Documentos de Académico
Documentos de Profesional
Documentos de Cultura
( s e Sstemas
BreneS
Tods aqello goeipuede
Ser adqrdose, un uscan Sasa Ca las
|ueicadoCuande se Paga necesdeselcde
deeat nado preco
Se Pue e
stisface; s
neceseades
Caractertsa
hseparlei Servto
ClRente
CoafraVenta
onsoo seecetre y
no P.
Rofa
poel.esade,
Pesona
Cokches:S.kis fuce
-PJbho& Paecce ame e vna
Persona
Ganye-Josema
Sushitutost que se
vcenplaza
09 23 Sorfts
Hodrada Ba ja
kmene Boo teho a alto A1to
Prodccôn
Je Coupleto de ajus tes enaro onetste
freceso) Ca)
Gs to de
Confsguración Altos Hoeracs B jos
Tamatio de eneral aen te Varas segun Contneo
bte
oq
Ls Siskmas Je mano facea lceesProdce en Masa
23
Ackid dApekzaje 3 4o4 23JBo
straco
)
de OPeroc'enes
:
|ncPoMes esencaes en
(Seeyrcto) Leabs
A
Scrbe
oSonasCofSon pued Coso nes
dhente
JClskea-(Vesfdo, shd, ete.)
-DandaneAndente
Lque hay Ch el mtrCudo rmes,elkctota,ek) bo
ara cteísa
Je a es suCsten te Tava jusheac
a
Consulta a la fuerza de
venta
Jurado de opiniön Investigackón de
ejecutiva Método Delphi Analogia de ciclo
Mercados de vida
Administración de
Operaciones I
Actividad practica 5
ALUMN0:
CETINA CAUICH LUCIONICOLAS
MATRICULA: 7488
CARRERA: |IND
DOCENTE:
Erika del Carmen Pech Vera
Ciclo 2023-2024
Nicolas Cetina
DEFINIR CADA MÉTODO CUANTITATIVO Y COLOCAR UN EJEMPLO DE
CADA UNO DE ELLOS, RESULTOS
• Series de tiempo
Una serie de tiempo es una secuencia de datos recopilados o registrados en
intervalos regulares a lo largo del tiempo. Estos datos pueden representar una
amplia variedad de fenómenos, desde valores financieros y económicos hasta
mediciones climáticas y de salud, y muchas otras cosas.
Las series de tiempo son fundamentales en estadísticas y análisis de datos porque
permiten analizar patrones y tendencias a lo largo del tiempo.
El objetivo de estos análisis es proporcionar buenos pronósticos o predicciones de
los valores futuros de la serie de tiempo
Ejemplo: Temperaturas Diarias en una Ciudad
Supongamos que tenemos datos de las temperaturas diarias registradas en una
ciudad durante una semana. Aquí están los datos:
• Día 1: 25°C
• Día 2: 26°C
• Día 3: 27°C
• Día 4: 28°C
• Día 5: 30°C
• Día 6: 29°C
• Día 7: 27°C
Análisis de la Serie de Tiempo:
1. Gráfico de la Serie de Tiempo:
Lo primero que podemos hacer es crear un gráfico de la serie de tiempo para
visualizar los datos a lo largo de la semana. Aquí tienes un gráfico simple que
muestra las temperaturas diarias en el eje vertical y los días en el eje horizontal:
40
TEMPERATURAS DIARIAS EN UNA
CIUDAD 30 29
27 28 27
30 25 26
20
DIA 1 DIA 2 DIA 3 DIA 4 DIA 5 DIA 6 DIA 7
Como se puede ver en el gráfico, las temperaturas aumentaron gradualmente
durante los primeros cuatro días, alcanzaron un máximo el quinto día y luego
disminuyeron nuevamente.
