Produccion II - Modulo I

MODULO I
JOHN ANDRES MUÑOZ GUEVARA

Ingeniero Industrial
M.Sc. Sistemas Automáticos de Producción.
Correo: johandmunoz@utp.edu.co
FACULTAD DE
INGENIERIA INDUSTRIAL
FACULTAD DE
PRODUCTION PLANNING. RAW
MATERIALS
WIP
CUSTOMER FINISHED
FACULTAD DE
INGENIERIA INDUSTRIAL PRODUCT
PRODUCTION PLANNING.
FORECASTING SYSTEMS
AGGREGATE PLANNING
MASTER PRODUCTION
SCHEDULE MPS
MATERIAL REQUIRIMENT
PLANNING MRP
INVENTORY MANAGEMENT
FACULTAD DE
FACULTAD DE
FORECASTING SYSTEMS.
¿What is Forecast?
¿HOW MANY
WILL I SELL
NEXT MONTH?
FACULTAD DE
¿What is Forecast?
Un Pronóstico se basa en determinar qué pasará en
el futuro con el fin de tomar decisiones adecuadas a
un problema de planificación de operaciones.
Se usa el término Pronosticar para hacer referencia a

un método específico, en lugar de la simple
adivinanza, para predecir eventos futuros.
FACULTAD DE
Forecasting Methods:
FORECAST
CUALITATIVOS CUANTITATIVOS
o Método de Delphi o Modelos Causales.

o Agregados de la o Series de Tiempo:
Fuerza de Venta. • Estacionarias.
o Encuestas Cliente. • Tendencia.
o Juicio de Opinión • Estacionales.
FACULTAD DE
Necesidad Pronostico
NO ¿Datos
Disponibles?
SI
Recolección de Datos Análisis de Datos
NO SI
¿Cuantitativo?
MÉTODOS ¿Factores
CUALITATIVOS Causales?
FACULTAD DE
FORECASTING SYSTEMS. SI NO
¿Factores
Causales?
MÉTODOS MODELO CAUSAL SERIES DE TIEMPO

CUALITATIVOS
Elegir Modelo Elegir Modelo

Enfoque Cualitativo
Seleccionar Método Seleccionar Método

Elegir Método
Estimar Parámetros Estimar Parámetros

Validación
Validación Modelo Validación Modelo
FACULTAD DE
Error Cuadrático Medio [MSE]: 𝒏 𝟐
𝒕=𝟏(𝑫𝒕 −𝒀𝒕)
MSE =
𝒏
Desviación Media Absoluta [MAD]:

𝒏
𝒕=𝟏 |𝑫𝒕 −𝒀𝒕|
MAD =
𝒏
Error Porcentual Absoluto Medio [MAPE]: 𝒏 |𝑫𝒕 − 𝒀𝒕|

𝒕=𝟏 𝒀𝒕
MAPE =
FACULTAD DE
𝒏
FORECASTING
CAUSAL
MODEL
FACULTAD DE
FORECASTING CAUSAL MODEL.
Sea Y el fenómeno que deseamos pronosticar y 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , ………, 𝑿𝒏 ;
son n variables que creemos están relacionadas con Y. Entonces un
Modelo Causal es aquel en el que el pronostico para Y es función de
las variables independientes que lo afectan:
𝒀 = 𝒇(𝑿𝟏 , 𝑿𝟐 , …….. , 𝑿𝒏 )
En muchos casos los Modelos Causales presentan una relación lineal
entre Y (𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , ………, 𝑿𝒏 ):
FACULTAD DE
𝒀 = α𝟎 + α𝟏 𝑿𝟏 + α𝟐 𝑿𝟐 + …….. + α𝒏 𝑿𝒏
EJEMPLO: El gerente del departamento de plomería de una tienda líder en
productos para la construcción. Cada mes, debe colocar una orden de accesorios
de plomería para baños. Si ordena más de lo que vende, los excedentes
representan dinero para la empresa que no puede usar en otra parte. Si ordena
muy pocos, las ventas se pierden en favor de los competidores.
El gerente a reunido los datos correspondientes a los últimos dos años el cual se
presenta en la siguiente tabla:
FACULTAD DE
EJEMPLO:
MES VENTA MES VENTA
VENTAS DE VENTAS DE
ITEM DE ITEM DE
ACCESORIOS ACCESORIOS
1 ENERO 72 13 ENERO 63
2 FEBRERO 44 14 FEBRERO 50
3 MARZO 80 15 MARZO 67
4 ABRIL 191 16 ABRIL 109
5 MAYO 187 17 MAYO 304
6 JUNIO 57 18 JUNIO 239
7 JULIO 238 19 JULIO 223
8 AGOSTO 283 20 AGOSTO 173
9 SEPTIEMBRE 204 21 SEPTIEMBRE 211
10 OCTUBRE 144 22 OCTUBRE 104
11 NOVIEMBRE 102 23 NOVIEMBRE 59
12 DICIEMBRE 109 24 DICIEMBRE 24
FACULTAD DE
SOLUCIÓN: Grafica las ventas de accesorios de plomería.
FACULTAD DE
EJEMPLO: El gerente sabe que la mayoría de los accesorios que vende son para
casas nuevas; los accesorios de reposición significan menos del 6% de las ventas
totales. Los accesorios de plomería se instalan una vez que se han puesto el techo
y las paredes, casi siempre alrededor de un mes después de que se emite el
permiso de construcción. Como todas las construcciones necesitan el permiso de
construcción.
¿El número de permisos emitidos el mes pasado puede ayudar a determinar el

número de accesorios que debe ordenar en este mes?
FACULTAD DE
EJEMPLO:
MES VENTA MES VENTA
MES NUMERO DE VENTAS DE MES NUMERO DE VENTAS DE
ITEM DE ITEM DE
PERMISO PERMISOS ACCESORIOS PERMISO PERMISOS ACCESORIOS
1 DICIEMBRE 22 ENERO 72 13 DICIEMBRE 28 ENERO 63

2 ENERO 16 FEBRERO 44 14 ENERO 21 FEBRERO 50
3 FEBRERO 24 MARZO 80 15 FEBRERO 18 MARZO 67
4 MARZO 95 ABRIL 191 16 MARZO 46 ABRIL 109
5 ABRIL 84 MAYO 187 17 ABRIL 145 MAYO 304
6 MAYO 13 JUNIO 57 18 MAYO 122 JUNIO 239
7 JUNIO 114 JULIO 238 19 JUNIO 108 JULIO 223
8 JULIO 147 AGOSTO 283 20 JULIO 85 AGOSTO 173
9 AGOSTO 96 SEPTIEMBRE 204 21 AGOSTO 107 SEPTIEMBRE 211
10 SEPTIEMBRE 59 OCTUBRE 144 22 SEPTIEMBRE 53 OCTUBRE 104
11 OCTUBRE 35 NOVIEMBRE 102 23 OCTUBRE 17 NOVIEMBRE 59
FACULTAD DE
12 NOVIEMBRE 41 DICIEMBRE 109 24 NOVIEMBRE 12 DICIEMBRE 24
SOLUCIÓN: Grafica la columna de permisos de construcción.
FACULTAD DE
SOLUCIÓN:
FACULTAD DE
Análisis de Correlación.
Correlación perfecta Correlación fuerte Correlación moderada
positiva r = 1 positiva r = 0,8 positiva r = 0,6
No hay Correlación Correlación fuerte Correlación No Lineal

r=0 negativa r = - 0,8 r=0
SOLUCIÓN:
FACULTAD DE
EJEMPLO: Esto se llama proceso de pronóstico causal, porque el valor de la
variable dependiente (accesorios de plomería para baños) está causada o al menos
tiene una correlación alta con el valor de la(s) variable(s) independientes (permisos
de construcción).
Determine el pronostico de los accesorios para baño si los permisos generados

corresponden a 50, 100 y 150.
FACULTAD DE
SOLUCIÓN: Y = 1,8283X + 24,166
FORECAST FORECAST FORECAST

