Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“PLANEAMIENTO
Y CONTROL DE LA
PRODUCCION”.
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.
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
“PRONOSTICO”.
PRONOSTICO
Es predecir acontecimientos futuro a partir de
algunos indicios.
OBJETIVO
ALCANCES
Registros de la Compañía
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
PATRONES DE LA DEMANDA
PATRONES DE LA DEMANDA
PATRONES DE LA DEMANDA
Métodos Cuantitativos:
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
Mes Producción
1 56
2 46
3 53
4 50
5 50
6 52
7 ?
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
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
Suavización exponencial
Suavización exponencial
850
800
750
Demanda
700
650
600
550
500
1 2 3 4 5 6 7 8 9
Semanas
Suavización exponencial
Ejemplo ; Determinar el pronostico para el 2015 con un coeficiente
de suavisamiento de: = 0.2 y = 0.8
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
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
ERROR.TIPICO.XY(CONOCIDO_Y;CONOCIDO_X)
COEF.DE.CORREL(CONOCIDO_X;CONOCIDO_Y)
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
a
y b x 33.350 359.615 78
441.667
n 12
S yx
n2 12 2
Abrahan A. Pacheco Oviedo
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
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
Y = a bx
Log a
log y x Logb
N
n x Log y x Logy
Log b
N x x
2 2
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
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
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
13 834,66
14 851,53
15 868,39
16 885,26
Error 22,39
t 1,56
LS 869,57303
LI 799,751212
Regresión Múltiple
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
.
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
Solución
PROPORCION SIMPLE
Pasos:
1. Determinar el F.E.
2. Pronósticar las Ventas del Periodo
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
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
265706.9 126.5 2779.23
342.21
Abrahan A. Pacheco Oviedo
x n x 650 12 6.5
2 2 2
PRONOSTICO
MINIMOS CUADRADOS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1998 25
UCSM Ingeniería Industrial