2. Cálculo de la Tendencia:
Para determinar la tendencia en esta serie de tiempo, podemos calcular un
promedio móvil simple. Por ejemplo, podemos tomar el promedio de las
temperaturas de los tres días anteriores para cada día de la semana:
• Día 1: (25°C)
• Día 2: (25°C + 26°C) / 2 = 25.5°C
• Día 3: (25°C + 26°C + 27°C) / 3 = 26°C
• Día 4: (26°C + 27°C + 28°C) / 3 = 27°C
• Día 5: (27°C + 28°C + 30°C) / 3 = 28.33°C
• Día 6: (28°C + 30°C + 29°C) / 3 = 29°C
• Día 7: (30°C + 29°C + 27°C) / 3 = 28.67°C
Ahora tenemos un conjunto de datos de tendencia suavizada que muestra cómo las
temperaturas han cambiado en promedio a lo largo de la semana.
3. Identificación de Estacionalidad:
En este ejemplo simple, no hay un patrón estacional claro ya que no tenemos
suficientes datos para identificar ciclos repetitivos.
4. Ruido:
En este caso, el "ruido" en la serie de tiempo representa las fluctuaciones diarias en
las temperaturas que no siguen una tendencia predecible.
• Enfoque simple
El enfoque simple, en el contexto de los análisis y las metodologías, generalmente
se refiere a un enfoque directo y sencillo para abordar un problema o una tarea sin
complicaciones innecesarias. Se caracteriza por su simplicidad y la falta de
elementos complicados o elaborados. Este enfoque se utiliza a menudo cuando se
busca una solución práctica y efectiva sin utilizar métodos o técnicas excesivamente
complejas.
Un ejemplo de un enfoque simple en el contexto de la resolución de un problema
cotidiano:
Problema: Quitar una tuerca atascada en un tornillo
Imagina que tienes una tuerca que está atascada en un tornillo y necesitas quitarla.
Puedes aplicar un enfoque simple para resolver este problema:
Enfoque Simple:
1. Herramientas necesarias: Reúne las herramientas necesarias para la tarea:
una llave inglesa.
2. Posición adecuada: Coloca la tuerca y el tornillo de manera que puedas
aplicar fuerza de manera efectiva.
3. Aplica fuerza: Usa la llave inglesa para aplicar fuerza en la dirección correcta
(generalmente en sentido contrario a las agujas del reloj para desenroscar).
4. Gira la llave: Gira la llave inglesa de manera constante y constante para
aflojar la tuerca.
5. Comprueba regularmente: Comprueba regularmente si la tuerca está
aflojándose. Si no se mueve, continúa aplicando fuerza constante.
6. Retira la tuerca: Una vez que la tuerca se haya aflojado lo suficiente, puedes
quitarla a mano o con la ayuda de la llave inglesa.
Este enfoque es simple y directo. Utiliza una herramienta básica y una técnica de
aplicación de fuerza para resolver el problema. Evita complicaciones innecesarias y
es eficaz para tareas cotidianas como esta.
Recuerda que, en muchas situaciones, un enfoque simple puede ser la mejor
manera de abordar un problema, especialmente cuando no se requiere un método
complicado o una solución elaborada.
• Promedios móviles
El método de los promedios móviles utiliza el promedio de los k valores de datos
más recientes en la serie de tiempo como el pronóstico para el siguiente periodo. El
término móvil indica que, mientras se dispone de una nueva observación para la
serie de tiempo, reemplaza a la observación más antigua de la ecuación anterior y
se calcula un promedio nuevo. Como resultado, el promedio cambiará, o se moverá,
conforme surjan nuevas observaciones.
Donde:
Yt : observación en el período t Ft : pronóstico para el período t
Un ejemplo: Supongamos que tenemos datos de ventas diarias de un producto
durante una semana:
• Día 1: 100 unidades vendidas
• Día 2: 120 unidades vendidas
• Día 3: 130 unidades vendidas
• Día 4: 110 unidades vendidas
• Día 5: 140 unidades vendidas
• Día 6: 135 unidades vendidas
• Día 7: 125 unidades vendidas
Ahora, calculemos el SMA de 3 días para suavizar estos datos. Esto significa que
calcularemos el promedio de las ventas de cada conjunto de tres días consecutivos.
Comenzamos en el tercer día porque necesitamos al menos tres días de datos para
calcular el primer SMA.
• Día 1, SMA3 = No calculamos un promedio aquí porque necesitamos al
menos tres días de datos anteriores.
• Día 2, SMA3 = No calculamos un promedio aquí aún.
• Día 3, SMA3 = (100 + 120 + 130) / 3 = 116.67 unidades (redondeado a dos
decimales).