PERMISOS 50 PERMISOS 100 PERMISOS 150
ACCESORIO 116 ACCESORIO 207 ACCESORIO 298
FACULTAD DE
FORECASTING CAUSAL MODEL. t
NUMERO DE
PERMISOS Dt Yt |Dt - Yt| (Dt - Yt)^2 |Dt - Yt|/Yt
1 22 72 65 7 49 0,11
SOLUCIÓN: 2
3
16
24
44
80
54
69
10
11
100
121
0,19
0,16
4 95 191 198 7 49 0,04
5 84 187 178 9 81 0,05
Y = 1,8283X + 24,166 6
7
13
114
57
238
48
233
9
5
81
25
0,19
0,02
8 147 283 293 10 100 0,03
9 96 204 200 4 16 0,02
𝒏 𝟐 10 59 144 133 11 121 0,08
𝒕=𝟏(𝑫𝒕 −𝒀𝒕)
MSE = 11
12
35
41
102
109
89
100
13
9
169
81
0,15
0,09
𝒏 13 28 63 76 13 169 0,17
14 21 50 63 13 169 0,21
15 18 67 58 9 81 0,16
MAD 9 16
17
46
145
109
304
109
290
0
14
0
196
0,00
0,05
18 122 239 248 9 81 0,04
MSE 112 19
20
108
85
223
173
222
180
1
7
1
49
0,00
0,04
21 107 211 220 9 81 0,04
FACULTAD DE
MAPE 10,5% 22
23
53
17
104
59
122
56
18
3
324
9
0,15
0,05
24 12 24 47 23 529 0,49
TIME
SERIES
FACULTAD DE
TIME SERIES.
Los modelos de series de tiempo basan sus cálculos mediante
la relación de la variable a pronosticar con el tiempo
transcurrido.
Series de Tiempo es un nombre termino para hacer referencia

a un conjunto de fenómenos físicos o económicos observados
en puntos discretos de tiempo, normalmente espaciados
equitativamente, días, semanas, meses o años.
En el análisis de series de tiempo se intenta aislar los patrones

que surgen con mayor frecuencia, entre los que tenemos los
siguientes:
FACULTAD DE
TIME SERIES.
1. STATIONARY: Es aquella en donde no se puede observar un patrón de
tendencia o estacionalidad. La tendencia muestra un comportamiento
constante con respecto al tiempo. Este comportamiento se presenta en las
demandas aleatorias y cíclicas.
2. TREND: Se refiere a un patrón estable de crecimiento o declive, como una
tendencia lineal, no lineal, exponencial o cuadrática.
3. SEASONALITY: Es aquella que se repite en intervalos fijos de tiempo, como la

moda, el helado, navidad.
FACULTAD DE
TIME SERIES.
RANDOM STATIONARY
DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
CYCLIC SEASONAL
DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
TREND PLUS SEASONALITY LINEAR TREND

DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
QUADRATIC TREND EXPONENTIAL TREND

DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
TIME SERIES.
LOGARITHMIC TREND S CURVE

DEMANDA
DEMANDA
Tiempo Tiempo
FACULTAD DE
STATIONARY
TIME
SERIES
FACULTAD DE
STATIONARY TIME SERIES.
SIMPLE MOVING AVERAGE.
En lugar de tomar el promedio de todos los datos, se puede

elegir promediar sólo algunos de los datos más recientes. Este
método, llamado de promedio móvil, es un compromiso entre
los métodos del último dato y del promedio. Generalmente se
aplican a datos con series de tiempo aleatorias o estacionales.
Un promedio móvil del orden N es sencillamente el promedio

aritmético de las observaciones N mas recientes dando un
paso adelante del N periodos.
FACULTAD DE
Los métodos de promedios móviles solo promedian los datos

más recientes para reducir el efecto de la fluctuaciones
aleatorias.
Como sólo usa datos recientes para el pronóstico, un

promedio móvil responde al cambio en el proceso de una
manera más rápida.
FACULTAD DE
SIMPLE MOVING AVERAGE. WEEK DEMAND WEEK DEMAND
1 200 13
1 186
200
EJEMPLO: El departamento de ventas ha 2 280 14
2 225
280
suministrado al área de producción los registros 3 120 15
3 130
120
semanales de las ventas en los últimos seis 4 150 16
4 100
150
meses, los cuales se presentan en la siguiente 5 190 17
5 110
190
tabla. Realice el pronostico para la siguiente 6 110 18
6 150
110
semana basado en la información disponible. 7 220 19
7 285
220
8 260 20
8 305
260
9 310 21
9 190
310
10 260 22
10 165
260
11 250 23
11 215
250
FACULTAD DE
INGENIERIA INDUSTRIAL 12 175 24
12 200
175
EJEMPLO:
FACULTAD DE
EJEMPLO: Realice el pronostico del volumen de ventas de la siguiente
semana con valores promedios de N = 4 y N = 6.
a) Grafique la Serie de Tiempo y sus pronósticos

b) Calcule los errores del pronostico para los dos N
c) ¿Qué valor de N pronostica con menor error?
FACULTAD DE
EJEMPLO: WEEK DEMAND N=4 N=6 WEEK DEMAND N=4 N=6
1 200 13
1 186
200 249 246
2 280 14
2 225
280 218 241
3 120 15
3 130
120 209 235
4 150 16
4 100
150 179 205
5 190 188 17
5 110
190 161
188 178
6 110 185 18
6 150
110 142
185 155
7 220 143 175 19
7 285
220 123
143 151
175
8 260 168 179 20
8 305
260 162
168 167
179
9 310 195 175 21
9 190
310 213
195 180
175
10 260 225 207 22
10 165
260 233
225 190
207
11 250 263 225 23
11 215
250 237
263 201
225
12 175 270 235 24
12 200
175 219
270 219
235
FACULTAD DE
25 193 227
EJEMPLO:
FACULTAD DE
STATIONARY TIME SERIES. WEEK
WEEK
11
DEMAND
DEMAND
200
200
N
N == 64 |Dt
|Dt -- Yt|
Yt| (Dt
(Dt -- Yt)^2
Yt)^2 |Dt - Yt|/Yt
22 280
280
33 120
120
EJEMPLO: Calculo de Errores 44
55
150
150
190
190 188 2 4 0,01
66 110
110 185 75 5625 0,41
77 220
220 175
143 45
77 2025
5929 0,26
0,54
88 260
260 179
168 81
92 6561
8464 0,45
0,55
99 310
310 175
195 135
115 18225
13225 0,77
0,59
10
10 260
260 207
225 53
35 2809
1225 0,26
0,16
MAD 61 11
11
12
12
250
250
175
175
225
263
235
270
25
13
60
95
625
169
3600
9025
0,11
0,05
0,26
0,35
MSE 5776 13
13
14
14
186
186
225
225
246
249
241
218
60
63
167
3600
3969
256
49
0,24
0,25
0,07
0,03
15
15 130
130 235
209 105
79 11025
6241 0,45
0,38
MAPE 34,5% 16
16
17
17
100
100
110
110
205
179
178
161
105
79
68
51
11025
6241
4624
2601
0,51
0,44
0,38
0,32
18
18 150
150 155
142 58 25
64 0,03
0,06
19
19 285
285 151
123 134
162 17956
26244 0,89
1,32
20
20 305
305 167
162 138
143 19044
20449 0,83
0,88
21
21 190
190 180
213 10
23 100
529 0,06
0,11
22
22 165
165 190
233 25
68 4624
625 0,13
0,29
23
23 215
215 201
237 14
22 196
484 0,07
0,09
FACULTAD DE 24
24 200
200 219
219 19
19 361 0,09
25
25 227
193
1
DEMAND
200
N=6 |Dt - Yt| (Dt - Yt)^2 |Dt - Yt|/Yt
2 280
3 120
EJEMPLO: Calculo de Errores 4
5
150
190
6 110
7 220 175 45 2025 0,26
8 260 179 81 6561 0,45
9 310 175 135 18225 0,77
10 260 207 53 2809 0,26
MAD 61 11
12
250
175
225
235
25
60
625
3600
0,11
0,26
MSE 5705 13
14
186
225
246
241
60
16
3600
256
0,24
0,07
15 130 235 105 11025 0,45
MAPE 32,5% 16
17
100
110
205
178
105
68
11025
4624
0,51
0,38
18 150 155 5 25 0,03
19 285 151 134 17956 0,89
20 305 167 138 19044 0,83
21 190 180 10 100 0,06
22 165 190 25 625 0,13
23 215 201 14 196 0,07
FACULTAD DE 24 200 219 19 361 0,09
25 227
DOUBLE MOVING AVERAGE.
EJEMPLO: Realice el pronostico del volumen de ventas de la siguiente semana
con valores promedios de N = 4 Doble.

