreo
Series1
La realidad supera el pronostico
3,3
2,4
1,6
1,2
0,3
σ𝑛𝑡=1(𝐸𝑟𝑟𝑜𝑟𝑒𝑠 𝑑𝑒 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑜)2
𝑀𝑆𝐸 =
𝑛
𝐴𝑡 = Demanda Real
𝐹𝑡 = 𝑉𝑎𝑙𝑜𝑟 𝑃𝑟𝑜𝑛𝑜𝑠𝑡𝑖𝑐𝑎𝑑𝑜
n = Número total de período
El error cuadrado medio es una segunda formula para medir el error global del
pronostico el MSE, es el promedio de los cuadrados de las diferencias encontradas
entre los valores pronosticados y los observados
Medición del error
Ejercicio
Un problema tanto con la MAD como con el MSE es que sus valores dependen de la
magnitud del elemento que se pronostica. Si el elemento pronosticado se mide
en millares, los valores de la MAD y del MSE pueden ser muy grandes. Para evitar
este problema, podemos usar el error porcentual absoluto medio (MAPE)
Otros Metodos