• Día 4, SMA3 = (120 + 130 + 110) / 3 = 120 unidades.
• Día 5, SMA3 = (130 + 110 + 140) / 3 = 126.67 unidades.
• Día 6, SMA3 = (110 + 140 + 135) / 3 = 128.33 unidades.
• Día 7, SMA3 = (140 + 135 + 125) / 3 = 133.33 unidades.
Ahora tenemos una nueva serie de tiempo que representa el Promedio Móvil Simple
de 3 días de las ventas diarias. Esto suaviza la variabilidad de los datos originales
y nos ayuda a identificar tendencias generales. Por ejemplo, podemos ver que las
ventas parecen estar aumentando después del tercer día en la semana.
Es importante recordar que el valor del SMA en el primer día que calculamos no
tiene en cuenta los datos anteriores, ya que no tenemos suficientes puntos de datos
anteriores para calcular el promedio. Con el tiempo, a medida que se calculan más
SMAs, la serie suavizada proporciona una representación más clara de las
tendencias en los datos originales.
• Suavización exponencial
La suavización exponencial utiliza un promedio ponderado de valores de series de
tiempo pasadas como pronóstico. Tiene requisitos de datos mínimos y por tanto es
un buen método para usar cuando se requieren pronósticos para cantidades
grandes de artículos.
Es un caso especial del método de promedios móviles ponderados en el cual
seleccionamos sólo un peso, el peso para la observación más reciente. Los pesos
para los demás valores se calculan de forma automática y se vuelven cada vez más
pequeños a medida que las observaciones se alejan en el pasado.
Podemos demostrar que el pronóstico de la suavización exponencial para cualquier
periodo también es un promedio ponderado de todos los valores reales previos.
La fórmula muestra que el pronóstico para el periodo t+1 es un promedio ponderado
del valor real en el periodo t y el pronóstico para el periodo t.
• Tendencia lineal
La tendencia lineal es un concepto importante en el análisis de series de tiempo y
se refiere a una relación de crecimiento o decrecimiento constante en los datos a lo
largo del tiempo.
Como puedes ver en el gráfico, hay una clara tendencia ascendente en las ventas
a lo largo del tiempo. Esta tendencia sugiere un crecimiento constante en las ventas.
2. Identificación de la Tendencia Lineal:
Para identificar y cuantificar la tendencia lineal, podemos ajustar una línea recta
(una función lineal) a los datos. La ecuación de una línea recta es y=mx+b, donde:
• y es la variable dependiente (ventas en este caso).
• x es la variable independiente (meses).
• m es la pendiente de la línea, que representa la tasa de cambio (en
este caso, el crecimiento de las ventas por mes).
• b es la ordenada al origen, que representa el valor inicial de las ventas.
3. Cálculo de la Pendiente (m) y la Ordenada al Origen (b):
Utilizamos métodos estadísticos para calcular m y b. En este ejemplo, asumamos
que los cálculos nos dan los siguientes valores:
• m (pendiente) ≈ $500 (las ventas aumentan en promedio $500 por
mes)
• b (ordenada al origen) ≈ $10,000 (ventas iniciales en enero)
Entonces, la ecuación de la tendencia lineal sería: y=500x+10,000
4. Pronóstico Futuro:
Con esta ecuación de tendencia lineal, podemos pronosticar las ventas futuras. Por
ejemplo, para el mes de enero del próximo año (mes 13), podemos calcular:
y = 500 \cdot 13 + 10,000 ≈ $16,500
Esto nos da un pronóstico de ventas de aproximadamente $16,500 para enero del
próximo año, siguiendo la tendencia lineal identificada en los datos históricos.
Este ejemplo ilustra cómo se identifica y utiliza una tendencia lineal en una serie de
tiempo para hacer pronósticos basados en un crecimiento constante a lo largo del
tiempo.
• Relaciones Causales
Las relaciones causales se refieren a la conexión o influencia directa que una
variable tiene sobre otra, de manera que un cambio en una variable causa un
cambio en la otra. Estas relaciones son fundamentales en muchas áreas del
conocimiento, desde la ciencia hasta la estadística y la toma de decisiones. Las
relaciones causales pueden ser simples o complejas y pueden manifestarse de
diversas maneras.
