Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución en la
serie sobre un periodo amplio.
Cíclico Es la fluctuación en forma de onda alrededor de
la tendencia.
Estacional Es un patrón de cambio que se repite a sí
mismo período tras período ( año tras año, mes
con mes, día con día, etc.)
Aleatorio Mide la variabilidad de las series de tiempo
después de retirar los otros componentes
(tendencias, ciclos, estacionalidad, etc.).
ÁREAS DE TOMA DE DECISIONES
• DECISIONES IMPORTANTES
Mercadotecnia
Manufactura
Asignación de
Planeación de la fuerza de trabajo
producción Promociones
Control de Inventarios Introducción de
Planeación Agregada Nuevos Productos
Finanzas Personal
Inversión de Planeación de
Planta/ Equipo Fuerza de Trabajo
Planeación de Capital Contrataciones
PRONÓSTICOS
Ventas
a corto plazo
Programas de turnos
Requerimientos de recursos
Días/semanas
Necesidades Ventas de
de capacidad Familia de
productos
Patrones de Requerimientos de
ventas a largo plazo Mano de obra
Largo Tendencias de crecimiento Necesidades de recursos Mediano
plazo plazo
HORIZONTE DE PLANEACIÓN
Horizonte de tiempo
Corto plazo Mediano Plazo Largo Plazo
(0-3 meses) (3 meses- 2 años) (más de 2 años)
Nivel de Productos y Ventas Totales/
Pronóstico servicios Familias de Ventas Totales
Individuales Productos y
Servicios
Área de Manejo de Planeación de Localización
Decisión Inventarios puestos de
Programa de directivos Infraestructura
ensamble Final Planeación de Planeación de
Programa de la producción la capacidad
fuerza de MPS Gerencia de
trabajo Procuración Procesos
MPS Distribución
Técnica de Series de Regresión Regresión Lineal/
Pronóstico tiempo/Registro Lineal/Pronóstico Pronóstico
Lineal/Pronóstico Cualitativo Cualitativo
cualitativo
INFLUENCIA DEL CICLO DE VIDA DEL
PRODUCTO
• LOS BIENES Y SERVICIOS NO SE VENDEN EN FORMA
CONSTANTE A TRAVÉS DE SU VIDA EN EL MERCADO.
ENFOQUES PARA PRONÓSTICOS
Modelos de
Decisión para
Pronósticos
Pronósticos Pronósticos
Cuantitativos Cualitativos
•Aspectos subjetivos
•Modelos •Intuición, emociones,
Matemáticos experiencias
•Datos Históricos •Sistema de Valores
PRONÓSTICOS
Clasificaremos los métodos de pronostico como cualitativos
y cuantitativos.
Descomposición de Basta con ver 2 crestas y Maneja patrones Corto a Breve a Poca
series de tiempo valles cíclicos y mediano moderado sofisticación
estaciónales;
puede identificar
puntos de inflexión
ERRORES DE PRONÓSTICO
= 120 unidades
= -53 unidades
DEL RESULTADO DE LA MAD SE PUEDE DECIR QUE LA EMPRESA NO CUENTA CON UN MODELO
MUY PRECISO YA QUE LA MAD ES UNA MEDIDA DE LA PRECISIÓN GLOBAL DEL MÉTODO DE
PRONÓSTICO, EL ERROR ABSOLUTO PROMEDIO ES ALTO YA QUE REPRESENTA EL 24% DEL
NÚMERO DE CABEZAS PARA REGADERA. EL SESGO INDICA LA TENDENCIA SUB O
SOBREESTIMADA. EN EL EJEMPLO SE SUBESTIMO LA DEMANDA ACTUAL EN 53 UNIDADES, PUES
EL PROMEDIO DE ÉSTA ES DE 553 UNIDADES.
