ACTIVIDAD LOGÍSTICA

LUIS ERNESTO MARQUEZ ARROYO

MARIA JOSE MONTERROSA DUMAR

Actividad:
La compañía busca pronosticar a corto plazo, el número de productos que debe abastecer. Los datos de consum
810, 930, 850, 790, 770, 810, 770, 730.

a) Utilizando un α igual a 0,23 prepare una suavización exponencial de los datos. Use la media de los primeros m
de suavización exponencial en el noveno mes para el resto del año.

a)
α 0.23
𝑭_𝒕=(𝑫_(𝒕−𝟏)∗𝜶)+((𝟏−𝜶)∗𝑭_(𝒕−𝟏)

Suavización exponencial Simple

t (Meses) Demanda Pronóstico Para un α = 0,23 y tomando como pronóstico inicial el

real de la promedio de la demanda real de los ocho primero meses
mensual demanda posible determinar, mediante el método de suavizació
(Dt) mensual (Ft) exponencial, los pronósticos de demanda del mes nueve
1 670 mes doce.
2 710
3 750
4 780
5 810
6 930
7 850
8 790 786
9 770 787
10 810 783
11 770 789
12 730 785
 abastecer. Los datos de consumo de enero a diciembre del año anterior fueron: 670, 710, 750, 780,

Use la media de los primeros meses como valor inicial para el pronóstico inicial, y comience el proceso

+((𝟏−𝜶)∗𝑭_(𝒕−𝟏)

mando como pronóstico inicial el

real de los ocho primero meses, es
ediante el método de suavización
ticos de demanda del mes nueve al
mes doce.
 b) Utilizando constantes de suavización α = 0,2 y β = 0,4 realice una suavización ajustada a la tendencia. A partir
del año.

b)

Regresión Lineal
Pronóstico de la
t (Meses) Demanda real (Dt) demanda regresión Los ocho prime
lineal del pronósti
1 670 698.333 regresión li
corresponden a
2 710 723.452 obtenidos a pa
3 750 748.571 herramienta an
datos de EX
4 780 773.690 (Pronóstico pa
5 810 798.810 datos del pronós
6 930 823.929 meses 9 al 1
obtienen, med
7 850 849.048 método de re
8 790 874.167 lineal, tomand
9 770 899.286 coeficientes a
ecuación, los en
10 810 924.405 a partir del mism
11 770 949.524 de datos anter
12 730 974.643 abajo).

Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.75911559588594
Coeficiente de determinación R^2 0.576256487917265
R^2 ajustado 0.505632569236809
Error típico 56.989625900838
Observaciones 8

ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Promedio de los cuadrados
Regresión 1 26500.5952380952 26500.5952
Residuos 6 19486.9047619048 3247.81746
Total 7 45987.5

Coeficientes Error típico Estadístico t

Intercepción 673.214285714286 44.4059587480735 15.1604493
Variable X 1 25.1190476190476 8.7936901895857 2.8564854

Análisis de los residuales

Observación Pronóstico para Y Residuos

1 698.333333333333 -28.3333333333333
2 723.452380952381 -13.452380952381
3 748.571428571429 1.42857142857144
4 773.690476190476 6.30952380952385
5 798.809523809524 11.1904761904763
6 823.928571428571 106.071428571429
7 849.047619047619 0.952380952380963
8 874.166666666667 -84.1666666666666
da a la tendencia. A partir de los datos de los 8 primeros meses, calcule los valores iniciales para la tendencia y la pendiente. Comience el p

Suavización exponencial Doble - Método de Holt

Los ocho primeros datos t (Meses) Demanda real (Dt)

del pronóstico de
regresión lineal 1 670
corresponden a los datos
obtenidos a partir de la 2 710
herramienta análisis de 3 750
datos de EXCEL
(Pronóstico para Y), los 4 780
datos del pronóstico de los 5 810
meses 9 al 12, se 6 930
obtienen, mediante el
método de regresión 7 850
lineal, tomando como 8 790
coeficientes a y b de la 9 770
ecuación, los encontrados
a partir del mismo análisis 10 810
de datos anterior (Ver 11 770
abajo). 12 730

