Está en la página 1de 76

UCSM Ingeniería Industrial

“PLANEAMIENTO
Y CONTROL DE LA
PRODUCCION”.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PLANEAMIENTO Y CONTROL DE
PRODUCCION
Significa realizar un Plan de Trabajo,
al cual debe obedecer la producción,
de manera que el producto se elabore
con eficiencia máxima y a costos
favorables.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PLANEAMIENTO Y CONTROL DE
PRODUCCION
FUNCION:
• Definir las características del Producto y el Proceso
de Fabricación.
• Calcular el Costo de Fabricación.
• Pronosticar las Ventas.
• Planificar y Programar la Producción.
• Iniciar las actividades en la Planta a través de las
ordenes de producción.
• Control y seguimiento de la producción.
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

PLANEAMIENTO Y CONTROL DE PRODUCCION


• Combina los flujos físicos y de información para
administrar los sistemas de producción.
• Integral el flujo de material usando la información
del sistema.
• El pronostico da inicio a las actividades de PCP.
• El extender las actividades del PCP a los
proveedores y clientes se conoce como
“ADMINISTRACION DE LA CADENA DE
SUMINISTROS”.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PLANEAMIENTO Y CONTROL DE PRODUCCION


• La planeación a largo plazo de la capacidad
garantiza que la capacidad futura sea la adecuada
para cumplir con la demanda futura.
• La planeación de la producción transforma los
pronósticos de demanda en plan maestro de
producción, el cual toma en cuenta la disponibilidad
global de capacidad y materiales.
• La planeación detallada genera los requerimientos
inmediatos de los materiales y la capacidad, y
realiza una programación de la producción a corto
plazo.
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

PLANEAMIENTO Y CONTROL DE PRODUCCION

• PCP hace exactamente lo que su nombre dice:


Planea y Controla la producción y lo hace utilizando
el ciclo de retroalimentación.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Marco para las decisiones


 Proceso
 Capacidad
 Inventarios
 Fuerza de trabajo
 Calidad

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

“PRONOSTICO”.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PRONOSTICO
 Es predecir acontecimientos futuro a partir de
algunos indicios.

 Consiste en la estimación y el análisis de la


demanda futura para un producto en
particular, componente o servicio.

 Utiliza inputs como ratios históricos de venta,


estimaciones de marketing e información
provisional, a través de diferentes técnicas de
previsión, con el propósito de planificar.
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

OBJETIVO

 PROPORCIONAR PRONOSTICOS CON


LA EXACTITUD NECESARIA, A
TIEMPO Y A UN COSTO RAZONABLE.
 REACCIONAR ANTE LOS CAMBIOS
REALES.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

ALCANCES

 Pretende estudiar la solución de problemas


relacionadas con pronósticos
 Los pronósticos proporcionan información para tomar
mejores decisiones.
 La decisión determina que pronosticar, el nivel de
detalle necesario y con que frecuencia se hará el
pronóstico.
 Sirve para determinar la demanda futura de sus
productos, y en base a esto planear y controlar la
cantidad de producto que deberá producir.
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Cuando se tienen proporcionan un gran visión


sobre los hechos.

Registros de la Compañía

Otras Compañías, servicios


comerciales
El Gobierno, población,
demografía, etc.

DATOS
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

1. Externos:
Aquellos que están fuera de control de
la empresa. Ejemplo: Características de la
economía, leyes, tecnología, escasez de
recursos, acciones de la competencia,
elección o preferencia del consumidor.

2. Internos
Decisiones internas que provocan
cambios en el volumen de la demanda, se
pueden influir en ellos. Están la calidad, el
FACTORES
precio, tiempo de entrega, la publicidad y
los descuentos.
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

 Horizontal.

 Tendencia.

 Estacional.

 Cíclicos.

PATRONES DE LA DEMANDA
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

PATRONES DE LA DEMANDA

(a) Horizontal: Cúmulo de datos en torno de una línea horizontal


Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

PATRONES DE LA DEMANDA

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PATRONES DE LA DEMANDA

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PATRONES DE LA DEMANDA

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

 Métodos Cualitativos : De carácter


subjetivo y se basan en estimaciones y
opiniones.

