SEGUNDO LABORATORIO DE PLANEACIÓN Y CONTROL DE LA

PRODUCCIÓN

INTEGRANTES
CARLOS ENRIQUE DIAZ LUNAR

PLANEACION Y CONTROL DE PRODUCCIÓN

HAIDER ORLANDO BALLESTEROS MARTINEZ

ESCUELA DE INGENIERÍAS
FACULTAD DE INGENIERÍA INDUSTRIAL
UNIVERSIDAD PONTIFICIA BOLIVARIANA
SECCIONAL BUCARAMANGA
2023
CASO I. La empresa Mecalux S.A.S, considera el estudio de estimación de la demanda de
láminas de acero inoxidable. Para ello se dispone de la información histórica de los datos,
tal como se presenta en la Tabla 1. El gerente de operaciones de la empresa considera que
se pueden presentar algunos datos atípicos referentes a comportamientos de solicitud de
productos; ya que en algunas oportunidades se ha desarrollado producción de discos para
frenos para nuevos mercados emergentes durante el año 2022. Por lo tanto, se debe
hacer un análisis de la información histórica semanal de la demanda de láminas de acero,
de tal forma que se pueda trabajar con los datos correctos para la estimación de la
demanda del mes de Marzo de 2023.

Tabla 1. Demanda semanal de láminas de acero que requiere la empresa Mecalux S.A.S

Semana Demanda Semana Demanda Semana Demanda

1 132 19 129 37 186
2 126 20 119 38 197
3 130 21 104 39 159
4 138 22 146 40 179
5 150 23 114 41 137
6 135 24 218 42 172
7 124 25 139 43 235
8 133 26 193 44 228
9 134 27 146 45 139
10 126 28 125 46 127
11 110 29 133 47 168
12 129 30 141 48 219
13 116 31 122 49 113
14 138 32 135 50 128
15 230 33 143 51 130
16 99 34 119 52 128
17 119 35 117 53 126
18 140 36 136

Fuente: Autor
Con base en la información anterior:

a) Desarrollar una interpretación escrita de la serie de tiempo referente a la demanda

de láminas de acero inoxidable. ¿Cuáles serían los datos atípicos que se deben
excluir en el análisis de la serie de tiempo? Justifique su respuesta.
 Serie de Tiempo
270
250
230
210
190 Serie de Tiempo
170
150
130
110
90
70
1 5 9 13 17 21 25 29 33 37 41 45 49 53

La demanda de láminas de acero inoxidable exhibe una oscilación a lo largo del mismo eje
horizontal durante un período de tiempo, lo que indica un comportamiento estacionario
sin ningún patrón discernible. Según el gráfico proporcionado, hay una fluctuación en la
demanda, con un pico de 244 y un mínimo de 99. Vale la pena señalar que hay algunos
valores anómalos en las semanas 10, 24 y 34.
b) Hacer un análisis escrito de la autocorrelación serial y autocorrelación parcial de la
serie de tiempo (espectros de información excluyendo los datos atípicos), de tal
forma que justifique los posibles factores que influyen en el comportamiento de la
serie de tiempo.

Correlograma
1
0.8
0.6
0.4
0.2 Correlograma
0
-0.2 1 3 5 7 9 11 13 15 17 19 21 23 25
-0.4
-0.6
-0.8
-1

Se puede observar que la transformación se puede observar en el histograma de frecuencia

y lleva a la conclusión de que el espectro de información es una función continua y no tiene
una forma estándar definida. Por lo tanto, el espectro de información es una función no
periódica, que es de naturaleza estacionaria, debido a que la amplitud de la función no es
cercana a 1 ni menor que 1, se puede decir que la serie tiene menores fluctuaciones.
 Corr_Diferencia
1
0.8
0.6
0.4
0.2 Corr_Diferencia
0
-0.2 1 3 5 7 9 11 13 15 17 19 21 23 25
-0.4
-0.6
-0.8
-1

Se puede notar que existe una transformación, el histograma de frecuencia del espectro de
información es una función continua sin una forma estándar definida y se puede concluir
que el espectro de información es una función no periódica y, por lo tanto, es esencialmente
estacionario.

c) Si se considera un análisis inferencial de los datos, bajo un nivel de significancia del

10%, se puede inferir que: ¿la autocorrelación serial presenta un comportamiento
de baja fluctuación?

Se observa que el nivel de autocorrelación que acepta la hipótesis alternativa, es decir, al

nivel de significancia del 10%, es evidencia estadística suficiente para demostrar que la
serie es estacionaria y menos volátil ya que todos los datos reflejan la hipótesis Ho.
d) Obtener el pronóstico de láminas de acero para primera semana del mes de marzo
de 2023, considerando la técnica de promedio simple.
 Se observa un pronóstico de 141 láminas de acero inoxidable para la primera semana del mes
de marzo del año 2023 mediante la técnica de promedio simple.

e) Obtener el pronóstico de láminas de acero para la primera semana del mes de marzo
de 2023, considerando la técnica de suavización exponencial simple.
Se obtuvo un pronóstico de 140 láminas de acero inoxidable para la primera semana del
mes de marzo del año 2023 mediante la técnica de suavización exponencial simple.
f) ¿Cuál es la mejor estimación de la demanda de láminas de acero inoxidable? Con
base en esta respuesta construya un intervalo de predicción utilizando la siguiente
expresión:

√ 1
IP( 1−α ) %= ^y t ± t (α /2 ),(n−1) 1+ + ECM
n
Cuando se detalla la información histórica de la demanda de placas de acero inoxidable,
podemos concluir que la serie de tiempo tiene un comportamiento estacionario con alta
oscilación, es decir, seguimos utilizando el método de predicción de la secuencia
estacionaria, el mejor pronóstico es el cuadrado de suavizado exponencial. error de 1194 y
el error cuadrático medio de 1194. Esto difiere del método de pronóstico simple de
1196,28, que da una demanda de 140 tarjetas en la semana 54.
CASO II. La empresa Corralita S.A.S, considera la importancia de evaluar el precio de
compra de insumos para el tratamiento de suelo en la agroindustria. Se sabe que el costo
por kilogramo de un fertilizante tiene una fluctuación que debe ser considerada en el
proceso de estimación futura para la planificación de un presupuesto logístico de compra
de este insumo requerido por la empresa. Se sabe que la información recolectada del
precio de compra del fertilizante (por kilogramo) se basa en datos mensuales, tal como se
presenta en la Tabla 2.

Tabla 2. Información mensual del precio de compra de fertilizante (por kilogramo)

Observación Precio Observación Precio Observación Precio

($/kg) ($/kg) ($/kg)
1 132,5 13 137,4 25 128,6
2 113,5 14 103,5 26 126,6
3 137,8 15 118,7 27 110,5
4 192,1 16 142,7 28 119,5
5 128,2 17 121,5 29 114,6
6 128,5 18 133,4 30 135,7
7 126,5 19 113,6 31 141,6
8 119,6 20 138,7 32 131,6
9 123,3 21 139,5 33 122,5
10 119,4 22 128,6 34 105,7
11 109,3 23 128,2 35 109,6
12 107,6 24 125,5 36 121,8

Fuente: Autor

Con base en la información anterior:

a) Desarrollar una interpretación escrita de la serie de tiempo referente al precio de
compra de fertilizante. ¿Cuáles serían los datos atípicos que se deben excluir en el
análisis de la serie de tiempo? Justifique su respuesta.
La serie temporal de precios de compra de fertilizantes muestra fluctuaciones a lo largo de
un período de tiempo en un mismo eje horizontal, es decir, la serie muestra un
comportamiento estacionario. El gráfico muestra la fluctuación de la demanda en el 4º
mes, con un valor máximo de 189,1 y un valor mínimo de 101,5, y los valores son atípicos.
b) Hacer un análisis escrito de la autocorrelación serial y autocorrelación parcial de la
serie de tiempo (espectros de información excluyendo los datos atípicos), de tal
forma que justifique los posibles factores que influyen en el comportamiento de la
serie de tiempo.

Correlograma
1
0.8
0.6
0.4
Correlograma
0.2
0
-0.2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
-0.4
-0.6
-0.8
-1

El espectro de información está representado por un histograma de frecuencia continuo

que carece de una forma estándar. Este espectro de información es naturalmente una
función estacionaria y aperiódica, dado que sus amplitudes no son cercanas a uno ni
menores que uno. Como resultado, se puede inferir que esta serie experimenta
fluctuaciones mínimas.
 Corr_Diferencia
1
0.8
0.6
0.4
0.2 Corr_Diferencia
0
-0.2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
-0.4
-0.6
-0.8
-1

c) Si se considera un análisis inferencial de los datos, bajo un nivel de significancia del

12%, se puede inferir que: ¿la autocorrelación serial presenta un comportamiento
estacionario?

Se observan niveles de auto correlación que aceptan la hipótesis alterna, es decir, que bajo
un nivel de significancia del 12%, existe suficiente evidencia estadística para afirmar que la
serie es estacionaria de baja fluctuación, ya que todos los datos corresponden a la hipótesis
Ho.
d) Obtener el pronóstico del precio de compra de fertilizante para el mes 37,
considerando la técnica de promedio simple.
N Real Pronostico ECM
1 132,5 - -
2 113,5 132,5 361
 3 137,8 123 219
4 192,1 127,9 4117,4
5 128,2 144,0 248,9
6 128,5 140,8 151,8
7 126,5 138,8 150,5
8 119,6 137,0 303,3
9 123,3 134,8 133,1
10 119,4 133,6 200,4
11 109,3 132,1 521,7
12 107,6 130,1 504,6
13 137,4 128,2 84,8
14 103,5 128,9 645,2
15 118,7 127,1 70,3
16 142,7 126,5 261,6
17 121,5 127,5 36,5
18 133,4 127,2 38,7
19 113,6 127,5 194,0
20 138,7 126,8 141,7
21 139,5 127,4 146,7
22 128,6 128,0 0,40
23 128,2 128,0 0,04
24 125,5 128,0 6,27
25 128,6 127,9 0,49
26 126,6 127,9 1,76
27 110,5 127,9 301,96
28 119,5 127,2 59,80
29 114,6 127,0 152,70
30 135,7 126,5 84,07
31 141,6 126,8 217,96
32 131,6 127,3 18,38
33 122,5 127,4 24,47
34 105,7 127,3 466,43
35 109,6 126,7 291,10
36 121,8 126,2 19,13
37 126,1 10175,8

Se obtiene un pronóstico de precios de compra de fertilizante de 126 para el mes número 37

utilizando la técnica de promedio simple.
e) Obtener el pronóstico del precio de compra de fertilizante para el mes 37,
considerando la técnica de suavización exponencial simple.
Mes Demanda Pronostico Error Abs Alfa 0,2
1 132,5 132,5 - -
2 113,5 132,5 -19,0 19
3 137,8 128,7 9,1 9,1
4 192,1 130,5 61,6 61,6
5 128,2 142,8 -14,6 14,6
6 128,5 139,9 -11,4 11,4
7 126,5 137,6 -11,1 11,1
8 119,6 135,4 -15,8 15,8
9 123,3 132,2 -8,9 8,9
10 119,4 130,5 -11,1 11,1
11 109,3 128,2 -18,9 18,9
12 107,6 124,5 -16,9 16,9
13 137,4 121,1 16,3 16,3
14 103,5 124,3 -20,8 20,8
15 118,7 120,2 -1,5 1,5
16 142,7 119,9 22,8 22,8
17 121,5 124,4 -2,9 2,9
18 133,4 123,9 9,5 9,5
19 113,6 125,8 -12,2 12,2
20 138,7 123,3 15,4 15,4
21 139,5 126,4 13,1 13,1
22 128,6 129,0 -0,4 0,4
23 128,2 128,9 -0,7 0,7
24 125,5 128,8 -3,3 3,3
25 128,6 128,1 0,5 0,5
26 126,6 128,2 -1,6 1,6
27 110,5 127,9 -17,4 17,4
28 119,5 124,4 -4,9 4,9
29 114,6 123,4 -8,8 8,8
30 135,7 121,7 14,0 14,0
31 141,6 124,5 17,1 17,1
32 131,6 127,9 3,7 3,7
33 122,5 128,6 -6,1 6,1
34 105,7 127,4 -21,7 21,7
35 109,6 123,1 -13,5 13,5
36 121,8 120,4 1,4 1,4
37 120,7
 f) ¿Cuál es la mejor estimación del precio de compra de fertilizante? Con base en
esta respuesta construya un intervalo de predicción utilizando la siguiente
expresión:

√ 1
IP( 1−α ) %= ^y t ± t (α /2 ),(n−1) 1+ + ECM
n
Concluyendo que la información histórica temporal de los precios de los fertilizantes es est
able con fuertes fluctuaciones, se siguen utilizando métodos de pronóstico de series establ
es y lo mejor es el pronóstico simple con un error cuadrático medio promedio de 303.25.
A diferencia del método de pronóstico de suavizado exponencial con un error cuadrático
medio de 311,1, lo que significa que el precio del fertilizante será 126 en la semana 37.
CASO III. Considerar que lo han contratado a usted como analista de información para el
estudio de proyección de mercadeo de nuevos productos de aseo para el hogar. Dentro
del estudio, se establece que se puede tener una relación entre las técnicas de
pronósticos asociadas a factores estacionarios de baja fluctuación; por tanto, se puede
asumir que según el número de observaciones históricas se puede estimar el factor
estacionario de la suavización exponencial.

Para esto se debe considerar una consistencia en función de la varianza del error en los
dos modelos de pronósticos disponibles (promedio simple y suavización exponencial
simple). Se puede interpretar que:

2 2
σ error promedio =σ error suavización

Con base en la información anterior:

a) Construya la expresión analítica que permite relacionar el número de

observaciones con el factor estacionario de la suavización exponencial simple.

Cómo se afecta el comportamiento de la serie con respecto al dato real

b) ^y t+1 pronostico del periodo t+1
 ^y t+1= ( t−1t ) yt+( t+11 )^y t
Peso del dato real en el pronóstico futuro peso del pronóstico actual en el
pronóstico futuro

^y t+1= ( t−1t ) yt+(1− t+t 1 ) ^y t

^y +1=αyt +1(1−α ) ^y t
^y +1=αtyt+1(1−αt ) ^y t
Modelo de optimización para estimar el valor de α
n−1
MinZ ≡ ECM=∑ ¿ ¿ ¿
t =1
^x t=αxt−1+ ( 1−α ) ^x t−1 ∀ t ∈ periodo
c) 0 ≤ α ≤ 1
Análisis de varianza del error promedio simple
α : f ( n)
var ( c . x )
2
c var ( x )
var ( Et )=var ( yt + ^y t)
var ( Et )=var ( yt )+ var ( ^y t)
n

∑ yt−1
var ( Et )=σ + var ( t=1
2
)
n
n
1
var ( Et )=σ +( 2 ) var ( ∑ yt−1)
2

n t =1

2 1
n ( )
var ( Et )=σ + 2 ( n σ )
2

d)

( )
2
2 σ
var ( Et )=σ +
n
var ( Et )=σ 2+ 1+ ( 1n )
σ²error promedio = σ²error suavización

( 1n )=σ (1+ 2−α

σ 2 1+
α
2
)

1 α
1+ =1+
n 2−α

1 α
=
n 2−α
b) ¿Qué pasa con el valor del factor estacionario de la suavización exponencial simple
cuando el tamaño de las observaciones es un valor muy grande? Justifique su respuesta.
nα =2−α

nα +α =2

α (n+1)=2

2
α=
(n−1)

lim α =lim ( n−1

2
)=2( limn−lim
lim 1
1
)

2
lim α =( )
limn−1

lim α =0

c) Si se considera un factor estacionario del 0.3256, ¿Cuál sería el tamaño de muestra de

recolección de información requerido para hacer el pronóstico?
α =0,3256
2−0,3256
n=
0,3256
α =5 , 14