F Valor crítico de F
8.15950883 0.02893461

Probabilidad Inferior 95% Superior 95% Inferior 95,0% Superior 95,0%

5.19569E-06 564.556819 781.871752 564.55681899217 781.871752436401
0.02893461 3.60166288 46.6364324 3.60166287885313 46.6364323592421
les para la tendencia y la pendiente. Comience el proceso en el noveno mes para el resto

α 0.2
β 0.4

ón exponencial Doble - Método de Holt

Pronóstico
At Tt por metodo
holt Al considerar, una suavización
ajustada a la tendencia, es
necesario considerar los valores
obtenidos mediate regresión lineal,
uesto que se se toman como valores
iniciales, en el método de Holt o
suavización exponencial Doble, para
At y Tt, el valor del pronóstico
obtenido en el mes 8 con el método
de regresión lineal y el coeficiente
de la X en la ecuación (Variable X 1),
874.17 25.1190476 respectivamente. A partir de los
873.43 15 888.20 valores anteriores, y considerando
un α = 0,2 y un β= 0,4, se calcula el
872.56 9 881.08 pronóstico por método de holt para
858.87 0 858.50 los mese 9 a 12.
832.80 -11 822.15
 ización
a, es
valores
ión lineal,
mo valores
e Holt o
oble, para
nóstico
el método
eficiente
iable X 1),
tir de los
iderando
calcula el
holt para
 c) Utilice el MAPE y MAD como base para evaluar los métodos de pronósticos utilizados anteriormente (Apliqu

c)

Suavización exponencial simple Suavizac

Pronóstico MAD MAPE

Demanda de la
t (Meses) Real (Dt) demanda t (Meses)
(Ft)

9 770 787 17.113 0.022 9

10 810 783 26.823 0.033 10
11 770 789 19.346 0.025 11
12 730 785 54.896 0.075 12
29.545 3.89%

En terminos de pronóstico, cuando se habla de error, se hace referencia a la diferencia entre el valor pronóstico
pronóstico que mejor se ajuste a los datos de demanda real. En este sentido, al observar, el MAD (Desviación ab
anteriores, se puede concluir que, el modelo de pronóstico más apropiado para la demanda mensual de la emp
tiene menor MAD y MAPE presenta, seguido por el método de Holt y por ultimo, es valido afirmar que de los tr
zados anteriormente (Apliquelo a los cuatro últimos meses)

Suavización exponencial doble Regresión lineal

Pronóstico MAD MAPE Pronóstico

Demanda de la Demanda de la
Real (Dt) demanda t (Meses) Real (Dt) demanda
(Ft) (Ft)

770 888 118.205 0.154 9 770 899.285714

810 881 71.084 0.088 10 810 924.404762
770 859 88.500 0.115 11 770 949.52381
730 822 92.153 0.126 12 730 974.642857
92.485 12.06%

ncia entre el valor pronóstico y la realidad, de igual forma, los pronóticos son utiles para determinar el modelo de
servar, el MAD (Desviación absoluta media) y el MAPE, para cada uno de los modelos empleados en los items
demanda mensual de la empresa, es el método de suavización exponencial simple, puesto que de los tres es el que
es valido afirmar que de los tres modelos el que menor ajuste tiene a los datos es el de regresión lineal.
gresión lineal

MAD MAPE

129.286 0.168
114.405 0.141
179.524 0.233
244.643 0.335
166.964 21.935%
 d) La empresa desea saber el pronóstico de enero a mayo. Haga el pronóstico con 2 de los métodos desarrollado

d)

Primer Método Segundo

Regresión Lineal Suavización Exponencia

Pronóstico
de la
Demanda
t (Meses) demanda t (Meses)
real (Dt)
regresión
lineal

1 670 698.333 1
2 710 723.452 2
3 750 748.571 3
4 780 773.690 4
5 810 798.810 5
6 930 823.929 6
7 850 849.048 7
8 790 874.167 8
9 770 899.286 9
10 810 924.405 10
11 770 949.524 11
12 730 974.643 12
13 999.762 13
14 1024.881 14
15 1050.000 15
16 1075.119 16
17 1100.238 17
on 2 de los métodos desarrollados en clase.