 Métodos Cuantitativos:

• Causales: El valor de la variable


dependiente esta causada o afecta, o al
menos tiene una alta correlación con el
valor de la(s) variables (s) independientes

• De serie de tiempos: Es simplemente una


TIPOS lista cronológica de datos históricos,
donde la suposición esencial es que la
Abrahan A. Pacheco Oviedo historia predice el futuro de manera
razonable.
UCSM Ingeniería Industrial

Investigación de Mercado; Consiste en el


desarrollo de un cuestionario,llevar a cabo la
encuesta y tabular y analizar los resultados.
Utilizado para pronosticar ventas a L.P. y de
nuevos productos o productos modificados
Opinión de Expertos; se basa en la
experiencia y opiniones de ejecutivos,
técnicos, clientes.
Metodo Delphi; proceso para obtener el
consenso entre un grupo de expertos con el
anonimato de sus integrantes.
CUALITATIVOS Basado en Indicadores Económicos; existe una
relación directa o correlación, entre ventas de
algunos productos y estos indicadores
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial
La demanda puede ser:
-Dependiente  Causada por la demanda
de otros productos
-Independiente  No esta condicionada a la
demanda de otros productos
Construcción Accesorios
de casas de Plomeria
Independiente Dependiente

Ventas de Venta de
Automoviles Llantas
Métodos usados para estos pronósticos:
CAUSALES
-Regresión lineal simple.
Otros modelos de regresión (exponencial, etc)
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

SERIES DE TIEMPOS

Utilizan datos históricos de la


variable dependiente y consideran
el tiempo como variable
independiente para predecir el
futuro.

Nos enfocaremos a patrones de


demanda tipo Constante,
Tendencia y Estacional.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE A. PROCESOS CONSTANTE


TIEMPOS
1. Promedio Simple
Trata a los datos muy antiguos
igual que a los recientes. Se usa un
promedio de los datos pasados para
pronosticar el siguiente periodo.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE A. PROCESOS CONSTANTE


TIEMPOS
1. Promedio Simple -Ejemplo

Mes Producción
1 56
2 46
3 53
4 50
5 50
6 52
7 ?
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

SERIES DE A. PROCESOS CONSTANTE


TIEMPOS
2. Promedio Móvil Simple
Se elige promediar solo algunos de
los datos mas recientes.
Responde al cambio de una manera
más rápida, debido a que usa datos
recientes.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

 Ejemplo: Se observa la siguiente demanda


histórica:
Semana Demanda
1 800
2 1400
3 1000
4 1500
5 1500
6 1300
7 1800
8 1700
9 1300
10 1700
11 1700
12 1500
13 2300
14 2300
15 2000
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Ejemplo 2:
Semana Demanda
Se desea desarrollar un 1 100
sistema de pronostico a 2 125
3 90
corto plazo para estimar el
4 110
volumen de inventarios que 5 105
fluye del almacen todas las 6 130
semanas. See suguere 7 85
utilizar un promedio movil 8 102
9 110
de 3, 5 ó 7 semanas.
10 90
Antes de tomar una 11 105
decisión compare la 12 95
precisión de cada una de 13 115
ellas en relación con el 14 120
15 80
periodo de diez semanas
Abrahan A. Pacheco Oviedo 16 95
más reciente. 17 100
UCSM Ingeniería Industrial
Semana Demanda 3 Sem 5 Sem 7 Sem 3 Sem 5 Sem 7 Sem
1 100
2 125
3 90
4 110
5 105
6 130
7 85
8 102 106.7 104.0 106.4 4.7 2.0 4.4
9 110 105.7 106.4 106.7 4.3 3.6 3.3
10 90 99.0 106.4 104.6 9.0 16.4 14.6
11 105 100.7 103.4 104.6 4.3 1.6 0.4
12 95 101.7 98.4 103.9 6.7 3.4 8.9
13 115 96.7 100.4 102.4 18.3 14.6 12.6
14 120 105.0 103.0 100.3 15.0 17.0 19.7
15 80 110.0 105.0 105.3 30.0 25.0 25.3
16 95 105.0 103.0 102.1 10.0 8.0 7.1
17 100 98.3 101.0 100.0 1.7 1.0 0.0
Abrahan A. Pacheco Oviedo 104.0 92.6 96.3
10.4 9.3 9.6
UCSM Ingeniería Industrial