Ejemplo: Relación Causal entre el Consumo de Agua y la Hidratación
Hipótesis: Se plantea la hipótesis de que el aumento en el consumo de agua
causará una mejor hidratación en el cuerpo.
Experimento:
1. Seleccionamos un grupo de participantes para el estudio.
2. Dividimos aleatoriamente a los participantes en dos grupos: Grupo A y Grupo
B.
3. En el Grupo A, pedimos a los participantes que beban al menos 2 litros de
agua al día durante una semana. Este grupo actúa como el grupo
experimental.
4. En el Grupo B, los participantes no reciben instrucciones específicas sobre
su consumo de agua y continúan con su ingesta normal. Este grupo actúa
como el grupo de control.
5. Durante la semana del estudio, registramos varias métricas de hidratación en
ambos grupos, como el color de la orina (un indicador de hidratación) y la
frecuencia cardíaca en reposo.
Resultados:
Después de una semana de estudio, comparamos los resultados entre los dos
grupos:
• Grupo A (Consumo de Agua Incrementado): Los participantes que bebieron
al menos 2 litros de agua al día mostraron una mejor hidratación, como
indicado por una orina más clara y una frecuencia cardíaca en reposo más
baja.
• Grupo B (Consumo de Agua Normal): Los participantes que mantuvieron su
ingesta de agua normal no mostraron mejoras significativas en su
hidratación.
Conclusión:
Basándonos en los resultados del experimento, podemos concluir que existe una
relación causal entre el aumento en el consumo de agua y una mejor hidratación en
el cuerpo. El grupo que aumentó su consumo de agua experimentó una mejora en
la hidratación en comparación con el grupo de control que no lo hizo.
Este es un ejemplo simplificado de una relación causal en un contexto experimental.
Sin embargo, en la práctica, establecer relaciones causales en situaciones más
complejas a menudo requiere un diseño experimental cuidadoso y el control de otras
variables que podrían influir en los resultados.
• Regresión simple
Es un método estadístico que se utiliza para modelar la relación entre una variable
independiente (también conocida como variable predictora o explicativa) y una
variable dependiente (también conocida como variable de respuesta). El objetivo
principal de la regresión simple es entender cómo la variable independiente influye
en la variable dependiente y utilizar esta relación para hacer predicciones o
estimaciones.
La forma más común de regresión simple es la "regresión lineal simple", que se
basa en la suposición de que la relación entre las dos variables puede describirse
mediante una línea recta. La ecuación de una regresión lineal simple es:
Y=a+bX
Donde:
Y es la variable dependiente.
X es la variable independiente.
a es la intersección en el eje Y (el valor de Y cuando X es igual a cero).
b es la pendiente de la línea (representa cómo cambia Y cuando X aumenta en una
unidad).
La regresión lineal simple busca encontrar los valores de a y b que mejor se ajusten
a los datos observados. Esto se hace minimizando la suma de los errores cuadrados
entre los valores observados de Y y los valores predichos por la ecuación de
regresión.
Ejemplo de Regresión Simple:
Supongamos que queremos entender la relación entre el número de horas de
estudio (variable independiente) y el puntaje obtenido en un examen (variable
dependiente). Recopilamos datos de 10 estudiantes y obtenemos los siguientes
resultados:
• Estudiante 1: Estudio 2 horas, Puntaje 60.
• Estudiante 2: Estudio 3 horas, Puntaje 70.
• ...
• Estudiante 10: Estudio 4 horas, Puntaje 80.
Usando la regresión simple, podemos encontrar la ecuación de regresión que mejor
se ajuste a estos datos. Supongamos que obtenemos la ecuación de regresión:
Puntaje=50+10⋅Horas
Esto significa que, según nuestro modelo, se espera que un estudiante que estudia
durante 0 horas (Horas = 0) obtenga un puntaje de 50, y por cada hora adicional de
estudio, se espera un aumento de 10 puntos en el puntaje del examen.
La regresión simple es una herramienta poderosa para analizar y predecir
relaciones entre variables cuando se sospecha que una variable influye en la otra.
