Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Gestión de La Demanda - Parte 4 PDF
Gestión de La Demanda - Parte 4 PDF
Operaciones
Unidad 1: Estrategia de Operaciones y
Gestión de la Demanda
6. Gestión de la Demanda – Parte 4
Logro de la Unidad
Al finalizar la unidad el estudiante analiza diversos esquemas de procesos de distintos
tipos de empresas definiendo el valor que se agrega al producto en cada proceso, analiza
la estrategia de procesos de una empresa tomando decisiones sobre los mismos
diferenciando los procesos de servicios con los de manufactura y propone el método
adecuado para la elaboración del mejor pronóstico, utilizando herramientas para elaborar
distintos escenarios de comportamiento de demanda futura. Asimismo analiza y decide la
mejor localización de la planta.
Gestión de la Demanda – Parte 3
20 20 20 20
15 15 15 15
10 10 10 10
5 5 5 5
5 10 15 20 25 5 10 15 20 25 5 10 15 20 25 5 10 15 20 25
Tipo de Correlación
25 25 25 25
20 20 20 20
15 15 15 15
10 10 10 10
5 5 5 5
5 10 15 20 25 5 10 15 20 25 5 10 15 20 25 5 10 15 20 25
n XY − ( X )( Y )
r=
n X 2 − ( X )2 n Y 2 − ( Y )2
Regresión Lineal
Es un modelo de pronóstico que relaciona una variable independiente en el pronóstico
de una variable dependiente.
Mínimos Cuadrados
Desviación El criterio de mínimos cuadrados nos
proporciona un valor de a y uno de b, tal que:
Y: Valores de la variable dependiente
Desviación 2
(Y − Y )
Desviación n
'
i i sea mínimo
Desviación i =1
Desviación
Desviación
Desviación
Observación real
X: Periodo de tiempo
Regresión Lineal: Ejemplo
14.00
Consumo de combustible (toneladas 28.00, 12.40 32.50, 12.40
12.00 28.00, 11.70
39.00, 10.80
10.00
45.90, 9.40 57.80, 9.50
por semana)
58.10, 8.00
8.00
62.50, 7.50
6.00
4.00 observamos:
- tendencia negativa
2.00
- puntos dispersados alrededor de la línea
0.00
0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00
Temperatura media por hora (Fahrenheit)
Ecuación de Regresión Ajustada
La línea que mejor se ajusta a un conjunto de datos X-Y es aquella que minimiza la suma
de las distancias al cuadrado de los puntos de la línea, medidas en dirección vertical o
hacia Y.
Yˆ = bo + bX
n XY −
X Y
b=
n X − ( X )
2 2
b =
Y
−
b X
O
n n
Error Estándar de la Estimación
• Mide la dispersión de los puntos de datos en la dirección alrededor de la línea
ajustada
− bo Y − b XY
2
2
Y − Y Y
S x. y =
S x. y = n−2
n−2
• Un error estándar pequeño de la estimación significa que todos los puntos de datos se
ubican muy cerca de la línea de regresión ajustada.
Valor dado de X
S f = S x. y
1
1+ +
( X −X)
2
n (X − X )2
Intervalo de Confianza
g.l = n - 2
Coeficiente de Determinación
bo Y + b XY − nY
2
r =
2
Y − nY
2 2
Yˆ = bo + bX
n XY − X Y
Regresión Lineal Simple: Ejemplo 1 b=
n X − ( X )
2 2
bO =
Y − b X
n n
n
Trimestre
X
Ventas
Y
XY X2 Y2
Regresión
Y = bo + bX
n Pronóstico
r=
n XY − ( X )( Y )
n X 2 − ( X )
n Y − ( Y )
2 2
2
1 1 600 600 1 360,000 801.3 1
2 2 1,550 3,100 4 2,402,500 1,160.9 2
3 3 1,500 4,500 9 2,250,000 1,520.5 3
4 4 1,500 6,000 16 2,250,000 1,880.1 4
r= 0.97
5
6
5
6
2,400
3,100
12,000
18,600
25
36
5,760,000
9,610,000
2,239.7
2,599.4
5
6 S x. y =
Y 2
− bo Y − b XY
7 7 2,600 18,200 49 6,760,000 2,959.0 7
Sxy = 363.88 n−2
8 8 2,900 23,200 64 8,410,000 3,318.6 8
9 9 3,800 34,200 81 14,440,000 3,678.2 9
bo Y + b XY − nY
10 10 4,500 45,000 100 20,250,000 4,037.8 10 2
r2 = 0.93
11 11 4,000 44,000 121 16,000,000 4,397.4 11 r =
2
Y − nY
2 2
12 12 4,900 58,800 144 24,010,000 4,757.1 12
Total 78 33,350 268,200 650 112,502,500 13 5,116.7
Promedio 2,779 14 5,476.3
15 5,835.9
16 6,195.5
b= 359.62 Pronósticos
7,000
bO = 441.67
6,000
5,000
4,000
3,000
2,000
1,000
0
0 2 4 6 8 10 12 14 16 18
Regresión Lineal Simple: Ejemplo 2
X 1.63
Ypronostico 8.44
rvalo
de de confianza
confianza
Intervalo de confianza
Error Estándar del Pronóstico Sf 2.91
Dsitribucion
Dsitribucion t de Student,
t de Student, n ˂ 30 n ˂ 30 L. Inferior
L. Inferior YpronosticoYpronostico L. Superior
L. Superior
Grados
Grados de de Libertad,
Libertad, n-2 n-2 8 8 1.72 1.72 8.44 8.4415.16 15.16
Estacionalidad
Tendencia
Demanda
Desestacionalizar
Tiempo
Demanda
Estacionalizar
Patrón: Tendencia + Estacionalidad
Tiempo
Tiempo
Descomposición por Factores
Paso 1: Identificar el índice de estacionalidad Paso 2: Desestacionalizar la demanda real
Yi
DPA Ydesestac. =
Yreal
IEi = i
IEi
MediaTotal
Paso 3: Cálculo de la línea de tendencia para demanda Paso 4: Estimar demanda futura desestacionalizada
desestacionalizada
Yˆdesestac. = bo + bX
Yˆdesestac. = bo + bX
n XYdesestc. − X Ydesestc.