A. PROCESOS CONSTANTE
SERIES DE
TIEMPOS
3. Promedio Móvil ponderado
Mientras que el promedio móvil simple
da igual peso a cada componente de los
datos, el promedio móvil ponderado
permite dar cualquier peso aún
elemento, siempre y cuando la suma de
los pesos sea igual a uno
F t=P1Dt-1+P2Dt-2+….+PmDt-n

M5 = 0.40(95) + 0.30 (105) + 0.20 (90) + 0.10 (100)


Abrahan A. Pacheco Oviedo M5 = 97.50
Si las ventas reales en el periodo 5 fueron 110, ¿Cual es el pronóstico para el mes 6 (F6)?
UCSM Ingeniería Industrial

A. PROCESOS CONSTANTE
SERIES DE
TIEMPOS 4. Suavizamiento Exponencial
Los sucesos más recientes son más
indicativos de lo que sucederá en el
futuro que los datos del pasado.
se calcula el pronóstico a partir del
pronostico mas reciente, la demanda
real que se presentó para este
periodo y una constante de
suavizamiento alfa ().
ST =  dt + (1 - ) ST – 1

Semana Dem Real Pronostico


49 52 49.25
Abrahan A. Pacheco Oviedo
Ejem:  = 0.2 y  = 0.8 50 58 49.8
51
UCSM Ingeniería Industrial

Suavización exponencial

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Suavización exponencial
850
800
750

Demanda
700
650
600
550
500
1 2 3 4 5 6 7 8 9
Semanas

Demanda Ft Alfa = 0.1 Ft Alfa = 0.6

Se observa que la demanda real del producto tiende a fluctuar a


través del tiempo, por lo que un valor bajo de α no produce
resultados tan confiables debido a que suaviza en exceso el
pronóstico. Por su parte, un valor de α = 0.6 nos permite acercarnos
más
Abrahan A. a la
Pacheco demanda real, mostrando la variación que la demanda posee.
Oviedo
UCSM Ingeniería Industrial

Suavización exponencial
Ejemplo ; Determinar el pronostico para el 2015 con un coeficiente
de suavisamiento de:  = 0.2 y  = 0.8

Año 2011 2012 2013 2014 2015


Demanda 1080 1190 1100 1220 1300

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Suavización exponencial Doble


Para determinar el pronostico a través del suavizamiento exponencial doble:
• Se realiza el pronostico a través del suavizamiento exponencial simple.
Ft = Ft-1 + α (Dt-1 - Ft-1)
• Se aplica el suavizamiento exponencial doble, donde el pronostico anterior es el encontrado con
suavizamiento simple.
Dt = α Ft + (1-α ) Dt-1
0.8 0.8
Sem Dem Real Expo Simple Expo Doble
1 200 200.00 200.00
2 135 200.00 200.00
3 195 148.00 145.40
4 197.5 185.60 187.48
5 310 195.12 195.60
6 175 287.02 291.62
7 155 197.40 192.92
8 130 163.48 161.78
9 220 136.70 135.36
10 277.5 203.34 206.67
Abrahan A. Pacheco Oviedo 11 235 262.67 265.63
12 240.53 239.43
UCSM Ingeniería Industrial

B. MODELO CON TENDENCIA


SERIES DE
TIEMPOS Método de los Mínimos Cuadrados
Existe una distribución de
probabilidades para cada tamaño de
muestra, supone que son normales.
Las medias de las distribuciones se
ubican en una recta o se distribuyen
a lo largo de una recta
Establece una relación entre una
variable dependiente y una o mas
variables independientes.
Trata de ajustar la línea a los
Abrahan A. Pacheco Oviedo
datos que minimicen la suma de los
cuadrados de la distancia vertical.
UCSM Ingeniería Industrial