b) Calcule los errores del pronostico para el N doble
FACULTAD DE
EJEMPLO: WEEK DEMANDA
SEMANA DEMAND N=4
N=4
WEEK DEMANDA
SEMANA DEMAND N=4
N=4
DOBLE
DOUBLE DOBLE
DOUBLE
1 200 1
13 200
186 249 239
2 280 2
14 280
225 218 252
3 120 3
15 120
130 209 250
4 150 4
16 150
100 179 237
5 190 188 5
17 190
110 188
161 214
6 110 185 6
18 110
150 185
142 192
7 220 143 7
19 220
285 143
123 173
8 260 168 8
20 260
305 168
162 152
9 310 195 171 9
21 310
190 195
213 171
147
10 260 225 173 10
22 260
165 225
233 173
160
11 250 263 183 11
23 250
215 263
237 183
12 175 270 213 12
24 175
200 270
219 213
212
FACULTAD DE
DOUBLE MOVING AVERAGE.
EJEMPLO:
FACULTAD DE
N=4
1
DEMAND
200
N=4
DOUBLE
|Dt - Yt| (Dt - Yt)^2 |Dt - Yt|/Yt
2 280
3 120
EJEMPLO: Calculo de Errores 4 150
5 190 188
6 110 185
7 220 143
8 260 168
9 310 195 171 139 19321 0,813
10 260 225 173 87 7569 0,503
MAD 73 11 250 263 183 67 4489 0,366
12 175 270 213 38 1444 0,178
MSE 7569 13 186 249 239 53 2809 0,222
14 225 218 252 27 729 0,107
MAPE 38,5% 15 130 209 250 120 14400 0,480
16 100 179 237 137 18769 0,578
17 110 161 214 104 10816 0,486
18 150 142 192 42 1764 0,219
19 285 123 173 112 12544 0,647
20 305 162 152 153 23409 1,007
21 190 213 147 43 1849 0,293
22 165 233 160 5 25 0,031
23 215 237 183 32 1024 0,175
FACULTAD DE 24 200 219 212 12 144 0,057
25 193 226
WEIGHTED MOVING AVERAGE.
Los promedios móviles ponderados son básicamente lo mismo que los promedios
móviles simples, aunque con una excepción importante. Con los promedios móviles
ponderados el peso asignado a cada punto de demanda pasado que se utilice en el
cálculo puede variar. De esta forma es posible asignar mayor influencia a ciertos
puntos de información, por lo general al punto de demanda más reciente. La
ecuación básica para calcular promedios móviles ponderados es el siguiente:
𝒏
𝒀𝒕 = 𝑾𝟏 𝑫𝒕−𝟏 + 𝑾𝟐 𝑫𝒕−𝟐 + …….. + 𝑾𝒏 𝑫𝒕−𝒏 donde: 𝑾𝒊 = 𝟏

𝒊=𝟏
FACULTAD DE
Generalmente se aplica el mayor peso ponderado al valor mas reciente, y se

aplica el menor peso ponderado al valor mas lejano de la demanda.
El valor ponderado es asumido en el principio del calculo, estos valores se

pueden variar de forma iterativa para mejorar el ajuste del pronostico.
Para lograr una optimización de los valores ponderados Wi se puede realizar

un modelo de iteración que minimice el error del pronostico.
FACULTAD DE
EJEMPLO: Realice el pronostico del volumen de ventas de la siguiente semana
con valores promedios de N = 4 Ponderado.

b) Calcule los errores del pronostico para el N ponderado
FACULTAD DE
FORECAST
EJEMPLO: WEEK DEMAND N=4
1 200 W4 0,10
2 280 W3 0,20
3 120 W2 0,30
4 150 W1 0,40
5 190 1,00 172
6 110 173
7 220 143
8 260 174
9 310 211
10 260 257
11 250 271
FACULTAD DE
12 175 266
13 186 228
EJEMPLO:
25 197
MSE 4937
MAD 57
MAPE 31,9%
FACULTAD DE
EJEMPLO: Optimice los Ponderados con el objetivo de minimizar el Error.
Utilice el SOLVER de Excel
W4 0,25 MSE 4012
W3 0,00
W2 0,00
MAD 49,7
W1 0,75 MAPE 27,2%
1,00
25 197
FACULTAD DE
SIMPLE EXPONENTIAL SMOOTHING:
Otro método para pronosticar las series de tiempo es el Suavizamiento

Exponencial, donde el pronostico actual es el promedio ponderado del ultimo
pronostico y el valor actual de la demanda. El valor ponderado α es un valor
entre 0 < α ≤ 1, se conoce a α como una constante de suavización de la
fluctuación aleatoria del patrón de la demanda, lo cual se logra cuando α
tiende a 0; los valores de α son generalmente α = 0,1 y α = 0,2.
𝒀𝒕 = 𝒀𝒕−𝟏 − α (𝒀𝒕−𝟏 − 𝑫𝒕−𝟏 )
FACULTAD DE
SIMPLE EXPONENTIAL SMOOTHING: WEEK DEMAND Yt
1 200 200
EJEMPLO: Realice el pronostico del 2 280 200
α 0,40
volumen de ventas de la siguiente 3 120 232
semana. Grafique la Serie de Tiempo 4 150 187
y sus pronósticos y analice la grafica
5 190 172
para valores de α = 0,1; 0,4; 0,6; 0,8. 6 110 179
7 220 152
𝒀𝒕 = 𝒀𝒕−𝟏 − α (𝒀𝒕−𝟏 − 𝑫𝒕−𝟏 ) 8 260 179
9 310 211
10 260 251
11 250 254
FACULTAD DE
1
DEMAND
200
Yt
200
2 280 200
3 120 232
SIMPLE EXPONENTIAL SMOOTHING: α 0,40 4
5
150
190
187
172
6 110 179
EJEMPLO: 7 220 152
8 260 179
9 310 211
10 260 251
11 250 254
MAD 57 12 175 253
MSE 4697 13 186 222
14 225 207
MAPE 30,1% 15 130 214
16 100 181
17 110 148
18 150 133
19 285 140
20 305 198
21 190 241
22 165 220
23 215 198
FACULTAD DE
24 200 205
25 203
SIMPLE EXPONENTIAL SMOOTHING:
EJEMPLO: Determine el valor optimo de alfa utilizando el Solver de Excel
α 0,01
MAD 54
MSE 4059
MAPE 27,0%
25 200
FACULTAD DE
AUTOREGRESSIVE PROCESS:
El modelo Autorregresivo [AR] es similar al proceso de Regresión Lineal mas

un termino de error del pronostico donde los valores α𝟎 , α𝟏 , ….. α𝒏 , son
los coeficientes de regresión lineal, donde los valores de α𝟏 , ….. α𝒏 están en
rangos de 0 < α𝒏 ≤ 1, a excepción de α𝟎
El modelo AR esta dado por:
𝒀𝒕 = α𝟎 + α𝟏 𝑫𝒕−𝟏 + α𝟐 𝑫𝒕−𝟐 + ⋯ + α𝒏 𝑫𝒕−𝒏 + 𝒆𝒕−𝟏

FACULTAD DE
AUTOREGRESSIVE PROCESS: WEEK DEMAND Yt error
1 200
EJEMPLO: Realice el pronostico del 2 280 0 α0 200,0
volumen de ventas de la semana 25. α1 0,10
3 120 268 -148
α2 0,20
Realice el proceso con dos valores de 4 150 120 30
α. 5 190 269 -79
6 110 170 -60
7 220 189 31
𝒀𝒕 = α𝟎 + α𝟏 𝑫𝒕−𝟏 + α𝟐 𝑫𝒕−𝟐 + 𝒆𝒕−𝟏 8 260 275 -15
9 310 255 55
10 260 338 -78
11 250 210 40
FACULTAD DE
12 175 317 -142
WEEK DEMAND Yt error |Dt - Yt| (Dt - Yt)^2 |Dt - Yt|/Yt
STATIONARY TIME SERIES. 1

2
200
280 0
3 120 301 -181 181 32604 0,601
4 150 138 12 12 134 0,083
AUTOREGRESSIVE PROCESS: 5 190 291 -101 101 10156 0,347
6 110 186 -76 76 5831 0,410
7 220 220 0 0 0 0,000
EJEMPLO: Utilizando SOLVER 8 260 277 -17 17 303 0,063
para definir los valores de α: 9 310 288 22 22 486 0,077
10 260 338 -78 78 6074 0,231
11 250 250 0 0 0 0,000
α0 247,7 12 175 315 -140 140 19687 0,445
13 186 172 14 14 204 0,083
α1 0,01 14 225 308 -83 83 6828 0,269
15 130 214 -84 84 7036 0,392
α2 0,25 16 100 221 -121 121 14750 0,548
17 110 160 -50 50 2478 0,312
18 150 224 -74 74 5481 0,330
19 285 203 82 82 6776 0,406
MAD 67 20 305 370 -65 65 4278 0,177
21 190 257 -67 67 4450 0,260
MSE 6696 22 165 259 -94 94 8886 0,364
23 215 203 12 12 153 0,061
FACULTAD DE
MAPE 26,4% 24 200 304 -104 104 10713 0,341
25 200
AUTOREGRESSIVE PROCESS:
EJEMPLO: Utilizando SOLVER
para definir los valores de α:
α0 247,7
α1 0,01
α2 0,25
MAD 67
MSE 6696
FACULTAD DE
MAPE 26,4%
TREND
TIME
SERIES
FACULTAD DE
TREND TIME SERIES.
Los pronósticos de promedios móviles y suavizamiento exponencial son
utilizados para pronosticar un periodo adelante, por tal motivo no son
útiles cuando se requieren pronosticar varios periodos adelante.
Cuando se requieren generar pronósticos para varios periodos, es