PRONÓSTICOS CUANTITATIVOS
• PROMEDIO SIMPLE
• PRONÓSTICO FI = PROMEDIO DE MESES ANTERIORES
|(Xi-
Mes i Xi Fi Xi-Fi |Xi-Fi| (Xi-Fi) 2
Fi)/Xi|*100
Enero 1 52 - - - -
Febrero 2 81 52.00 29.00 29.00 35.80 841.00
Marzo 3 47 66.50 -19.50 19.50 41.49 380.25
Abril 4 65 60.00 5.00 5.00 7.69 25.00
Mayo 5 50 61.25 -11.25 11.25 22.50 126.56
Junio 6 73 59.00 14.00 14.00 19.18 196.00
Julio 7 45 61.33 -16.33 16.33 36.30 266.78
Agosto 8 60 59.00 1.00 1.00 1.67 1.00
Septiembre 9 50 59.13 -9.13 9.13 18.25 83.27
Octubre 10 79 58.11 20.89 20.89 26.44 436.35
Noviembre 11 45 60.20 -15.20 15.20 33.78 231.04
Diciembre 12 62 58.82 3.18 3.18 5.13 10.12
Suma 709 1.66 144.48 248.23 2597.37
MAD MAPE MSD
Media 12.04 20.69 216.45
PRONÓSTICOS CUANTITATIVOS
• PROMEDIO SIMPLE
• PRONÓSTICO FI = PROMEDIO DE MESES ANTERIORES
90
F2 = X2/1 =
70
F3 = (52+81)/2 = 66.50
60
F4 = (52+81+47)/3 = 60
50
F5 = ……………………. Xi 52
Fi -
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11
PREGUNTA TIPO EGEL
Las observaciones de la demanda para cierta parte
almacenada en una refaccionaria, durante el año calendario
de 2020 fueron:
MES DEMANDA MES DEMANDA
Enero 89 Julio 223
Febrero 57 Agosto 286
Marzo 144 Septiembre 212
Abril 221 Octubre 275
Mayo 177 Noviembre 188
Junio 280 Diciembre 312
EJEMPLO
• PARA FRIGERWARE, SE TIENE COMO DATOS HISTORICOS DE ABRIL = 400, MAYO= 500,
JUNIO = 600, CON UN PESO DE LOS PRIMEROS PERIODOS DE 0.25, UN PRONÓSTICO DE
LA DEMANDA PARA JULIO USANDO UN MODELO DE TRES PERIODOS EN DONDE LA
DEMANDA DEL PERIODO MÁS RECIENTE TENGA UN PESO DEL DOBLE DE LOS DOS
PERIODOS ANTERIORES, TENDRÁ LA SIGUIENTE FORMA.
MMP = 525
SUAVIZAMIENTO EXPONENCIAL SIMPLE
• ASIGNA LA PONDERACIÓN MAYOR A LOS VALORES
OBSERVADOS MÁS RECIENTES, Y PONDERACIONES
DECRECIENTES A LOS VALORES MÁS ANTIGUOS.
• SE USA EL PROMEDIO DE LAS PRIMEROS 6 OBSERVACIONES (O N,
SI N < 6) PARA EL VALOR INICIAL ESTIMADO EN TIEMPO UNO, O
SE PUEDE ASIGNAR OTRO POR LA EXPERIENCIA.
• LOS VALORES SUBSECUENTES SE CALCULAN CON LA FÓRMULA:
90 Variable
F2 = (0.1)(52) +(1-0.1)(61.33) = 60.40 Actual
Fits
80 Forecasts
F3 = (0.1)(81) +(1-0.1)(60.40) = 62.46 95.0% PI
70 Smoothing Constant
F4 = (0.1)(47) +(1-0.1)(62.46) = 60.91 Alpha 0.2
Accuracy Measures
60
F5 = …………………….
Xi
MAPE 21.426
MAD 12.242
MSD 192.220
50
40
30
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Index
PREGUNTA TIPO EGEL
Las observaciones de la demanda para cierta parte
almacenada en una refaccionaria, durante el año calendario
de 2018 fueron:
MES DEMANDA MES DEMANDA
Enero 89 Julio 223
Febrero 57 Agosto 286
Marzo 144 Septiembre 212
Abril 221 Octubre 275
Mayo 177 Noviembre 188
Junio 280 Diciembre 312
S1 = (.1)(200)+(.9)(200+10) = 209.0
T1 = (.1)(209-200)+(.9)(10) = 9.9
S2 = (.1)(250)+(.9)(209+9.9) = 222.0
T2 = (.1)(222-209)+(.9)(9.9) = 10.2
S3 = (.1)(175)+(.9)(222+10.2) = 226.5
T3 = (.1)(226.5-222)+(.9)(10.2) = 9.6
Y así sucesivamente.
SUAVIZAMIENTO EXPONENCIAL DOBLE
α =0.1 β =0.1
Periodo (t) Xt St Tt
0 - 200.00 10.00
1 200 209.00 9.90
2 250 222.01 10.21
3 175 226.50 9.64
4 186 231.12 9.14
5 225 238.74 8.98
6 285 251.45 9.36
Ft,t+m = St + mTt
7 305 265.23 9.80
8 190 266.52 8.95
Pronosticar en el periodo 2, la demanda para el periodo 5.
m = 5-2 =3
F2,5 = S2 + (3)T2 = 222+(3)(10.2) = 252.6
PREGUNTA TIPO EGEL
TAREA: SHORELINE PARK, EN MOUNTAIN VIEW, CALIFORNIA, HA MANTENIDO
REGISTROS DE LA CANTIDAD DE PERSONAS QUE VISITAN EL PARQUE DESDE QUE
ABRIÓ EN ENERO DE 2003. PARA LOS PRIMEROS 8 MESES DE FUNCIONAMIENTO
SE REGISTRARON LAS SIGUIENTES CIFRAS:
Cantidad Cantidad
Mes Mes
Visistantes Visistantes
Enero 133 Mayo 1,876
Febrero 183 Junio 2,550
Marzo 285 Julio 2,150
Abril 640 Agosto 2,660
Ft,t+m = St + mTt
ANÁLISIS DE TENDENCIA CON REGRESIÓN LINEAL
• REGRESIÓN ES LA RELACIÓN FUNCIONAL DE DOS O MÁS
VARIABLES CORRELACIONADAS.