α 0.2
β 0.4

Segundo Método
Suavización Exponencial doble - Método de Holt

Pronóstico
Demanda
At Tt por metodo
real (Dt)
holt

670
710
750
780
810
930
850
790 874.17 25.1190476
770 873.43 15 888.20
810 872.56 9 881.08
770 858.87 0 858.50
730 832.80 -11 822.15
Pronostico 1 822.15
Pronostico 2 811.51
Pronostico 3 800.86
Pronostico 4 790.21
Pronostico 5 779.57
 e) Utilice los 12 datos para calcular la tendencia de la pendiente, utilizando el método de regresión lineal simple

e)
Método 1: Método Gráfico
Pronóstico
Demanda de la
T (Meses)
real (Dt) demanda
(Ft)
Demanda Rea
1 670 753.333 1000
2 710 758.333 900
3 750 763.333 800
f(x) = 5 x + 748.333333333333

Demanda mensual
4 780 768.333 700 R² = 0.071655253048271
600
5 810 773.333
500
6 930 778.333 400
7 850 783.333 300
8 790 788.333 200
9 770 793.333 100
0
10 810 798.333 0 2 4 6 8
11 770 803.333 Tiempo en Meses
12 730 808.333

Para obtener los coeficientes de la

ecuación lineal, los cuales son necesarios Método 3: Formulas
para aplicar el modelo de regresión lineal, Es posible encontrar los coeficientes a y b, m
se utilizan 3 métodos, el primero de ellos
es el gráfico, en donde a partir de la
gráfica de los datos, se puede obtener la
ecuación lineal (con los coeficientes), el
segundo método a considerar, es el de la
herramienta, análisis de datos de Excel, y
el ultimo método considerado, es
mediante las formulas para a y b. Los tres X Y
métodos empleados, han sido
desarrollados para este inciso del ejercicio 1 670
y se pueden encontrar en la presente 2 710
hoja. De los resultados obtenidos a partir 3 750
de estos, se puede concluir que, por los
tres métodos se obtiene el mismo valor 4 780
para los coeficientes, por lo que es 5 810
indistito el que se decida utilizar para la 6 930
regresión lineal.
7 850
8 790
9 770
10 810
11 770
12 730
 Total 78 9370
Promedio 6.5 780.83333333333

b 5
a 748.33333333333
de regresión lineal simple.

Método 2: Análisis de datos

Demanda Real Mensual

Resumen

Estadísticas de la regresión
) = 5 x + 748.333333333333 Coeficiente de correlación múlti
= 0.071655253048271 Coeficiente de determinación R
R^2 ajustado
Demana Error típico
Real Observaciones
Linear
(Deman
a Real) ANÁLISIS DE VARIANZA
2 4 6 8 10 12 14
Tiempo en Meses Regresión
Residuos
Total

Intercepción
ar los coeficientes a y b, mediante Variable X 1

Análisis de los residuales

X*Y X^2 Observación

670 1 1
1420 4 2
2250 9 3
3120 16 4
4050 25 5
5580 36 6
5950 49 7
6320 64 8
6930 81 9
8100 100 10
8470 121 11
8760 144 12
61620 650
de datos

dísticas de la regresión
0.267684988462691
0.071655253048271
-0.021179221646902
68.0563492017216
12

Grados de libertad Suma de cuadrados Promedio de los cuadrados F

1 3575 3575 0.77186038
10 46316.6666666667 4631.66666666667
11 49891.6666666667

Coeficientes Error típico Estadístico t Probabilidad

748.333333333333 41.8857874692501 17.866044272958 6.44765E-09
5 5.69115782501921 0.878555849922001 0.40025947

Pronóstico para Y Residuos

753.333333333333 -83.3333333333334
758.333333333333 -48.3333333333334
763.333333333333 -13.3333333333334
768.333333333333 11.6666666666666
773.333333333333 36.6666666666666
778.333333333333 151.666666666667
783.333333333333 66.6666666666666
788.333333333333 1.66666666666663
793.333333333333 -23.3333333333334
798.333333333333 11.6666666666666
803.333333333333 -33.3333333333334
808.333333333333 -78.3333333333334
Valor crítico de F
0.40025947114573