necesario analizar aquellos métodos que analizan un patrón de tendencia
de los datos.
Los métodos para realizar pronósticos con patrones de tendencias son los
Análisis de Regresión (lineal, potencial, exponencial, cuadrática,
polinómica, logarítmica) y el método de Suavizamiento Exponencial Doble.
FACULTAD DE
TREND TIME SERIES.
REGRESSION METHODS.
El Análisis de Regresión consiste en generar

una ecuación para describir la relación
estadística entre uno o más predictores y la
variable de respuesta, para predecir nuevas
observaciones.
La regresión lineal generalmente utiliza el

método de estimación de mínimos cuadrados
ordinarios, del cual obtiene la ecuación al
minimizar la suma de los residuos cuadrados.
FACULTAD DE
TREND TIME SERIES.
REGRESSION METHODS.
El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

de los pronósticos se tienen los siguientes patrones de tendencia.
FACULTAD DE
TREND TIME SERIES.
REGRESSION METHODS.
El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

de los pronósticos se tienen los siguientes patrones de tendencia.
FACULTAD DE
TREND TIME SERIES.
Ejercicio: MONTH
CUSTOMERS
1 2 3 4 5
El departamento de producción JAN 70 20 40 210 40
requiere conocer el pronostico de FEB 140 130 50 240 40
ventas para el primer trimestre del MAR 120 280 60 240 60
siguiente año. Para ello ha APR 200 300 70 260 70
recolectado las ventas del ultimo MAY 170 360 80 280 100
año de sus cinco principales clientes. JUN 240 310 95 300 180
Los datos se presentan en la JUL 280 380 110 300 260
siguiente tabla: AUG 240 420 100 320 300
SEP 275 390 120 320 330
OCT 360 440 130 300 345
NOV 320 420 160 280 350
FACULTAD DE
INGENIERIA INDUSTRIAL DEC 410 460 240 270 360
TREND TIME SERIES.
Ejercicio:
Para el anterior ejercicio se pide:
a) Realice las grafica de datos para cada cliente y analice el tipo de patrón que la
rige.
b) Realice la regresión que mas se ajuste a los datos suministrados por cada
cliente.
c) Realice los pronósticos para los primeros tres meses del siguiente año
d) Determine el margen de error MSE, MAD y MAPE para cada cliente.
FACULTAD DE
TREND TIME SERIES.
Solución:
rige.
FACULTAD DE
TREND TIME SERIES.
Solución:
rige.
FACULTAD DE
TREND TIME SERIES.
Solución:
rige.
FACULTAD DE
TREND TIME SERIES.
Solución:
FORECAST ERROR
CUSTOMER TREND ECUATION JAN FEB MAR MAD MSE MAPE
1 LINEAL Y = 26,801X + 61,212 410 436 463 27 780 13,2%
2 LOGARITMICA Y = 170,11 Ln(X) + 42,501 479 491 503 25 837 12,5%
3 EXPONENCIAL Y = 38,258 e^0,1367(X) 226 259 297 11 243 9,0%
4 CUADRATICA Y = -2,0779 X^2 + 33,516 X + 171,36 256 233 207 8 88 3,0%
5 CURVA S Autoregresivo α0 = 40,6; α1 = 0,93; α2 = 0,01 379 10 253 7,8%
FACULTAD DE
TREND TIME SERIES.
HOLT - DOUBLE EXPONENTIAL SMOOTHING:
El método de Holt es un tipo de suavizamiento exponencial doble diseñado para

dar seguimiento a series de tiempo con tendencia lineal. El método requiere de la
especificación de dos constantes suavizamiento 0 < α ≤ 1 y 0 < β ≤ 1, y utiliza dos
ecuaciones de suavizamiento: una para el valor de la serie (la intercepción) y una
para la tendencia (la pendiente). Las ecuaciones son:
𝑺𝒕 = 𝜶𝑫𝒕 + (𝟏 − 𝜶)(𝑺𝒕−𝟏 + 𝑮𝒕−𝟏 )
𝑮𝒕 = 𝜷 𝑺𝒕 − 𝑺𝒕−𝟏 + (𝟏 − 𝜷)𝑮𝒕−𝟏
FACULTAD DE
INGENIERIA INDUSTRIAL 𝒀𝒕 = 𝑺𝒕−𝟏 + τ 𝑮𝒕−𝟏
TREND TIME SERIES.
HOLT - DOUBLE EXPONENTIAL SMOOTHING: MONTH Dt MONTH Dt
1 250 13 610
Ejercicio: 2 100 14 420
3 310 15 640
El departamento de ventas ha recolectado la 4 260 16 400
información de la demanda de las ultimas 24 5 150 17 720
semanas. Y desea establecer el pronostico de 6 440 18 500
las ventas para las próximas cuatro semanas. 7 220 19 680
La información se presenta en la siguiente 8 260 20 560
tabla: 9 180 21 840
10 520 22 800
11 320 23 690
FACULTAD DE
12 480 24 850
TREND TIME SERIES.
HOLT - DOUBLE EXPONENTIAL SMOOTHING:
Ejercicio:
MAD 101 25 817

26 845
MSE 11741 27 873
MAPE 27,0% 28 901
FACULTAD DE
TREND TIME SERIES.
HOLT - DOUBLE EXPONENTIAL SMOOTHING: WEEK Dt St Gt Yt
1 250 250 28
Ejercicio: 2 100 242 24 278
α 0,20 3 310 275 25 267
β 0,10 4 260 293 24 301
5 150 284 21 317
6 440 332 24 305
MAD 94 7 220 329 21 356
MSE 10590 8 260 332 19 350
9 180 317 16 351
MAPE 22,0% 10 520 370 20 333
11 320 376 18 390
FACULTAD DE
12 480 411 20 394
WEEK Dt St Gt Yt
TREND TIME SERIES. 1
2
250
100
250
275
28
28 278
3 310 303 28 303
HOLT - DOUBLE EXPONENTIAL SMOOTHING: 4
5
260
150
330
355
28
28
331
358
6 440 383 28 383
7 220 408 28 411
Ejercicio: 8
9
260
180
433
457
28
27
436
461
10 520 485 28 484
11 320 509 27 512
α 0,02 12 480 536 27 537
13 610 564 27 563
β 0,03 14 420 588 27 591
15 640 616 27 616
16 400 640 27 644
17 720 668 27 667
MAD 114 18 500 692 27 695
19 680 719 27 719
MSE 20111 20
21
560
840
743
771
27
27
746
770
MAPE 23,3% 22
23
800
690
798
823
27
27
798
825
24 850 850 27 850
25 877
26 904
FACULTAD DE 27 931
INGENIERIA INDUSTRIAL 28 958
SEASONAL
TIME
SERIES
FACULTAD DE
SEASONAL TIME SERIES.
Una Serie de Tiempo Estacional, es aquella que tiene un patrón que se repite
cada N periodos de tiempo, a este periodo se lo conoce como duración de la
estación.
Para poder emplear un modelo estacional se debe en primer lugar especificar

cuanto dura una estación o el tamaño del periodo N. en muchos casos el
tamaño del periodo se puede asumir por el periodo de tiempo en el cual se
presentan los datos, por ejemplo, trimestrales, semestrales, anuales etc.
En otros casos el valor de N se puede determinar de forma grafica mediante el

análisis del comportamiento de los datos.
FACULTAD DE
SEASONAL - STATIONARY:
Factor Estacional: es un valor que representa el valor estacional de una
serie determinada de datos.
Para calcular los Factores estacionales se deben seguir los siguientes pasos:
1. Calcular la media de todos los datos de la muestra.

2. Se divide cada muestra sobre la media de la muestra.
3. Promedie los factores para los periodos semejantes dentro de cada
estación.
FACULTAD DE
INGENIERIA INDUSTRIAL 4. La suma de los factores debe ser igual al numero de estaciones.
Ejemplo: El departamento de distribución desea establecer los factores de

despacho de productos a sus clientes durante los días hábiles de la semana, para
ello a recolectado la información de las ultimas cuatro semanas y se presenta en
la siguiente tabla en miles de unidades por día:
WEEK 1 WEEK 2 WEEK 3 WEEK 4
Monday 16,4 17,3 14,6 15,6
Tuesday 12,2 11,5 12,2 11,8
AVERAGE 16,09
Wednesday 14,2 15,0 13,0 12,9
Thursday 17,3 17,6 16,9 16,6
FACULTAD DE
INGENIERIA INDUSTRIAL Friday 22,5 22,2 21,9 20,0
Ejemplo:
FACULTAD DE
Ejemplo: AVERAGE 16,09
WEEK 1 WEEK 2 WEEK 3 WEEK 4 FACTOR
Monday 1,020 1,076 0,908 0,970 0,99