• LA USAMOS PARA PREVER UNA VARIABLE, DADA OTRA VARIABLE
• PRESUPONE QUE LOS DATOS DEL PASADO Y LAS PROYECCIONES
DEL FUTURO QUEDAN APROXIMADAMENTE EN LÍNEA RECTA
MODELOS DE REGRESIÓN LINEAL
• SE ASUME QUE UNA VARIABLE DEPENDIENTE Y DEPENDE DE
OTRA VARIABLE INDEPENDIENTE X, TAL COMO VENTAS Y
CANTIDAD DE LLUVIA
46
PRONÓSTICO CAUSAL- ANÁLISIS DE
REGRESIÓN
Y=a+bX n 2
-( )i 2
i
a = (1/n) i – b ((1/n) i)
PRONÓSTICO CAUSAL- ANÁLISIS DE
REGRESIÓN
Ejemplo: Los datos trimestrales de fallas de ciertos motores
aeronáuticos en una base militar durante los últimos dos años
son: 200, 250, 175, 186, 225. Para pronosticar la cantidad de
fallas de motor se usa regresión lineal, calcule el pronostico
para el periodo 8.
a = (1/n) i – b ((1/n) i)
Y=a+bX
b= n i Yi -( i)( i)
2
n i -( )i 2
PRONÓSTICO CAUSAL- ANÁLISIS DE
REGRESIÓN
X Y XY X2 300
15 1039 3109 55 50
b = -40/50 = - 4/5 0 1 2 3 4 5 6
2
b = 6(28,594)) - ((21)(5,667)) = 500.54
n i -( )i 2
(6(91)) - ((21)(21))
a = (1/n) i – b ((1/n) i)
A largo plazo. Resulta obvio que todo análisis de capacidad, conduce a una
conclusión en el sentido de que se debe aumentar, mantener ó reducir la capacidad
disponible. En este último caso, la opción menos traumática, y muchas veces la más
interesante, consiste en intentar reutilizar los sobrantes de capacidad de alguna
forma: por ejemplo en algún otro producto.
Fases de la planificación y control de la capacidad
La Figura 3 muestra cual sería la esencia lógica de ese proceso de planificación de
la capacidad.
Ejemplo:
b) La utilización
Solución:
Producción esperada = (Capacidad efectiva)(Eficiencia) =
(175,000)(.75) = 131,250 panecillos
Respuesta:
Manejo de la demanda
Aún teniendo un buen pronóstico e instalaciones construidas de
acuerdo con éste, puede haber una correspondencia deficiente
entre la demanda real y la capacidad disponible. Una
correspondencia deficiente significa que la demanda supera a la
capacidad o que la capacidad excede a la demanda. Sin
embargo, en ambos casos las empresas tienen alternativas.
Figura S7.5,
Enfoques para
la ampliación de
la capacidad
Conceptos de capacidad, unidad de medida, eficiencia y utilización
Figura S7.5,
Enfoques para
la ampliación de
la capacidad
Capacidad aproximada
Capacidad aproximada
Se toman las horas estándar para cada uno de los artículos que
se producen de acuerdo con el programa maestro, y se
multiplican por las horas estándar (o por un promedio histórico de
estas) utilizadas para producir el articulo.
Ejemplo:
No. Semana 1 2 3 4 5
X 10 10 15 15 15
Y 25 25 20 20 26
Capacidad aproximada, CPOF
No. Semana 1 2 3 4 5
Horas Totales 148.845 148.845 129.975 129.975 156.63
No. Semana 1 2 3 4 5
CT 100 29.77 29.77 25 25 31.33
CT 200 66.98 66.98 58.49 58.49 70.48
CT 300 52.1 52.1 45.49 45.49 54.82
Hrs Semana 1
CT 100 = (148.845)(0.20) = 29.77
CT 200 = (148.845)(0.45) = 66.98
CT 300 = (148.845)(0.35) = 52.1
No. Semana 1 2 3 4 5
CT 100 33.295 33.295 30.255 30.255 35.88
CT 200 66.45 66.45 58.2 58.2 70.05
CT 300 49.1 49.1 41.52 41.52 50.7
Hrs Semana 1
CT 100 = (0.517)(10) + (1.125)(25) = 33.295
CT 200 = (0.72)(10) + (2.37)(25) = 66.45
CT 300 = (0.32)(10) + (1.836)(25) = 49.1
Capacidad aproximada.
PROGRAMACIÓN DE CAPACIDAD FINITA
GRAFICAS DE GANTT
PROGAMACION RETROSPECTIVA