Inferior 95% Superior 95%Inferior 95,0%

Superior 95,0%
655.005982927057 841.660684 655.005983 841.660684
-7.68068986271101 17.6806899 -7.68068986 17.6806899
 f) Calcular la información pedida en d, a partir de lo encontrado en e.

f)

Pronóstico
Demanda de la
t (Meses)
real (Dt) demanda
(Ft) 1000

1 670 753.333 900

La regresión lineal, es
2 710 758.333 un método que resulta 800
f(
3 750 763.333 bastante util, puesto 700 R
que no es necesario

Demanda real
4 780 768.333 contar con los datos de 600
5 810 773.333 demanda real, para 500
poder encontrar un
6 930 778.333 pronóstico, como se 400
7 850 783.333 observa en el presente
item. 300
8 790 788.333
200
9 770 793.333
10 810 798.333 100
11 770 803.333 0
0
12 730 808.333
13 813.333
14 818.333
15 823.333
16 828.333
17 833.333
 Demanda real Mensual
1000
900
800
f(x) = 5 x + 748.333333333333
700 R² = 0.071655253048271
Demanda real

600
Demanda real
500
Linear (Demanda real)
400
300
200
100
0
0 2 4 6 8 10 12 14
Tiempo (Meses)
120000

100000

80000

Column K
60000 Column I
Column J
Column L

40000

20000

0
1 2 3 4 5 6 7 8 9 10
 g) Genera una demanda aleatoria entre 1000 y 5000 para un período de un año. Determine el pronóstico corre

g) A continuación se presentan los números, obtenidos a través de la función ALEATORIO.ENTRE() de excel

t (Meses) Demanda
real (Dt) Demanda Real Mensual
1 4595
102000
2 3103 101000
3 4356 f(x) = 558.66060606061 x + 94404.2666666666

Demanda Real Mensual

100000 R² = 0.943061422389609
4 4118 99000
5 3267 98000
Demanda Real
97000
6 3097 Linear (Demanda
96000
7 3358 95000
8 3189 94000
9 2681 93000
10 2265 92000
0 2 4 6 8 10 12 14
11 1085
Tiempo
12 2148

Análisis de distintos modelos de demanda, para determinar el mejor método para los datos de demanda obtenid

Promedio Movil Simple

Demanda
t (Meses)
Real (Dt)
n=2 e=2 et/ Dt n=4 e=4
1 95003
2 95811
3 96013 95407 606 0.00631165
4 96720 95912 808 0.00835401
5 97124 96366.5 757.5 0.00779931 95886.75 1237.25
6 97729 96922 807 0.00825753 96417 1312
7 98032 97426.5 605.5 0.00617655 96896.5 1135.5
8 98436 97880.5 555.5 0.00564326 97401.25 1034.75
9 98941 98234 707 0.00714567 97830.25 1110.75
10 100960 98688.5 2271.5 0.02249901 98284.5 2675.5
 n=2 n=4
MAD 889.75 MAD 1417.625
MAPE 0.90% MAPE 1.43%

Se emplean y evaluan los modelos de pronostico Promedio Movil Simple (N = 2, N =4 , N =6), suavización expone
Holt) y regresión lineal. Al comparar los MAD y MAPE de cada método, se puede afirmar, que el modelo de pron
exponencial doble o método Holt, por lo que los datos de Enero a marzo del siguiente año, se encontraran med