Tuesday 0,758 0,715 0,758 0,734 0,74
Wednesday 0,883 0,933 0,808 0,802 0,86
Thursday 1,076 1,094 1,051 1,032 1,06
Friday 1,399 1,380 1,362 1,243 1,35
FACULTAD DE
INGENIERIA INDUSTRIAL 5,00
Ejemplo: Para realizar el pronostico basta con multiplicar el valor promedio de la

muestra por el factor estacional para cada día:
FORECAST
FACTOR
WEEK 5
AVERAGE 16,09 0,99 # 16,0
0,74 # 11,9
0,86 # 13,8
1,06 # 17,1
FACULTAD DE
1,35 # 21,7
Ejemplo:
FACULTAD DE
SEASONAL - TREND:
DECOMPOSITION METHOD: En muchos TREND PLUS SEASONALITY

casos las Series de tipo Estacional pueden
tener implícito un patrón de tendencia
cada N periodo estacional. Esta situación
DEMANDA
hace necesario que se descomponga la
serie en dos análisis: el de tendencia y el
estacional.
Tiempo
FACULTAD DE
SEASONAL - TREND:
Ejemplo: Una empresa de

manufactura desea establecer el QUARTERLY DEMAND
YEAR
pronostico de ventas para el 1 2 3 4
siguiente año. La empresa ha 1 20,0 15,4 30,5 25,8
recolectado en su base de datos 2 21,5 16,8 33,8 26,0
3 22,7 17,5 35,2 25,5
las ventas trimestrales de los
4 23,1 18,3 37,7 27,3
últimos cinco años; la cual se 5 25,4 19,5 39,2 26,5
presenta en la siguiente tabla:
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
1. Realice la grafica de la serie de

tiempo.
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
2. Calcule los factores estacionales para los datos trimestrales.

QUARTERLY DEMAND
YEAR
1 2 3 4
AVERAGE 25,39 1 0,788 0,607 1,201 1,016
2 0,847 0,662 1,331 1,024
QUARTERLY DEMAND
YEAR 3 0,894 0,689 1,387 1,005
1 2 4 30,910 4 0,721 1,485 1,075
1 0,788 0,6075 1,201
1,001 1,016
0,768 1,544 1,044 N
2 0,847 0,662 1,331 1,024
FACULTAD DE
INGENIERIA INDUSTRIAL 3 0,894 FACTOR 1,387
0,689 0,888 1,005
0,689 1,390 1,033 4,00
SEASONAL - TREND:
Ejemplo:
3. Calcule el total de ventas realizadas por año.

QUARTERLY DEMAND
YEAR TOTAL
1 2 3 4
1 20,0 15,4 30,5 25,8 91,7
2 21,5 16,8 33,8 26,0 98,1
3 22,7 17,5 35,2 25,5 100,9
4 23,1 18,3 37,7 27,3 106,4
FACULTAD DE
5 25,4 19,5 39,2 26,5 110,6
SEASONAL - TREND:
Ejemplo:
4. Grafique los datos de las ventas

anuales:
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
5. Calcule la ecuación que

represente la tendencia de los
datos:
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
6. Calcule el pronostico de ventas

para el siguiente año.
𝑌 = 4,61 𝑥 + 87,71
𝑌6 = 4,61 (6) + 87,71
𝒀𝟔 = 𝟏𝟏𝟓, 𝟑𝟕
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
7. Calcule los Pronósticos para los seis años.
Calcule el Pronostico trimestral para cada año utilizando la siguiente formula:

Donde:
𝒀𝑵 𝒙 𝑭𝒕 𝒀𝑵 : Pronóstico del periodo estacional
𝒀𝒕 = 𝒀𝒕 : Pronóstico para el periodo t
𝑵 𝑭𝒕 : Factor estacional del periodo t
N: Periodo estacional
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
7. QUARTERLY DEMAND
YEAR
A 1 2 3 4
FACTOR 0,888 0,689 1,390 1,033
6 115,37 25,6 19,9 40,1 29,8 N

6 115,37 25,6 19,9 40,1 29,8 4,00
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
ANNUAL QUARTERLY DEMAND
7. YEAR FORECAST 1 2 3 4
A 1 92,32 20,5 15,9 32,1 23,8
2 96,93 21,5 16,7 33,7 25,0
3 101,54 22,5 17,5 35,3 26,2
4 106,15 23,6 18,3 36,9 27,4
5 110,76 24,6 19,1 38,5 28,6
6 115,37 25,6 19,9 40,1 29,8
FACULTAD DE
SEASONAL - TREND:
Ejemplo:
8.
MAD 0,61
MSE 0,75
MAPE 2,3%
FACULTAD DE
FACULTAD DE
AGGREGATE PLANNING
AGGREGATE
FORECAST ORDERS
PLANNING
PRODUCT
DESING MASTER PURCHASING
PRODUCTION
SCHEDULE
MATERIALS
BILL OF MATERIALS
REQUIRIMENTS
MATERIALS INVENTORY
PLANNING
FACULTAD DE
INGENIERIA INDUSTRIAL CAPACITY REQUIRIMENT PLANNIG
AGGREGATE PLANNING
Chris es propietario y director de una pequeña compañía
que fabrica cajas de plástico para guardar discos de
computadora.
Hacerlas es sencillo: se alimenta plástico a dos máquinas de

moldeo por inyección; una máquina hace la tapa, y la otra
hace la caja. Las dos partes se unen en forma manual, se
colocan en cajas de empaque y se envían. Las máquinas de
inyección son idénticas y pueden hacer 550 piezas por hora.
Un trabajador puede unir las dos partes y colocar el

producto terminado en las cajas a una tasa de 55 por hora.
FACULTAD DE
AGGREGATE PLANNING
A partir de los pronósticos, Chris espera ventas estables de
80.000 cajas al mes durante el próximo año. Con cuatro
semanas al mes, esto significa 20.000 cajas por semana.
Suponiendo que trabajan cinco días a la semana, la

empresa debe fabricar 4.000 cajas por día. Trabajando un
turno de 8 horas y produciendo 500 cajas por hora se
obtiene la cantidad deseada.
Por lo tanto, Chris debe planear que las máquinas de

moldeo por inyección operen a una tasa de 500 piezas por
hora y debe tener 10 trabajadores para el ensamble.
FACULTAD DE
AGGREGATE PLANNING
Este plan de producción es casi ideal. La tasa de producción
constante se puede satisfacer con capacidad constante.
Para Chris, es sencillo diseñar la instalación para lograr

4.000 cajas al día. La fuerza de trabajo será constante y la
tasa de producción es un poco menor que la capacidad de
personas y máquinas, lo que da una buena utilización sin
sobrecargar las instalaciones.
FACULTAD DE
AGGREGATE PLANNING
Desafortunadamente, la demanda constante es poco usual;
cuando la demanda no es constante, la determinación de
los niveles de producción se complica.
FACULTAD DE
AGGREGATE PLANNING
Existen varias estrategias para manejar la fluctuación de la

demanda. Se puede cambiar la demanda, producir a una
tasa constante de todas maneras, variar la tasa de
producción o usar una combinación.
La aplicación de estas estrategias es lo que se conoce como

la Planeación Agregada.
FACULTAD DE
AGGREGATE PLANNING
STRATEGIES FOR CONSTANT DEMAND:
En lugar de planear respecto a una demanda fluctuante, es mejor

convertir la demanda en constante. Existen tres enfoques para hacer esto:
A. No satisfacer la demanda durante los periodos pico: Esta estrategia
tiene una capacidad menor que la demanda pico y mantiene una tasa
de producción constante dentro de la capacidad. Esta estrategia no
satisface toda la demanda y se perderán algunas ventas. Se determina
un promedio de la demanda y se produce a ese nivel. Se espera
después que el personal encargado de la comercialización venda esa
cantidad. Muchas veces hay faltantes. La facilidad de la planeación
FACULTAD DE
debe compararse con los ingresos perdidos.
AGGREGATE PLANNING
B. Cambiar la demanda de periodos pico a periodos no pico
o crear una nueva demanda para los periodos no pico:
Por lo general, crear una nueva demanda para los
periodos no pico se hace a través de publicidad o de
promociones. Algunos fabricantes ofrecen descuentos
durante los periodos no pico, esperando atraer a clientes
nuevos. Estas estrategias son útiles para suavizar la
demanda.
FACULTAD DE
AGGREGATE PLANNING
C. Producir varios productos con demanda pico en otros

periodos: Por último, se pueden fabricar varios productos
con patrones de demanda que se compensen. Para tener
éxito, los productos deben ser similares, de manera que
fabricarlos no implique demasiadas diferencias. Un ejemplo
serían motos para nieve y acuamotos, estos productos son
complementarios, pues su tecnología es similar, pueden
usar los mismos motores y el trabajo de carrocería es
similar. Otros ejemplos incluyen podadoras y removedores
de nieve, abrigos y ropa de playa, botas y sandalias o equipo
FACULTAD DE
de fútbol y de béisbol.
AGGREGATE PLANNING
AGGREGATE PRODUCTION UNIT:
El método de planeación agregada esta basado en la existencia de UNA unidad
agregada de producción. Cuando la clase de artículos producidos es parecida,
una unidad de producción agregada puede corresponder a un articulo
promedio, pero si se producen muchas clases distintas de artículos seria mas
adecuado considerar unidades agregadas en términos de peso, volumen,
cantidad necesaria de tiempo de trabajo o cantidades monetarias.
No siempre es obvio cual esquema de planeación agregada es adecuado, esto