b=
n X 2 − ( X )
2
Paso 5: Ajustar estimaciones – estacionalizar pronóstico
Y b X
bO = −
Yˆreal = Yˆdesestc. (IE i )
desestc.
n n
n XYdesestc. − ( X )( Ydesestc. )
r=
n X 2 − ( X )2 n Y ( )2
desestc. desestc.
−
2
Y
Descomposición por Factores: Ejemplo
IE
Yi
(14 + 18 + 20)/3 = 17.3
(22 + 24 + 28)/3 = 24.7
Promedio Trimestre I
Promedio Trimestre II
17.3
24.7
0.79
1.12
17.3 / 22 = 0.79
24.7 / 22 = 1.12
DPA
(26 + 28 + 30)/3 = 28 Promedio Trimestre III 28.0 1.27 28 / 22 = 1.27 IEi = i
2016
10 II 28 1.12 24.97 IEi 5.00
11 III 30 1.27 23.57
12 IV 20 0.82 24.44
0.00
13 I
0 2 4 6 8 10 12 14
14 II
2017
15 III
16 IV
IE
Promedio Trimestre I 17.3 0.79
Promedio Trimestre II 24.7 1.12
Promedio Trimestre III 28.0 1.27
Promedio Trimestre IV 18.0 0.82
Promedio Total 22
Descomposición por Factores: Ejemplo
Paso 3: Cálculo de la línea de tendencia para demanda desestacionalizada
1er Paso 2do Paso 3er - 4to Paso Desestacionalización DE = Ventas/IE
Indice Estacional Desestacionalizado Tendencia-Proyección
Año Periodos Trimestres Ventas IE DE = Ventas/IE Y = 18.182 + 0.5874 X 30.00
1 I 14 0.79 17.77 18.77
2 II 22 1.12 19.62 19.36 25.00
2014
3 III 26 1.27 20.43 19.94
4 IV 16 0.82 19.56 20.53 20.00 y = 0.5874x + 18.182
5 I 18 0.79 22.85 21.12
6 II 24 1.12 21.41 21.71 15.00
2015
7 III 28 1.27 22.00 22.29
8 IV 18 0.82 22.00 22.88
10.00
9 I 20 0.79 25.38 23.47
10 II 28 1.12 24.97 24.06
2016 5.00
11 III 30 1.27 23.57 24.64
12 IV 20 0.82 24.44 25.23
13 I 25.82 0.00
14 II 26.41 0 2 4 6 8 10 12 14
2017
15 III 26.99
16 IV 27.58
IE
Promedio Trimestre I 17.3 0.79
Promedio Trimestre II 24.7 1.12
Promedio Trimestre III 28.0 1.27
Promedio Trimestre IV 18.0 0.82
Promedio Total 22
Descomposición por Factores: Ejemplo
IE
Promedio Trimestre I 17.3 0.79
Promedio Trimestre II 24.7 1.12
Promedio Trimestre III 28.0 1.27
Promedio Trimestre IV 18.0 0.82
Promedio Total 22
Descomposición por Factores: Ejemplo
IE
Promedio Trimestre I 17.3 0.79
Promedio Trimestre II 24.7 1.12
Promedio Trimestre III 28.0 1.27
Promedio Trimestre IV 18.0 0.82
Promedio Total 22
Conclusiones
• Para aplicar los métodos causales se debe expresar la variable a pronosticar en
función de otras variables que la causan.
Próxima Clase
• Lectura Pronósticos en los Negocios. 9na edición. Capitulo 6 - Regresión Lineal SImple
(2010). John E. Hanke, Dean W. Wichern Pag. 221-251
• Desarrollar y presentar:
• Ejercicios Regresión Lineal y Descomposición por Factores