Planeamiento y Control de

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

• Regresión Lineal Simple

• Descomposición por Factores

 Correlación: Diagrama de Dispersión
Grados 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

Ninguna Baja a Normal Alta Perfecta

r: 0 – 0.19 r: 0.2 – 0.49 r: 0.5 – 0.69 r: 0.7 – 1.0

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

Positiva Negativa Curvilínea Parcial

Coeficiente de Correlación

El coeficiente de correlación r mide el grado en que dos valores están linealmente

relacionadas entre si. Varía entre -1 a 1.

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

Yˆ = a + bx Punto en la línea de tendencia

X: Periodo de tiempo
Regresión Lineal: Ejemplo

Consumo de combustible según temperatura

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

• El error estándar de la estimación mide la cantidad estándar en la cual los valores

^
reales de Y difieren de los valores Y (estimados de Y)

 − 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.

• Un error estándar de la estimación es grande, los puntos de datos están

considerablemente dispersos alrededor de la línea ajustada.
Error Estándar del Pronóstico
El error estándar de pronóstico mide la variabilidad de los valores de predicción de Y
alrededor del verdadero valor de Y para un valor dado de X

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

El coeficiente de determinación mide el porcentaje de variabilidad en Y que puede

explicarse a través del conocimiento de la variabilidad (diferencias) de la variable
independiente X.

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

Datos de galones de leche

Nivel de ventas semanal, Y Precio de venta, X
Semana (miles de galones) $
1 10 1.30
2 6 2.00
3 5 1.70
4 12 1.50
5 10 1.60
6 15 1.20
7 5 1.60
8 12 1.40
9 17 1.00
10 20 1.10
 Regresión Lineal Simple: Ejemplo 2
Minimos Cuadrados _
Y X XY X2 Y2 ( X - X )2 Indice de Correlación, r -0.86 r2 0.7456
n= 10 1 10 1.30 13.00 1.69 100 0.0196
2 6 2.00 12.00 4.00 36 0.3136
3 5 1.70 8.50 2.89 25 0.0676 b= -14.54
4 12 1.50 18.00 2.25 144 0.0036
5 10 1.60 16.00 2.56 100 0.0256
6 15 1.20 18.00 1.44 225 0.0576 bo = 32.14
7 5 1.60 8.00 2.56 25 0.0256
8 12 1.40 16.80 1.96 144 0.0016
9 17 1.00 17.00 1.00 289 0.1936 Ecuación de la Recta Y= 32.14 - 14.54 X
10 20 1.10 22.00 1.21 400 0.1156
Totales 112 14.40 149.30 21.56 1,488 0.8240
Promedios 1.44 Error Estandar de la Estimacion Sx.y 2.73

Pronostico de la cantidad de leche vendida si el precio se fijara en $ 1.63

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

Nivel deNivel de confianza

confianza 95% 95%

alfa/2 alfa/2 0.025 0.025

tcritico tcritico 2.306002.30600

Gestión de la Demanda – Parte 3

• Regresión Lineal Simple

• Descomposición por Factores

 Descomposición por Factores
Demanda

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

Año Periodos Trimestres Ventas

Ventas Historicas
1 I 14
35
2 II 22
2014
3 III 26
30
4 IV 16
5 I 18 25
6 II 24
2015
7 III 28 20
8 IV 18
9 I 20 15
10 II 28
2016 10
11 III 30
12 IV 20
5
13 I
14 II
2017 0
15 III 0 2 4 6 8 10 12 14
16 IV
Descomposición por Factores: Ejemplo

Paso 1: Identificar el índice de estacionalidad

1er Paso
Indice Estacional
Año Periodos Trimestres Ventas IE
1 I 14 0.79
2 II 22 1.12
2014
3 III 26 1.27
4 IV 16 0.82
5 I 18 0.79
6 II 24 1.12
2015
7 III 28 1.27
8 IV 18 0.82
9 I 20 0.79
10 II 28 1.12
2016
11 III 30 1.27
12 IV 20 0.82
13 I
14 II
2017
15 III
16 IV

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

(16 + 18 + 20)/3 = 18 Promedio Trimestre IV 18.0 0.82 18/ 22 = 0.82

MediaTotal
Promedio Total 22
 Descomposición por Factores: Ejemplo
Paso 2: Desestacionalizar la demanda real

1er Paso 2do Paso Ventas Históricas vs Desestacionalizadas

Indice Estacional Desestacionalizado
Año Periodos Trimestres Ventas IE DE = Ventas/IE 35.00
1 I 14 0.79 17.77 14 / 0.79 = 17.77
30.00
2 II 22 1.12 19.62 22 / 1.12 = 19.62
2014
3 III 26 1.27 20.43 26 / 1.27 = 20.43 25.00
4 IV 16 0.82 19.56 16 / 0.82 = 19.56
5 I 18 0.79 22.85 20.00
6 II 24 1.12 21.41
2015
7 III 28 1.27 22.00
Y 15.00
8
9
IV
I
18
20
0.82
0.79
22.00
25.38 Ydesestac. = real 10.00

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

Paso 4: Estimar demanda futura desestacionalizada

1er Paso 2do Paso 3er - 4to Paso
Indice Estacional Desestacionalizado Tendencia-Proyección
Año Periodos Trimestres Ventas IE DE = Ventas/IE Y = 18.182 + 0.5874 X
1 I 14 0.79 17.77 18.77
2014
2
3
II
III
22
26
1.12
1.27
19.62
20.43
19.36
19.94
Yˆdesestac. = bo + bX
4 IV 16 0.82 19.56 20.53
5 I 18 0.79 22.85 21.12
6 II 24 1.12 21.41 21.71
2015
7 III 28 1.27 22.00 22.29
8 IV 18 0.82 22.00 22.88
9 I 20 0.79 25.38 23.47
10 II 28 1.12 24.97 24.06
2016
11 III 30 1.27 23.57 24.64
12 IV 20 0.82 24.44 25.23
13 I 25.82 18.182 + 0.5874 * 13 = 25.82
14 II 26.41 18.182 + 0.5874 * 14 = 26.41
2017
15 III 26.99 18.182 + 0.5874 * 15 = 26.99
16 IV 27.58 18.182 + 0.5874 * 16 = 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

Paso 5: Ajustar estimaciones – estacionalizar pronóstico Yˆreal = Yˆdesestc. (IE i )

1er Paso 2do Paso 3er - 4to Paso 5to Paso
Indice Estacional Desestacionalizado Tendencia-Proyección Pronóstico Re-estacionalizado
Año Periodos Trimestres Ventas IE DE = Ventas/IE Y = 18.182 + 0.5874 X Tendencia x IE
1 I 14 0.79 17.77 18.77
2 II 22 1.12 19.62 19.36
2014
3 III 26 1.27 20.43 19.94
4 IV 16 0.82 19.56 20.53
5 I 18 0.79 22.85 21.12
6 II 24 1.12 21.41 21.71
2015
7 III 28 1.27 22.00 22.29
8 IV 18 0.82 22.00 22.88
9 I 20 0.79 25.38 23.47
10 II 28 1.12 24.97 24.06
2016
11 III 30 1.27 23.57 24.64
12 IV 20 0.82 24.44 25.23
25.82 * 0.79 = 20.34
13 I 25.82 20.34
26.41 * 1.12 = 29.61
14 II 26.41 29.61
2017 26.99 * 1.27 = 34.35
15 III 26.99 34.35
16 IV 27.58 22.57 27.58 * 0.82 = 22.57

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