depende del contexto del problema y del nivel de agregación que se necesite.
FACULTAD DE
AGGREGATE PLANNING
Ejemplo 1: una empresa fabrica dulces comestibles, la variedad
de dulces es de alrededor de 25 productos distintos. ¿Cuál
debería ser la unidad agregada de producción por mes?
Respuesta: kilogramos de dulces.
Ejemplo 2: una fabrica de productos lácteos elabora leche en

cuatro presentaciones, yogurt, kumis, helados, crema de leche,
quesos de varios tipos y arequipe. ¿Cuál debería ser la unidad
agregada de producción por mes?
FACULTAD DE
Respuesta: litros de leche.
AGGREGATE PLANNING
Ejemplo 3: una fabrica de HORAS UNIDADES HORAS
transformadores eléctricos fabrica TAMAÑO HOMBRE MENSUALES HOMBRE POR
cinco tamaños distintos, el ingeniero REQUERIDAS DEMANDADAS MES
de planta recolecto la siguiente 50 KVA 4,5 150 675
información descrita en la tabla. ¿Cuál 75 KVA 5,8 220 1.276
debería ser la unidad agregada de 120 KVA 6,4 75 480
producción por mes? 350 KVA 15,3 50 765
500 KVA 25,4 25 635
3.831
FACULTAD DE
AGGREGATE PLANNING
AGGREGATE PRODUCTION COSTS:
El objetivo es elegir el Plan Agregado que minimice los costos de
operación. Para ello el primer paso será identificar el tipo de costos
que se evalúan en la administración de operaciones:
1. HIRE AND FIRE COST: Son aquellos en los que se incurren cuando
se cambian la fuerza de trabajo de un periodo a otro con el fin de
variar los niveles de producción. Dentro de los costos de
contratación se estiman los anuncios de vacantes, entrevistas,
exámenes, capacitaciones entre otros. Los costos de despido
abarcan la indemnizaciones y liquidaciones.
FACULTAD DE
AGGREGATE PLANNING
2. INVENTORY COST: Son aquellos en los que se incurren al tener
capital invertido en los inventarios. Si la empresa logra disminuir su
inventario, el dinero ahorrado puede utilizarse en otro rubro. Este
costo de mantener el inventario se expresa en unidades
monetarias por unidad mantenida.
3. SHORTAGE COST: Son aquellos en los que se incurren por no
satisfacer la demanda, se expresan en términos de utilidad perdida
o costos de pedidos atrasados.
FACULTAD DE
AGGREGATE PLANNING
4. REGULAR TIME COST: Son los costos de producir una unidad de
producto durante horas normales de trabajo. Se incluyen los costos
de la nomina de trabajadores directos.
5. OVERTIME AND OUTSOURCING COSTS: Son los costos de
producción de las unidades que no se producen en el tiempo
normal, el tiempo extra se refiere a producción con empleados de
tiempo regular trabajando mas allá del horario normal.
La subcontratación se refiere a la producción de los artículos por
medio de un proveedor externo.
FACULTAD DE
AGGREGATE PLANNING
6. IDLE TIME COST: Son los costos que se asumen cuando la
capacidad utilizada de producción es menor que la capacidad
instalada, lo cual genera tiempos muertos o de ocio.
Los costos del tiempo muerto o de ocio generalmente se

contabilizan por el costo de tener personal sin hacer nada durante
el tiempo normal de producción. El costo de ocio ligado a la baja
demanda o baja de producción no se pueden descontar a los
trabajadores.
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: Una planta manufacturera desea establecer el plan
agregado de producción para el primer semestre del siguiente
año, para ello a pronosticado su demanda la cual se presenta
en la tabla. Las condiciones de producción son que al final del
mes de diciembre se cuenta con un inventario de 500
unidades, y para iniciar el segundo semestre se debe dejar un
inventario de 600 unidades.
La empresa cuenta en su plantilla con 50 trabajadores los
cuales están en capacidad de elaborar 1.000 unidades
mensuales.
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: El comité de ingeniería quiere analizar cuales son los posibles modelos de
planeación agregada y evaluar sus costos.
MES Inventario Demanda
Pronosticada
Diciembre 500
Enero 1.280
Febrero 640
Marzo 900
Abril 1.200
Mayo 2.000
Junio 1.400
FACULTAD DE
Julio 600
AGGREGATE PLANNING
MES Inventario Demanda Volumen de Demanda PRODUCCION
Pronosticada Produccion Acumulada CONSTANTE
Diciembre 500
Enero 1.280 780 780 1.254
Febrero 640 640 1.420 2.508
Marzo 900 900 2.320 3.762
Abril 1.200 1.200 3.520 5.016
Mayo 2.000 2.000 5.520 6.270
Junio 1.400 2.000 7.520 7.524
FACULTAD DE
Julio 600
AGGREGATE PLANNING
Ejemplo:
FACULTAD DE
AGGREGATE PLANNING
MES Inventario Demanda Volumen de Demanda FUERZA DE
Pronosticada Produccion Acumulada TRABAJO
Diciembre 500
Enero 1.280 780 780 1.000
Febrero 640 640 1.420 2.000
Marzo 900 900 2.320 3.000
Abril 1.200 1.200 3.520 4.000
Mayo 2.000 2.000 5.520 5.000
Junio 1.400 2.000 7.520 6.000
FACULTAD DE
Julio 600
AGGREGATE PLANNING
Ejemplo:
FACULTAD DE
AGGREGATE PLANNING
MES Inventario Demanda Volumen de Demanda FUERZA DE
Pronosticada Produccion Acumulada TRABAJO
Diciembre 500
Enero 1.280 780 780 780
Febrero 640 640 1.420 640
Marzo 900 900 2.320 900
Abril 1.200 1.200 3.520 1.200
Mayo 2.000 2.000 5.520 2.000
Junio 1.400 2.000 7.520 2.000
FACULTAD DE
Julio 600
AGGREGATE PLANNING
Ejemplo:
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: La empresa ACME elabora cinco productos distintos y