α 0.5
β 0.5
Suavización Exponencial Doble
t (Años) Dt At Tt Ft
1 95003 95004 0 95004
2 95811 95407.5 201.75 95609.25
3 96013 95811.125 302.6875 96113.8125
4 96720 96416.9063 454.234375 96871.1406
5 97124 96997.5703 517.449219 97515.0195
6 97729 97622.0098 570.944336 98192.9541
7 98032 98112.4771 530.705811 98643.1829
8 98436 98539.5914 478.910095 99018.5015
9 98941 98979.7508 459.534714 99439.2855
10 100960 100199.643 839.713345 101039.356
11
12
13
. Determine el pronóstico correspondiente para los 3 siguientes períodos de acuerdo con los datos obtenidos de la demanda. Determina el

ORIO.ENTRE() de excel

al Mensual Al analizar el comportamiento de los doce datos

generados , se puede observar que estos tienen
una tendencia decreciente, comienzan a
descender. De igual forma, a simple vista , estos
x + 94404.2666666666 parecen tener un comportamiento lineal
(Decreciente), sin embargo el coeficiente de
correlación lineal (R^2) es de 0,7. Es un coeficiente
Demanda Real adecuado, pero no tan alto.
Linear (Demanda Real)

12 14

a los datos de demanda obtenidos

α α
0.5 β
dio Movil Simple Suavización Exponencial Simple Suavización Ex

Ft et et /Dt At
et/Dt n=6 e=6 et /Dt
95003 95003
95003 808 0.00843327 95407
95407 606 0.00631165 95811
95710.000 1010.000 0.01044251 96417
0.01273887 96215.000 909.000 0.00935917 96997.75
0.01342488 96669.500 1059.500 0.0108412 97622.1875
0.01158295 96400.000 1632.000 0.017 97199.250 832.750 0.00849468 98112.6094
0.01051191 96904.833 1531.167 0.016 97615.625 820.375 0.0083341 98539.668
0.01122639 97342.333 1598.667 0.016 98025.813 915.188 0.00924983 98979.7803
0.02650059 97830.333 3129.667 0.031 98483.406 2476.594 0.02453045 100199.641
 n =6 S. E. Simple M. Holt
MAD 1972.875 MAD 1048.600694 MAD
MAPE 1.98% MAPE 1.07% MAPE

N =4 , N =6), suavización exponencial simple, suavización exponencial doble (Método de

e afirmar, que el modelo de pronóstico que mejor se ajusta a los datos, es suavización
uiente año, se encontraran mediante este método.
Demanda
112000
111116
110000 f(x) = 839.713344573939 x − 1593502.17326729
110276
R² = 1 109436
108597
108000 107757
Pronostico Demanda 106917 D
(años) 106000 106078 L
2021 103558 105238 L
104398
2022 104398 104000 103558
2023 105238 102000
2024 106078
2025 106917 100000
2026 107757 98000
2027 108597 2020 2022 2024 2026 2028 2030 2032
2028 109436
2029 110276
2030 111116
s de la demanda. Determina el error del pronostico y el valor optimo del pronostico.

0.5
0.5
Suavización Exponencial Doble Regresión Lineal Y = -233,38 x + 4625

Tt Ft et et / Dt Ft et et/ Dt

0 95003 4391.17 90611.83 0.95377862

202 95609 202 0.00210832 4157.34 91653.66 0.95660895
303 96114 101 0.00105194 3923.51 92089.49 0.95913564
454.5 96871.5 151.5 0.00156638 3689.68 93030.32 0.96185194
517.625 97515.375 391.375 0.00402964 3455.85 93668.15 0.96441817
571.03125 98193.2188 464.21875 0.00475006 3222.02 94506.98 0.96703108
530.726563 98643.3359 611.335938 0.00623609 2988.19 95043.81 0.96951822
478.892578 99018.5605 582.560547 0.00591817 2754.36 95681.64 0.97201877
459.502441 99439.2827 498.282715 0.00503616 2520.53 96420.47 0.97452492
839.681763 101039.323 79.3231201 0.00078569 2286.7 98673.3 0.97735044
 Regresión lineal
342.399563 MAD 94137.965
0.35% MAPE 96.56%

Demanda
111116
3939 x − 1593502.17326729
110276
109436
108597
07757 Demanda
17
Linear (Demanda)
Linear (Demanda)

2028 2030 2032