Aapronosticos en Win QSV.2018

Administración de Operaciones 1 AGOSTO 2018 Jorge H González Juárez
0WIN QSB
Pronósticos con computadora
Los cálculos del pronóstico rara vez se hacen a mano en esta época de computadoras.
Muchos programas de paquetes académicos y comerciales se encuentran disponibles para
manejar series de tiempos y proyecciones causales.
Los paquetes populares orientados a "rnainframes" incluyen Time Series Forecasting de

General Electric, e IMPACT (Inventory Management Program and Control Technique) de IBM. Los
paquetes universitarios populares son SAS, SPSS, BIONED, SYSTAB, AB:POM y Minitab. En
nuestro caso haremos uso del paquete llamado Windows QSB.
Se accede al software de WIN-

QSB, se selecciona el modelo
Pronósticos y Regresión Lineal
( Forecasting and Linear
Regression)
1. Acceptance Sampling Analysis (Análisis de muestreo de aceptación)

2. Aggregate Planning (Planeación agregada)
3. Decision Analysis (Análisis de decisiones)
4. Dynamic Programming (Programación dinámica)
5. Facility Location and Layout (Diseño y localización de plantas)
6. Forecasting and Linear Regression (Pronósticos y Regresión Lineal)
7. Goal Programming (Programación por objetivos)
8. Inventory Theory and System (Teoría y sistemas de inventarios)
1
9. Job Scheduling (Programación de jornadas de trabajo)

10. Linear and integer programming (Programación lineal y entera)
11. Markov process (Procesos de Markov)
12. Materials requirements Planning (Planeación de Requerimiento de Materiales)
13 Network Modeling (Modelación de redes)
14. Nonlinear Programming (Programación no lineal)
15. PERT y CPM (PERT_CPM)
16. Quadratic Programming (Programación cuadrática)
17. Quality Control Chart (Cartas de control de calidad)
18. Queuing Analysis (Sistemas de colas)
19. Queuing Analysis Simulation (Simulación de sistemas de colas)
En File, seleccionar la
opción Nuevo Problema
(New Problem),
A continuación se describirá la ventana de Especificaciones del problema (Problem

Specification), que contiene los:
a) Pronósticos de Series de Tiempos (Time Series Forecasting):

 (Problem Title): Título del problema Nombre con el cual se identificará el problema.
 (Time Unit): Unidad de Tiempo Se especifica la unidad de tiempo de la serie.
 (Number of Time Units - Periodos): Numero de unidades de tiempo Datos
disponibles.
2
b) Regresión lineal (Linear Regression):
 (Problem Tit1e): Título del problema Nombre con el cual se identificará el problema.
 (Number of Factors - Variables): Número de variables Cantidad de variables
utilizadas en el modelo.
 (Number of Observations): Numero de observaciones Datos disponibles.
En esta ventana seleccionamos Time Series Forecasting, ya que serán los primeros tipos de
pronóstico que estudiaremos,
Seleccionar
Pronósticos de
Series de Tiempos
(Time Series
Forecasting):
pulsar
OK
en donde tenemos los temas siguientes:
 ( Simple Average) Promedio simple

 ( Moving Average) Promedio móvil
 (Weighted Moving Average) Promedio móvil ponderado
 (Moving Average with Linear Trend) Promedio móvil con tendencia lineal
 (Single Exponential Smoothing) Suavizado exponencial simple
EJEMPLOS DE SERIES DE TIEMPO
Mediante un ejemplo demostraremos como se introducen los datos para la creación de un

pronóstico empleando series de tiempo para un promedio simple.
Ejemplo 1 : La demanda total de un nuevo tipo de soldadura a sido igual a 40, 50 y 60 toneladas
en los últimos tres meses:
Mes Cantidad
Febrero 40 ton
Marzo 50 ton
Abril 60 ton
Pronosticar la demanda estimada para el mes de Mayo.
3
Introduciendo los datos:

Llenar los campos de las ventanas,
en donde la unidad de tiempo está
dada en meses y el número de datos
disponibles son 3.
Presionamos OK
Introducimos los datos en

estricto orden
Enseguida seleccionamos
con el cursor para pasar a la
siguiente pantalla
Si se desea eliminar o agregar nuevos datos, tenemos las opciones Agregar una observación
(Add an Observation) y Eliminar una observación (Delete an Observation) en el menú (Edit).
si se desea conocer el
en Forecasting pronóstico de Mayo, es
seleccionamos el pronóstico de un
Simple average periodo, el número es 1,
(promedio simple),
Pulsar
OK
4
Tenemos el pronóstico
para el periodo 4
correspondiente al mes
de mayo, el cual es de
50 toneladas
Seleccionar con el
cursor para pasar
a la pantalla con la
línea de tendencia
:
Este resultado generalmente se puede graficar para mostrar la naturaleza de su dependencia con
el tiempo, se imprime la demanda histórica y la línea de tendencia en la grafica.
5
Empleando series de tiempo para un promedio móvil ( Moving Average)
Ejemplo 2 : Una pasteurizadora ha tenido la siguiente demanda de leche en litros en los meses
anteriores que se muestran en la siguiente tabla, usando un promedio móvil obtener el pronóstico
para el mes de agosto utilizando promedios móviles con 3 unidades de tiempo.
Mes Cantidad
Febrero 23300
Marzo 22800
Abril 24000
Mayo 20100
Junio 25000
Julio 27000
De nuevo en File, seleccionar la opción Nuevo Problema (New Problem)
Llenar los campos de las ventanas,

en donde la unidad de tiempo está
dada en meses y el número de datos
disponibles son 6.
Pulsar
OK
Al pulsar OK tenemos
Cargar los datos

y seleccionar
6
E pronóstico es para
unperiódo y el
número de periodos
constantes son 3
Pusar
OK
Seleccionamos el método, número de pronósticos y número de periodos. Al pulsar OK tenemos
Seleccionar, para
obtener la demanda
histórica y la línea de
tendencia en la grafica.
7
8
Empleando series de tiempo para un promedio móvil ponderado

(Weighted Moving Average)
Ejemplo 3 : La empresa JOR-GON-ZA emplea el promedio móvil ponderado para estimar cuantas
toneladas de materia prima necesitará en la fabricación de sus productos, en el mes de mayo, para
atender la demanda del mercado teniendo como referencia los siguientes datos históricos que se
muestran en la tabla, se le da al período más reciente un peso igual al doble al de los dos periodos
previos
Mes Cantidad
Febrero 400 ton
Marzo 500 ton
Abril 600 ton
SELECCIONAR
9
Seleccionar para
dar la
ponderación
Al último periodo se le asigna

un valor igual al doble de los
otros periodos
Al pulsar OK
se tiene
10
Al seleccionar
se tiene
Seleccionar, para
obtener la demanda
11
12
Empleando series de tiempo para un Suavizado exponencial simple

(Single Exponential Smoothing)
Ejemplo 4: En la fabricación de un radio la empresa JOR-GON-ZA desea saber cuál será el

pronóstico de demanda para el mes de agosto, con los siguientes datos históricos que se muestran
en la tabla, utilizando  = 0.6
Mes Cantidad
Febrero 100
Marzo 120
Abril 140
Mayo 145
Junio 150
Julio 170
Al seleccionar
se tiene
13
Al pulsar OK
se tiene
Seleccionar, para
obtener la demanda
14
15
Empleando series de tiempo para un Promedio móvil con tendencia lineal

(Moving Average with Linear Trend)
Ejemplo. La demanda para la energía eléctrica en una capital en el periodo 2009 - 2015 se
muestra a continuación, en megawatts. Pronosticar la demanda de 2016 y ajustar una línea recta
con tendencia a estos datos.
Año Demanda de energía
eléctrica
2009 74
2010 79
2011 80
2012 90
2013 105
2014 142
2015 122
Al pulsar OK
se tiene
Al seleccionar
se tiene
16
Seleccionamos
Promedio móvil con
tendencia lineal
(Moving Average
with Linear Trend) Número de
periódos a
pronosticar (2)
Número de
observaciones
(7)
Se pulsa
OK
Pronósticos para
periodos 8 y 9
Para obtener la
grafica se selecciona
17
18
Regresión lineal
(Linear Regression with Time)
Ejemplo Predecir el valor de Y para un X de 40 si se tienen los siguiente datos:
X Y
10 1,000
15 1,220
20 1,310
25 1,670
30 1,845
35 2,050
Se cambia de series
de tiempo a regresión
lineal
Se pone el titulo del

problema, el número
de variables (x,y) dos
y el número de
observaciones (6)
Se presiona OK y se
cargan los datos de
factores 1(X) y 2(Y)
19
Se selecciona
la figura
Se selecciona
OK
Las medias de las variables aparecen en la columna llamada Mean
Las desviaciones correspondientes están en la columna Standard Deviation (9,35 para X .y

403,34 para Y). Los valores de a y b de la ecuación de la línea recta están en la columna
Regression Coefficient:
20
Para estimar el valor de Y para un X de 40 deberemos cerrar las ventanas de resultado y en el

menú Resolver y analizar (Solve and Analyze) pulsamos sobre la última opción:
Fijar El
porcentaje
y pulsar el
botón
21
pulsar el
botón OK
pulsar el
botón
OK
Pulsamos sobre el botón Entrar valor de la variable independiente (Enter Value for Independent
Variable) e ingresamos 40. Pulsamos el botón OK en ambas ventanas.
22
Y = 553.4762 + 42.7714X = 553.4762 + 42,7714(40) = 2,264.333
En la primera fila se observa el valor de la predicción para Y (2264,333). Aplicando un nivel de

significancia (dado por el usuario) podremos ver el intervalo de predicción (Prediction Interval).
Para observar el mapa do dispersión y la línea de tendencia simplemente accederemos al menú
menú Resultados (Results) y seleccionamos Mostrar regresión lineal (Show Regression Line).
23
Regresión lineal
(Linear Regression with Time)
Ejemplo: Calcular la demanda de periódicos con base en una población de 45,000 habitantes. La
demanda de periódicos durante los últimos 8 años y la población correspondiente se muestran en
la tabla
Publicidad y ventas trimestrales

Trimestre Población Demanda periódico
1 20,000 3,000
2 24,000 3,500
3 28,000 4,100
4 30,000 4,400
5 32,000 5,000
6 36,000 5,700
7 38,000 6,400
8 40,000 7,000
24
Se cambia de series
de tiempo a regresión
lineal
Se pone el titulo del

problema, el número
de variables (x,y) dos
y el número de
observaciones (8)
Se pulsa
OK
Ingresamos los datos del problema como se muestra a continuación (factor 1 equivale a X):
Al seleccionar
se tiene
25
se especifica cual es la
variable dependiente,
para lo cual, se deberá
marcar el factor 2 (que
para nuestro caso es Y)
pulsar el
botón
OK
Cerrar la
ventana
X = 31,000 Y = 4,887.5
26
En el menú Resolver
y analizar (Solve and
Analyze) elegimos la
opción
Seleccionar
27
Asignar la cantidad 45,000 habitantes de la variable independiente y presionar OK
Al pulsar OK
se tiene
28
Al pulsar OK
se tiene
Presionar OK
29
ANALIZANDO LOS RESULTADOS
El pronóstico para los dos años se puede observar en la columna Pronóstico por SES (Forecast for
SES) en las filas correspondiente a los valores 8 y 9.
También contamos con los siguientes indicadores:
* (Cumulative Forecast Error - CFE) Error del pronóstico acumulado

* (Mean Absolute Deviation - MAD) Desviación media absoluta
* (Mean Square Error - MSE) Error medio cuadrático
* (Mean Absolute Percent Error - MAPE) Error medio porcentual absoluto
* (Tracking Signal): Señal de senda Equivale a la división entre CFE y MAD.
30
Problema: La demanda en KW de energía eléctricapara cierta area está dadaen la siguiente tabla,
la demanda esta dada en base a la población. Pronosticar la demanda cuando la población sea de
85,000 y de 98,0000
Población Demanda en
KW
45,000 2,500
55,000 2,860
60,500 3,050
63,000 3,215
64,500 3,541
67,000 3,800
75,000 4,200
85,000 ?
98,000 ?
31

Aapronosticos en Win QSV.2018

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Aapronosticos en Win QSV.2018

Cargado por

Copyright:

Formatos disponibles

Administración de Operaciones 1 AGOSTO 2018 Jorge H González Juárez

Pronósticos con computadora

Los paquetes populares orientados a "rnainframes" incluyen Time Series Forecasting de

Se accede al software de WIN-

1. Acceptance Sampling Analysis (Análisis de muestreo de aceptación)

9. Job Scheduling (Programación de jornadas de trabajo)

A continuación se describirá la ventana de Especificaciones del problema (Problem

a) Pronósticos de Series de Tiempos (Time Series Forecasting):

b) Regresión lineal (Linear Regression):

en donde tenemos los temas siguientes:

 ( Simple Average) Promedio simple

EJEMPLOS DE SERIES DE TIEMPO

Mediante un ejemplo demostraremos como se introducen los datos para la creación de un

Pronosticar la demanda estimada para el mes de Mayo.

Introduciendo los datos:

Introducimos los datos en

Empleando series de tiempo para un promedio móvil ( Moving Average)

Llenar los campos de las ventanas,

Cargar los datos

Seleccionamos el método, número de pronósticos y número de periodos. Al pulsar OK tenemos

Empleando series de tiempo para un promedio móvil ponderado

Al último periodo se le asigna

Empleando series de tiempo para un Suavizado exponencial simple

Ejemplo 4: En la fabricación de un radio la empresa JOR-GON-ZA desea saber cuál será el

Empleando series de tiempo para un Promedio móvil con tendencia lineal

Ejemplo Predecir el valor de Y para un X de 40 si se tienen los siguiente datos:

Se pone el titulo del

Las medias de las variables aparecen en la columna llamada Mean

Las desviaciones correspondientes están en la columna Standard Deviation (9,35 para X .y

Para estimar el valor de Y para un X de 40 deberemos cerrar las ventanas de resultado y en el

Y = 553.4762 + 42.7714X = 553.4762 + 42,7714(40) = 2,264.333

En la primera fila se observa el valor de la predicción para Y (2264,333). Aplicando un nivel de

Publicidad y ventas trimestrales

Se pone el titulo del

Asignar la cantidad 45,000 habitantes de la variable independiente y presionar OK

ANALIZANDO LOS RESULTADOS

También contamos con los siguientes indicadores:

* (Cumulative Forecast Error - CFE) Error del pronóstico acumulado

También podría gustarte