desea generar una estrategia para planear la producción del
siguiente año la cual sea económica y viable. Actualmente la
planta cuenta con 15 operarios, según la tasa de producción
cada operario procesa al día 20 unidades. A los 15 operarios se
les paga un salario de $1.000. Contratar a un empleado cuesta
en promedio un 35% del salario y despedirlo cuesta en
promedio 1,5 veces el salario. Mantener una unidad de
producto en inventario al mes cuesta en promedio $0,15, a
inicios del año se cuenta con 2.000 uni en el inventario. La
empresa solo labora de lunes a viernes.
FACULTAD DE
AGGREGATE PLANNING
MONTH DEMAND
Ejemplo: JANUARY 8.500
En la siguiente tabla se muestran los datos totales de la FEBRUARY 6.700
demanda, la cual esta compuesta por la suma de la MARCH 7.400
demanda pronosticada mas los pedidos recibidos de los APRIL 9.200
clientes para el siguiente año: MAY 9.800
JUNE 12.600
JULY 11.400
AUGUST 8.600
SEPTEMBER 6.600
OCTOBER 6.800
NOVEMBER 14.400
FACULTAD DE
DECEMBER 18.000
AGGREGATE PLANNING
Ejemplo:
a) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Constante
durante el siguiente año.
b) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Constante
con 22 operarios y trabajando horas extras.
c) Determine el Costo de una Estrategia de Adaptación a la Demanda variando la Fuerza de
Trabajo de tal forma que se minimice el inventario.
d) Determine el Costo de una Estrategia de producción con Fuerza de Trabajo Constante
con 20 operarios y Subcontratando la Producción no satisfecha, subcontratar una unidad
cuesta $50.
FACULTAD DE
Ejemplo: Average Demand and Workers Constant.
JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC TOTAL
DEMAND [D] 8.500 6.700 7.400 9.200 9.800 12.600 11.400 8.600 6.600 6.800 14.400 18.000 120.000
DAYS [n] 19 21 20 21 20 21 19 23 22 20 20 21
WORKERS [W] 24 24 24 24 24 24 24 24 24 24 24 24
PRODUCTION [P] 9.120 10.080 9.600 10.080 9.600 10.080 9.120 11.040 10.560 9.600 9.600 10.080 118.560
INVENTORY [I] 2.620 6.000 8.200 9.080 8.880 6.360 4.080 6.520 10.480 13.280 8.480 560
COSTS
REGULAR $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $24.000 $ 288.000
OVERTIME $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
HIRE $ 3.150 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 3.150
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 393 $ 900 $ 1.230 $ 1.362 $ 1.332 $ 954 $ 612 $ 978 $ 1.572 $ 1.992 $ 1.272 $ 84 $ 12.681
TOTAL $27.543 $24.900 $25.230 $25.362 $25.332 $24.954 $24.612 $24.978 $25.572 $25.992 $25.272 $24.084 $ 303.831
Ejemplo: Average Demand and Workers Constant.
Ejemplo: Workers Constant and Overtime
DEMAND [D] 8.500 6.700 7.400 9.200 9.800 12.600 11.400 8.600 6.600 6.800 14.400 18.000 120.000
WORKERS [W] 22 22 22 22 22 22 22 22 22 22 22 22
DAYS [n] 19 21 20 21 20 21 19 23 22 20 20 21
HOURS 14 14 14 14 14 14 14 14 14 14 14 16
OVERTIME [O] 770 770 770 770 770 770 770 770 770 770 770 880 9.350
PRODUCTION [P] 9.130 10.010 9.570 10.010 9.570 10.010 9.130 10.890 10.450 9.570 9.570 10.120 118.030
INVENTORY [I] 2.630 5.940 8.110 8.920 8.690 6.100 3.830 6.120 9.970 12.740 7.910 30
COSTS
REGULAR $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $22.000 $ 264.000
OVERTIME $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.604 $ 1.833 $ 19.479
HIRE $ 2.450 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 2.450
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 395 $ 891 $ 1.217 $ 1.338 $ 1.304 $ 915 $ 575 $ 918 $ 1.496 $ 1.911 $ 1.187 $ 5 $ 12.149
TOTAL $26.449 $24.495 $24.821 $24.942 $24.908 $24.519 $24.179 $24.522 $25.100 $25.515 $24.791 $23.838 $ 298.078
Ejemplo: Workers Constant and Overtime
Ejemplo: Minimum Inventories and Variable Workers.
DEMAND [D] 8.500 6.700 7.400 9.200 9.800 12.600 11.400 8.600 6.600 6.800 14.400 18.000 120.000
WORKERS [W] 20 20 20 25 25 25 25 20 20 20 34 34
DAYS [n] 19 21 20 21 20 21 19 23 22 20 20 21
PRODUCTION [P] 7.600 8.400 8.000 10.500 10.000 10.500 9.500 9.200 8.800 8.000 13.600 14.280 118.380
INVENTORY [I] 1.100 2.800 3.400 4.700 4.900 2.800 900 1.500 3.700 4.900 4.100 380
COSTS
REGULAR $20.000 $20.000 $20.000 $25.000 $25.000 $25.000 $25.000 $20.000 $20.000 $20.000 $34.000 $34.000 $ 288.000
OVERTIME $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
HIRE $ 1.750 $ - $ - $ 1.750 $ - $ - $ - $ - $ - $ - $ 4.900 $ - $ 8.400
FIRE $ - $ - $ - $ - $ - $ - $ - $ 7.500 $ - $ - $ - $ - $ 7.500
INVENTORY $ 165 $ 420 $ 510 $ 705 $ 735 $ 420 $ 135 $ 225 $ 555 $ 735 $ 615 $ 57 $ 5.277
TOTAL $21.915 $20.420 $20.510 $27.455 $25.735 $25.420 $25.135 $27.725 $20.555 $20.735 $39.515 $34.057 $ 309.177
Ejemplo: Minimum Inventories and Variable Workers.
Ejemplo: Constant Workers and Outsourcing.
DEMAND [D] 8.500 6.700 7.400 9.200 9.800 12.600 11.400 8.600 6.600 6.800 14.400 18.000 120.000
WORKERS [W] 20 20 20 20 20 20 20 20 20 20 20 20
DAYS [n] 19 21 20 21 20 21 19 23 22 20 20 21
OUTSOURCING [S] 0 0 0 0 0 3.400 3.800 600 0 0 1.800 9.600
PRODUCTION [P] 7.600 8.400 8.000 8.400 8.000 11.800 11.400 9.800 8.800 8.000 9.800 18.000 118.000
INVENTORY [I] 1.100 2.800 3.400 2.600 800 0 0 1.200 3.400 4.600 0 0
COSTOS
REGULAR $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $20.000 $ 240.000
OUTSOURCING $ - $ - $ - $ - $ - $17.000 $19.000 $ 3.000 $ - $ - $ 9.000 $48.000 $ 96.000
HIRE $ 1.750 $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ 1.750
FIRE $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ - $ -
INVENTORY $ 165 $ 420 $ 510 $ 390 $ 120 $ - $ - $ 180 $ 510 $ 690 $ - $ - $ 2.985
TOTAL $21.915 $20.420 $20.510 $20.390 $20.120 $37.000 $39.000 $23.180 $20.510 $20.690 $29.000 $68.000 $ 340.735
Ejemplo: Constant Workers and Outsourcing.
AGGREGATE PLANNING
Ejemplo: Total Estrategias Plan Agregado.
CONSTANT WORKERS [24 W] $ 269.573

OVERTIME [22 W] $ 298.078
MINIMUM INVENTORY $ 309.177
OUTSOURCING [22 W] $ 340.735
FACULTAD DE
AGGREGATE PLANNING
AND
LINEAR PROGRAMMING.
FACULTAD DE
AGGREGATE PLANNING
M odel Parameters
Dt = Demand Forecast for period t
K= Production of units per day by worker
nt = Days per period t
i0 = Initial Inventory
W0 = Initial Workers
FACULTAD DE
AGGREGATE PLANNING
M odel Variables
Wt = Workers per period t
Pt = Production per period t
it = Inventory per period t
Ht = Hiring workers per period t
Ft = Firing workers per period t
Ot = Overtime units production per period t
St = Outsourcing units per period t
FACULTAD DE
Lt = Shortages units per period t
AGGREGATE PLANNING
M odel Costs
Cr = Regular Cost per worker
Ch = Hiring Cost per worker
Cf = Firing Cost per worker
Ci = Inventory Cost per unit per period t
Cn = Nominal Cost per unit
Co = Cost of producing a unit in Overtime
Cs = Outsoursing Cost per unit
Cl = Shortage Cost per unit
FACULTAD DE
AGGREGATE PLANNING
Función Objetivo:
Minimizar Z = 𝑪𝒓 𝑾𝒕 + 𝑪𝒉 𝑯𝒕 + 𝑪𝒇 𝑭𝒕 + 𝑪𝒊 𝑰𝒕 + 𝑪𝒐 𝑶𝒕 + 𝑪𝒍 𝑳𝒕 + 𝑪𝒔 𝑺𝒕
𝒕=𝟏
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
A. Restricciones de la fuerza de trabajo:
𝑊𝑡 = 𝑊𝑡 −1 + 𝐻𝑡 - 𝐹𝑡
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
B. Restricciones para las Unidades en Inventario:
𝐼𝑡 = 𝐼𝑡 −1 + 𝑃𝑡 + 𝐿𝑡 + 𝑆𝑡 - 𝐷𝑡
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
C. Restricciones de relación entre producción y fuerza laboral:
𝑃𝑡 = 𝐾𝑛𝑡 (𝑊𝑡 ) + 𝑂𝑡
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: CHIP debe planear los niveles de fuerza laboral y de producción para un
periodo de seis meses, de enero a junio. Esta empresa produce una línea de
unidades de disco para computadoras compatibles con varias de las principales
marcas. Las demandas pronosticadas durante los seis meses siguientes son 1.280,
640, 900, 1.200, 2.000 y 1.400. Actualmente (al final de diciembre) hay 25
trabajadores en esa planta. Se espera que el inventario final en diciembre sea de
500 unidades, y la empresa desearía tener al menos 600 unidades disponibles a
finales de junio. El costo de contratar un trabajador $500, el costo de despedir un
trabajador $1.000 y el costo de mantener una unidad de inventario durante un mes
$5. Según los informes de ingeniería el mes pasado se fabricaron 1.200 unidades en
20 días con una fuerza de trabajo de 30 trabajadores, los días laborales para los
siguientes seis meses son 20, 24, 18, 26, 22, 15 días respectivamente. La empresa
no permite trabajar horas extra ni subcontratar la producción.
AGGREGATE PLANNING
Función Objetivo:
min Z = 500 𝐻1 + 𝐻2 + 𝐻3 + 𝐻4 + 𝐻5 + 𝐻6 +
1.000 (𝐹1 + 𝐹2 + 𝐹3 + 𝐹4 + 𝐹5 + 𝐹6) +
5 (𝐼1 + 𝐼2 + 𝐼3 + 𝐼4 + 𝐼5 + 𝐼6)
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
1. 𝑊1 − 𝑊0 − 𝐻1 + 𝐹1 = 0
2. 𝑊2 − 𝑊1 − 𝐻2 + 𝐹2 = 0
3. 𝑊3 − 𝑊2 − 𝐻3 + 𝐹3 = 0
4. 𝑊4 − 𝑊3 − 𝐻4 + 𝐹4 = 0
5. 𝑊5 − 𝑊4 − 𝐻5 + 𝐹5 = 0
6. 𝑊6 − 𝑊5 − 𝐻6 + 𝐹6 = 0
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
7. 𝑃1 − 𝐼1 + 𝐼0 = 1.280
8. 𝑃2 − 𝐼2 + 𝐼1 = 640
9. 𝑃3 − 𝐼3 + 𝐼2 = 900
10. 𝑃4 − 𝐼4 + 𝐼3 = 1.200
11. 𝑃5 − 𝐼5 + 𝐼4 = 2.000
FACULTAD DE
12. 𝑃6 − 𝐼6 + 𝐼5 = 1.400
AGGREGATE PLANNING
Restricciones:
13. 𝑃1 − 40 𝑊1 = 0
14. 𝑃2 − 48 𝑊2 = 0
15. 𝑃3 − 36 𝑊3 = 0
16. 𝑃4 − 52 𝑊4 = 0
17. 𝑃5 − 44 𝑊5 = 0
18. 𝑃6 − 30 𝑊6 = 0
FACULTAD DE
AGGREGATE PLANNING
Restricciones:
19. 𝑊0 = 25
20. 𝐼0 = 500
21. 𝐼6 ≥ 600
FACULTAD DE
AGGREGATE PLANNING
Solución:
JANUARY FEBRUARY MARCH APRIL MAY JUNE TOTAL
DEMAND 1.280 640 900 1.200 2.000 1.400 7.420
WORKERS 25 25 25 31 38 38
DAYS 20 24 18 26 22 15
PRODUCTION 1.000 1.200 900 1.612 1.672 1.140 7.524
INVENTORY 220 780 780 1.192 864 604
COSTS
HIRE COST $ - $ - $ - $ 3.000 $ 3.500 $ - $ 6.500
FIRE COST $ - $ - $ - $ - $ - $ - $ -
INVENTORY COST $ 1.100 $ 3.900 $ 3.900 $ 5.960 $ 4.320 $ 3.020 $ 22.200
TOTAL COST $ 1.100 $ 3.900 $ 3.900 $ 8.960 $ 7.820 $ 3.020 $ 28.700
FACULTAD DE
AGGREGATE PLANNING
Solución:
FACULTAD DE
AGGREGATE PLANNING
Ejemplo: CHIP a decidido analizar la opción de trabajar horas extras si es