Puede aplicarse en diversas áreas, como la economía, la ciencia social, la biología
y la ingeniería, para entender y modelar relaciones causales o predictivas.
• Regresión múltiple
La regresión múltiple es una extensión de la regresión simple en la que se analiza
la relación entre una variable dependiente (la variable que se quiere predecir) y dos
o más variables independientes (las variables que se utilizan para hacer la
predicción). A diferencia de la regresión simple, que se utiliza cuando solo hay una
variable independiente, la regresión múltiple se aplica cuando se cree que múltiples
variables independientes están relacionadas con la variable dependiente.
Donde:
• Y es la variable dependiente que se quiere predecir.
• 𝑋1 , 𝑋2 , 𝑋𝑝 son las variables independientes (predictoras).
• a es la intersección en el eje Y (el valor de Y cuando todas las variables
independientes son iguales a cero).
• 𝑏1 , 𝑏2 , 𝑏𝑝 son los coeficientes de regresión que representan cómo cambia Y
cuando se cambian las variables independientes.
• ε es el término de error, que representa la variabilidad no explicada por las
variables independientes.
La regresión múltiple se utiliza para modelar relaciones más complejas entre las
variables independientes y la variable dependiente. Puede proporcionar información
sobre cómo cada variable independiente contribuye al valor de la variable
dependiente, teniendo en cuenta el efecto de las otras variables independientes en
el modelo.
Ejemplo de Regresión Múltiple:
Supongamos que estamos interesados en predecir el precio de las casas (variable
dependiente) y creemos que varios factores pueden influir en el precio, como el
tamaño de la casa en pies cuadrados (variable 𝑋1 ), el número de habitaciones
(variable 𝑋2 ), la ubicación del vecindario (variable 𝑋3 ), y la antigüedad de la casa
(variable 𝑋4 ).
Podríamos utilizar la regresión múltiple para construir un modelo que relacione todas
estas variables con el precio de la casa:
𝑃𝑟𝑒𝑐𝑖𝑜_𝑐𝑎𝑠𝑎 = ( 𝑎 + 𝑏1 ) ∗ (𝑇𝑎𝑚𝑎ñ𝑜_𝑐𝑎𝑠𝑎 + 𝑏2 ) ∗ (𝑁𝑢𝑚_ℎ𝑎𝑏𝑖𝑡𝑎𝑐𝑖𝑜𝑛𝑒𝑠 + 𝑏3 ) ∗
(𝑈𝑏𝑖𝑐𝑎𝑐𝑖𝑜𝑛 + 𝑏4 ) ∗ (𝐴𝑛𝑡𝑖𝑔𝑢𝑒𝑑𝑎𝑑_𝑐𝑎𝑠𝑎 + 𝜀)
El modelo de regresión múltiple nos permitiría evaluar cuánto impacto tienen cada
una de las variables predictoras en el precio de la casa, teniendo en cuenta el efecto
de las otras variables en el modelo.
La regresión múltiple es una herramienta poderosa en estadísticas y análisis de
datos y se utiliza en una variedad de campos, incluyendo la economía, la
investigación médica, la ciencia social y la ingeniería, para analizar y predecir
relaciones complejas entre variables.
Bibliografía
Villarreal, D. F. (s.f.). Union Matematica Argentina. Obtenido de
https://www.matematica.uns.edu.ar/uma2016/material/Introduccion_a_los_Modelos_de
_Pronosticos.pdf
Nombre de laEmpresa: |TESCAM
Nombre del producto: Barco de papel Núm. de diagrama; Barpe-01
Analistas: Equipo 5Método: Actual. Núm. de pág.:1/2
Kit para corte (Tijeras) Elementos para el barco
Doblamos
01.11.15 5 0-12 Cortar una tira de 00.07.73s papel a la mitad
4cm de ancho
O-2 Doblamos
00.08.30s mitad
volvemos a abrir
Doblamos cada
00.11.15s O-3
una de las partes
hacia adentro
00.08.05 s O-9
Abrimos de nuevo
empujando hacia
afuera
En posición verticai
realizar un doblez
00.11.15s O-11
horzontal por la
mitad
Operaciones 15 04.38.00
Inspecciones 3 00.03.06
totales 18 03.41.06