B. MODELO CON TENDENCIA


SERIES DE
TIEMPOS Método de los Mínimos Cuadrados

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Lineal

Sirve para pronosticar una variable


con base a otra, solo contiene una
variable independiente.
La relación entre variables forma
una línea recta.
Si los datos forman una serie de
tiempos, la variable independiente es
el tiempo en periodos y la variable
dependiente por lo general son las
ventas o aquello que deseamos
Abrahan A. Pacheco Oviedo
pronosticar.
UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Lineal

 Es de la forma: Y = a + b x
y = Es la variable dependiente
a = Es la intersección en y
b = Es la pendiente de la recta y
X = Es la variable independiente

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Lineal (FORMULAS)

a
 X 2  Y   X  XY
a
 Y  b  X 
n X 2   X 2
n

n x y  x y
b
n  x   x 
2 2

y  a  y  b  xy
2

S yx 
n 2

r x y  x y
n
n  x   x  n  y   y  
2 2 2 2

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS

Regresión Lineal (FUNC. EXCEL)

PRONOSTICO (X, CONOCIDO_Y; CONOCIDO_X)

a  INTERSECCIÓN.EJE (CONOCIDO_Y; CONOCIDO_X)

b  ESTIMACIÓN.LINEAL (CONOCIDO_Y; CONOCIDO_X; CONSTANTE;...)

ERROR.TIPICO.XY(CONOCIDO_Y;CONOCIDO_X)

COEF.DE.CORREL(CONOCIDO_X;CONOCIDO_Y)

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Semana Demanda B. MODELO CON TENDENCIA


1 600
2 1550
Regresión Lineal (APLICACION)
3 1500 Demanda
4 1500 6000

5 2400
6 3100 5000

7 2600
4000
8 2900
9 3800
3000
10 4500 Demanda

11 4000
2000
12 4900
13
1000
14
15
0
16 1 2 3 4 5 6 7 8 9 10 11 12
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Lineal (APLICACION)
Trimestre Ventas
X Y XY 2 2
X Y
1 600 600 1 360
2 1550 3100 4 2.402.500
3 1500 4500 9 2.250.000
4 1500 6000 16 2.250.000
5 2400 12000 25 5.760.000
6 3100 18600 36 9.610.000
7 2600 18200 49 6.760.000
8 2900 23200 64 8.410.000
9 3800 34200 81 14.440.000
10 4500 45000 100 20.250.000
11 4000 44000 121 16.000.000
12 4900 58800 144 24.010.000

Abrahan A. Pacheco Oviedo  78 33.35 268.2 650 112.502.500


UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Lineal (APLICACION)

n xy   x  y 12 (268,200)  7833.350 617,100


b    359.615
n  x 2   x  12 650  78
2 2
1716

a
 y  b  x 33.350  359.615 78
  441.667
n 12

Y = 441.667 + 359.615 (X)


Y13 = 5116.4, Y14 = 5.476.0, Y15 = 5.835.6, Y16 = 6.195.2

y  a y  b xy 112´502.500  441.667 33.350  359.615 268.100 268.200


2

S yx  
n2 12  2
Abrahan A. Pacheco Oviedo

Syx = 363.877 r = 0.966


UCSM Ingeniería Industrial

B. MODELO CON TENDENCIA


Regresión Lineal (APLICACION)
6000
y = 359.62x + 441.67
R² = 0.9332
5000

4000

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12

Error 363,877797
t 1,81246112
LS 5776,18103
Abrahan A. Pacheco Oviedo
LI 4457,15231

t = DISTR.T.INV(probabilidad,grados_de_libertad)
UCSM Ingeniería Industrial
Ejemplo: Una tienda de alfombras ha llevado un registro de ventas de
cada año así como la cantidad de permisos para construir casas nuevas en
su zona. El gerente de tienda de alfombras piensa que es posible
pronosticar las ventas de alfombras si se conoce la cantidad de casas que
se han construido en el año. Para X=40
VENTAS
AÑO PERMISOS 2
(YARDAS )

1989 18 13000
1990 15 12000
1991 12 11000
1992 10 10000
1993 20 14000
1994 28 16000
1995 35 19000

Abrahan A. Pacheco Oviedo 1996 30 17000


1997 20 13000
UCSM Ingeniería Industrial

40 20467,34

a 6698,492462
b 344,2211055
Y 20467,33668
Error 331,9545545
Coef Corr 0,994385682
Determ 0,988802885
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Exponencial

Y = a bx

Log y = Log a + x Log b

Log a 
 log y   x Logb
N

n  x Log y    x  Logy
Log b 
N  x   x 
2 2

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

SERIES DE B. MODELO CON TENDENCIA


TIEMPOS
Regresión Exponencial (Aplicación)
AÑO VENTAS X LOG Y X LOG Y 2
X
1984 108 1 2.0334 2.0334 1
1985 119 2 2.0755 4.151 4
1986 110 3 2.0414 6.1242 9
1987 122 4 0.0864 8.3456 16
1988 130 5 2.1139 10.5695 25
 15 10.3506 31.2237 55

n  x Logy   x  Log y 5 31.2237  15 10.3506


Log b    0.01719
n  x   x      
2 2 2
5 55 15

Log a 
 Log y   x Log b  10.3506  15 0.01719  2.01855
n 5
Log y = 2.01855 + 6 (0.01719)
Abrahan A. Pacheco Oviedo
Log y = 2.1217 Antilog = 10x

y=Antilog (2.1217) = 132.34 y = 10 2.1217


UCSM Ingeniería Industrial

Regresión Logarítmica (FUNC. EXCEL)

CRECIMIENTO(CONOCIDO_Y, CONOCIDO_X, X)

b  ESTIMACIÓN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X)

a  INDICE(ESTIMACIÓN.LOGARITMICA(CONOCIDO_Y, CONOCIDO_X),2)

Y = a b ^ x

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial
Motors Company produce motores electrónicos para válvulas
automáticas para la industria de la construcción. Durante más de un año,
la planta de producción ha operado a casi plena capacidad. El Gerente de
Planta, estima que el crecimiento en las ventas continuará y desea
desarrollar de las instalaciones para los siguientes tres años. Se han
totalizado las cifras de ventas correspondientes a los últimos diez años.
AÑO VENTAS ANUALES AÑO VENTAS ANUALES
(MILES DE UNIDADES) (MILES DE UNIDADES)
1 1.000 6 2.000
2 1.300 7 2.200
3 1.800 8 2.600
4 2.000 9 2.900
5 2.000 10 3.200
Se requiere determinar los niveles de ventas para los años mencionados,
así como el coeficiente de correlación y los rangos de desviación del
pronóstico esperado, considerando un intervalo de confianza de 90%,
Abrahan A. Pacheco Oviedo
con 2 grados de libertad.
UCSM Ingeniería Industrial

11 3287
12 3502
13 3718
Error 173,030038
t 1,85954804
LS 3608,42433
LI 2964,909

t = DISTR.T.INV(probabilidad,grados_de_libertad)

LS y LI = Y11 +- t Syx

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Se requiere determinar los niveles de ventas para el siguiente año, así


como el coeficiente de correlación y los rangos de desviación del
pronóstico esperado, considerando un intervalo de confianza de 85%,
con 2 grados de libertad.
Trime Ventas
1 642,8
2 650,6
3 655,5
4 647,9
1 729,3
2 721,9
3 719,4
4 733,5
1 803,5
2 802,1
Abrahan A. Pacheco Oviedo
3 799,4
4 794,6
UCSM Ingeniería Industrial

13 834,66
14 851,53
15 868,39
16 885,26
Error 22,39
t 1,56
LS 869,57303
LI 799,751212

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Regresión Múltiple

El objetivo es ajustar un modelo de la Forma:


Y = β0+ β1X1+ β2X2
Estimando los parámetros correspondientes (β0, β1, β2) y calcular el
coeficiente de determinación R2.

Y X1 X2
8 4 20
Y Ventas
10 3 22
X1 Viviendas
X2 Ingresos
12 6 23
13 6 26
15 7 27
Abrahan A. Pacheco Oviedo
18 8 30
UCSM Ingeniería Industrial

Regresión Múltiple
Coeficientes Utilizando del Excel en la opción Datos o
Intercepción -8.89473684 Herramientas, se elige Análisis de Datos y
luego Regresión, se introduce el rango de la
Variable X 1 0.36842105 variable dependiente y luego las
Variable X 2 0.78947368 independientes y se obtiene:
Se puede extraer lo siguiente:
Β0 = -8.894737
Β1 = 0.3684211
Β2 = 0.7894737
Es decir la ecuación de regresión múltiple ajustada es:
Y = -8.894737+ 0.3684211X1+ 0.7894737X2
.

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

C. PROCESO ESTACIONAL
Los patrones estacionales son fluctuaciones
que ocurren dentro de un año y tienden a
repetirse anualmente
DESCOMPOSICION DE
UNA SERIE DE TIEMPO
Cuando la demanda contiene efectos de
tendencia y estacionales, se determina la
relación entre ambos a través de la
variación estacional.
DESCOMPOSICION DE
UNA SERIE DE TIEMPO

La tendencia se multiplica por los factores


Abrahan A. Pacheco Oviedo de estacionalidad.
Pronóstico=Tendencia x Factor Estacionalidad
UCSM Ingeniería Industrial
FACTOR DE
ESTACIONALIDAD

Es la corrección que se requiere para


ajustar una serie de tiempo a la estación
del año.
a) PROPORCION SIMPLE

Ventas Promedio 1000 u (Año Anterior)


Primavera 200
Verano 350
Otoño 300
Invierno 150
Abrahan A. Pacheco Oviedo
Venta Estimada 1100 u. (Año Siguiente)
UCSM Ingeniería Industrial

Solución
PROPORCION SIMPLE

Pasos:
1. Determinar el F.E.
2. Pronósticar las Ventas del Periodo

Ventas Ant F.E Ventas Est


Primavera 200 0.20 220
Verano 350 0.35 385
Otoño 300 0.30 330
Invierno 150 0.15 165
Total 1000 1100
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial
SERIE DE TIEMPO ESTACIONALES Y CON TENDENCIA

400
160
140 350

120 300

100 250
80 200
60 150
40 100
20
50
0
0
1 2 3 4 5 6 7 8 9 10 11 12
1 Año 2005 2 Año 2006 3Año 2007 4
Ventas

Se puede apreciar en las ventas, estas tienen un


Abrahan A. Pacheco Oviedo comportamiento de tendencia y también tienen
comportamiento estacional.
UCSM Ingeniería Industrial

b) DESCOMPOSICION POR MINIMOS CUADRADOS

Significa encontrar los componentes basicos de la tendencia


y estacionalidad

PASO 1: Determinar el Factor de Estacionalidad


 Se obtiene un promedio de los mismos trimestres
 Se obtiene el factor de estacionalidad
PASO 2: Desestacionalizar los datos originales
 Dividimos los datos originales entre el factor de
estacionalidad
PASO 3: Desarrollar una linea de regresión de minimos
cuadrados para los datos desestacionalizados.
Abrahan A. Pacheco Oviedo
UCSM Ingeniería Industrial

b) DESCOMPOSICION POR MINIMOS CUADRADOS

PASO 4: Proyectar la linea de regresión para el periodo


que se pronostica.
PASO 5: Crear el pronostico final ajustando la linea de
regresión con el factor de estacionalidad.
Trim Periodo Demanda
EJEMPLO: I
II
1
2
600
1550
III 3 1500
IV 4 1500
I 5 2400
II 6 3100
III 7 2600
IV 8 2900
I 9 3800
II 10 4500
Abrahan A. Pacheco Oviedo III 11 4000
IV 12 4900
UCSM Ingeniería Industrial

solucion
PASO 1:
Promedio de trimestres (600+2400+3800)/3 =2266.67
(1550+3100+4500)/3 = 3050
(1500+2600+4000)/3 = 2700
(1500+2900+4900)/3 =3100
Promedio General 33350/12 = 2779.17
Factor Estacionalidad : 2266.67/2779.17 = 0.8156
3050.00/2779.17 = 1.0974
2700.00/2779.17 = 0.9715
Abrahan A. Pacheco Oviedo

3100.00/2779.17 = 1.1154
UCSM Ingeniería Industrial

solucion Trim
I
Perio
1
Dema
600
FE
0.8156
Y
735.7
X2
1
XY
735.7
II 2 1550 1.0974 1412.4 4 2824.8
III 3 1500 0.9715 1544.0 9 4632.0
IV 4 1500 1.1154 1344.8 16 5379.2
I 5 2400 0.8156 2942.6 25 14713.0
II 6 3100 1.0974 2824.9 36 16949.4
III 7 2600 0.9715 2676.3 49 18734.1
IV 8 2900 1.1154 2600.0 64 20800.0
I 9 3800 0.8156 4659.1 81 41931.9
II 10 4500 1.0974 4100.6 100 41006.0
III 11 4000 0.9715 4117.3 121 45290.3
IV 12 4900 1.1154 4393.0 144 52716.0
33350 33350.7 650 265712.4

I 13 4080.81011 5003.45
II 14 5866.29789 5345.63
III 15 5525.71808 5687.82
IV 16 6725.87175 6030.01

x  6.5

y  2779.2

b 
 xy  n x y 
265706.9  126.5 2779.23
 342.21
Abrahan A. Pacheco Oviedo
 x  n x  650  12 6.5 
2 2 2

a  y  b x  2779.2  342.21 6.5   554.9


UCSM Ingeniería Industrial

PRONOSTICO
MINIMOS CUADRADOS

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

PRONOSTICO POR DESCOMPOSICION


MINIMOS CUADRADOS

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Permiso Ventas Carpintería


Año Construcción Yardas Cuadradas
1989 18 13000
1990 15 12000
1991 12 11000
1992 10 10000
1993 20 14000
1994 28 16000
1995 35 19000
1996 30 17000
1997 20 13000
Abrahan A. Pacheco Oviedo

1998 25
UCSM Ingeniería Industrial

Una Cia. Vende electricidad Año Ingresos


y vapor a la ciudad de 1991 4865.9
Nueva York y al condado 1992 5067.4
de Westchester. Los 1993 5515.6
ingresos por ventas se 1994 5728.8
muestran en la tabla, 1995 5497.7
proyecte los ingresos para 1996 5197.7
los años 2002 a 2005. 1997 5094.4
Utilice su criterio para 1998 5108.8
decidir que modelo aplicar. 1999 5550.6
2000 5738.9
Abrahan A. Pacheco Oviedo
2001 5860.0
UCSM Ingeniería Industrial
El gerente de planta de Motors Company, esta intentando planear las
necesidades de efectivo de personal y materiales y suministros para
cada trimestre del próximo año. Los datos de ventas trimestrales
durante los últimos tres años razonablemente parecen reflejar el
patrón de resultados estacional que debe esperarse en el futuro. Si se
pudiera estimar las ventas trimestrales del siguiente año, podría
determinarse las necesidades de efectivo, material, personal y
suministros.

Ventas Trimestrales (miles de unidades) Total


Años Trim I Trim II Trim III Trim IV Anual

2000 520 730 820 530 2600

2001 590 810 900 600 2900

2002 650 900 1000 650 3200


Abrahan A. Pacheco Oviedo
Determine el volumen de ventas para el siguiente año.
UCSM Ingeniería Industrial

Suavizamiento Holt-Winters (TENDENCIA)

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Suavizamiento Holt-Winters (ESTACIONALIDAD)

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo


UCSM Ingeniería Industrial

Abrahan A. Pacheco Oviedo