necesario para satisfacer la demanda pronosticada, además se ha
establecido que solo se puede contratar o despedir en enero y abril. El
costo de una hora extra es de $3. La empresa no permite laborar mas de 16
horas extra por mes, ni tampoco permite faltantes ya que su competencia
es muy alta. Realice el nuevo modelo de programación lineal que ayude a
tomar la decisión del nuevo plan agregado.
FACULTAD DE
AGGREGATE PLANNING
Función Objetivo:
min Z = 500 𝐻1 + 𝐻2 + 𝐻3 + 𝐻4 + 𝐻5 + 𝐻6 +
1.000 (𝐹1 + 𝐹2 + 𝐹3 + 𝐹4 + 𝐹5 + 𝐹6) +
5 (𝐼1 + 𝐼2 + 𝐼3 + 𝐼4 + 𝐼5 + 𝐼6) +
12 (O1 + O2 + O3 + O4 + O5 + O6)
FACULTAD DE
AGGREGATE PLANNING
Solución:
JANUARY FEBRUARY MARCH APRIL MAY JUNE TOTAL
DEMAND 1.280 640 900 1.200 2.000 1.400 7.420
WORKERS 25 25 25 35 35 35
DAYS 20 24 18 26 22 15
PRODUCTION 1.000 1.200 900 1.820 1.540 1.050 7.510
OVERTIME 0 0 0 0 0 10
INVENTORY 220 780 780 1.400 940 600
COSTS
HIRE COST $ - $ - $ - $ 5.000 $ - $ - $ 5.000
FIRE COST $ - $ - $ - $ - $ - $ - $ -
OVERTIME COST $ - $ - $ - $ - $ - $ 120 $ 120
INVENTORY COST $ 1.100 $ 3.900 $ 3.900 $ 7.000 $ 4.700 $ 3.000 $ 23.600
FACULTAD DE
INGENIERIA INDUSTRIAL TOTAL COST $ 1.100 $ 3.900 $ 3.900 $ 12.000 $ 4.700 $ 3.120 $ 28.720
AGGREGATE PLANNING
Solución:
FACULTAD DE

Produccion II - Modulo I

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

Produccion II - Modulo I

Cargado por

Copyright:

Formatos disponibles

MODULO I

JOHN ANDRES MUÑOZ GUEVARA

Se usa el término Pronosticar para hacer referencia a

o Método de Delphi o Modelos Causales.

MÉTODOS MODELO CAUSAL SERIES DE TIEMPO

Elegir Modelo Elegir Modelo

Seleccionar Método Seleccionar Método

Estimar Parámetros Estimar Parámetros

Desviación Media Absoluta [MAD]:

Error Porcentual Absoluto Medio [MAPE]: 𝒏 |𝑫𝒕 − 𝒀𝒕|

¿El número de permisos emitidos el mes pasado puede ayudar a determinar el

1 DICIEMBRE 22 ENERO 72 13 DICIEMBRE 28 ENERO 63

No hay Correlación Correlación fuerte Correlación No Lineal

Determine el pronostico de los accesorios para baño si los permisos generados

FORECAST FORECAST FORECAST

Series de Tiempo es un nombre termino para hacer referencia

En el análisis de series de tiempo se intenta aislar los patrones

3. SEASONALITY: Es aquella que se repite en intervalos fijos de tiempo, como la

TREND PLUS SEASONALITY LINEAR TREND

QUADRATIC TREND EXPONENTIAL TREND

LOGARITHMIC TREND S CURVE

En lugar de tomar el promedio de todos los datos, se puede

Un promedio móvil del orden N es sencillamente el promedio

Los métodos de promedios móviles solo promedian los datos

Como sólo usa datos recientes para el pronóstico, un

a) Grafique la Serie de Tiempo y sus pronósticos

a) Grafique la Serie de Tiempo y sus pronósticos

𝒀𝒕 = 𝑾𝟏 𝑫𝒕−𝟏 + 𝑾𝟐 𝑫𝒕−𝟐 + …….. + 𝑾𝒏 𝑫𝒕−𝒏 donde: 𝑾𝒊 = 𝟏

Generalmente se aplica el mayor peso ponderado al valor mas reciente, y se

El valor ponderado es asumido en el principio del calculo, estos valores se

Para lograr una optimización de los valores ponderados Wi se puede realizar

a) Grafique la Serie de Tiempo y sus pronósticos

Otro método para pronosticar las series de tiempo es el Suavizamiento

𝒀𝒕 = 𝒀𝒕−𝟏 − α (𝒀𝒕−𝟏 − 𝑫𝒕−𝟏 )

El modelo Autorregresivo [AR] es similar al proceso de Regresión Lineal mas

El modelo AR esta dado por:

𝒀𝒕 = α𝟎 + α𝟏 𝑫𝒕−𝟏 + α𝟐 𝑫𝒕−𝟐 + ⋯ + α𝒏 𝑫𝒕−𝒏 + 𝒆𝒕−𝟏

STATIONARY TIME SERIES. 1

Cuando se requieren generar pronósticos para varios periodos, es

El Análisis de Regresión consiste en generar

La regresión lineal generalmente utiliza el

El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

El patrón de la tendencia indica que tipo de Regresión es la mas acertada, dentro

El método de Holt es un tipo de suavizamiento exponencial doble diseñado para

MAD 101 25 817

Para poder emplear un modelo estacional se debe en primer lugar especificar

En otros casos el valor de N se puede determinar de forma grafica mediante el

1. Calcular la media de todos los datos de la muestra.

Ejemplo: El departamento de distribución desea establecer los factores de

Ejemplo: AVERAGE 16,09

WEEK 1 WEEK 2 WEEK 3 WEEK 4 FACTOR

Monday 1,020 1,076 0,908 0,970 0,99

Ejemplo: Para realizar el pronostico basta con multiplicar el valor promedio de la

DECOMPOSITION METHOD: En muchos TREND PLUS SEASONALITY

Ejemplo: Una empresa de

1. Realice la grafica de la serie de

2. Calcule los factores estacionales para los datos trimestrales.

3. Calcule el total de ventas realizadas por año.

4. Grafique los datos de las ventas

5. Calcule la ecuación que

6. Calcule el pronostico de ventas

7. Calcule los Pronósticos para los seis años.

Calcule el Pronostico trimestral para cada año utilizando la siguiente formula: