Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SISTEMAS DE PRODUCCIÓN
1
Tema 9
Administración de la Demanda
Introducción y Conceptos
Pronósticos
Técnicas Cualitativas
Técnicas Cuantitativas
Regresión Lineal
2
ADMINISTRACIÓN DE LA
DEMANDA
CONCEPTOS
3
Administrar la Demanda
Controlar y coordinar todas las fuentes de la demanda con
la finalidad de poder usar con eficiencia el sistema
productivo y entregar el producto a tiempo.
Tipos de Demanda
Dependiente: Si la demanda de un producto depende de la
demanda de otro. Ejemplo: Tinta para impresora HP.
Independiente: Si la demanda no deriva de la compra de otro
producto.
4
Demanda Independiente
No se puede hacer mucho por la demanda dependiente, sin
embargo, sí se puede influir en la independiente. De hecho
ante la demanda se puede tomar una de dos actitudes:
Papel Activo: Influir en la demanda.
Papel Pasivo: Responder a la demanda.
6
TIPOS DE PRONÓSTICOS
CUALITATIVO: basado en opiniones y estimados.
SERIES DE TIEMPO: Usa información histórica para ver
hacia el futuro.
RELACIONES CAUSALES: Suponemos que existe una
relación subyacente que induce un comportamiento.
SIMULACIÓN: Modela la complejidad cuando influyen
demasiados factores no controlables.
7
TECNICAS CUALITATIVAS
PRONÓSTICOS
8
Técnica ACUMULATIVA
Se suma en sucesión desde abajo, es decir, desde la parte
que tiene contacto con el cliente, y de ahí se recorre la
cadena de suministro adicionando inventarios o reservas,
pérdidas, mermas o cualquier eventualidad del producto
hasta llegar al proveedor de la parte productiva.
9
INVESTIGACIÓN DE MERCADO
Normalmente realizada por empresas especializadas
contratadas para ese fin, se utiliza con la finalidad de
conocer qué piensan las personas respecto al producto o sus
características, qué preferencias tienen, qué nuevas ideas
hay.
Se usan encuestas y/o entrevistas.
10
Grupos de CONSENSO
Se establecen reuniones con personas se cree tienen la
facultad de desarrollar un pronóstico confiable. Se hace una
lluvia de ideas o cualquier técnica apropiada.
11
Analogía HISTÓRICA
Se puede usar la demanda de un producto similar en el
mercado, es decir, tomamos el comportamiento de un
producto similar como modelo. O bien, de un producto
complementario. Ejemplo: Si vendemos un tipo de café
aromatizado lo correlacionamos con la venta de cafeteras
automáticas para hacer café aromatizado.
12
Método DELFOS
A fin de evitar que en una empresa los altos
funcionarios inhiban a los elementos de menor
jerarquía en la expresión de opiniones, el
método Delfos trabaja con encuestas y
preguntas que se contestan en forma anónima
y luego se hacen sesiones donde se discuten
generando con ello nuevas preguntas.
Este proceso se repite hasta lograr un consenso
de ideas.
13
TÉCNICAS CUANTITATIVAS
MODELOS MATEMÁTICOS PARA EL ANÁLISIS DE SERIES DE
TIEMPO
14
SERIES DE TIEMPO - Introducción
Una serie de tiempo representa un conjunto de
observaciones ordenadas en el tiempo
Dichas observaciones representan el cambio de una
variable a lo largo de un periodo de tiempo en el cual esta
variable es analizada
¿Por qué estudiar S. de T.?
Para conocer el patrón de comportamiento de una variable,
y así poder prever su evolución en el futuro cercano,
suponiendo que las condiciones no variarán
significativamente.
Este comportamiento permitirá hacer pronósticos de los
valores futuros de la variable en cuestión.
Definición Formal
Una Serie de Tiempo a un conjunto de mediciones
denotadas por
{x(t1), x(t2), ..., x(tn)} = {x(t) : t T R}
Donde:
x(ti) es el valor de la variable x en el instante ti
Cuando ti+1 - ti = k para todo i = 1,...,n-1, se dice que la serie
es equiespaciada, en caso contrario será no equiespaciada
Componentes de una S. de T.
Toda serie de tiempo se puede analizar en función de sus 3
componentes:
Tendencia
Comportamiento Estacional
Componente Aleatorio
Tendencia
La tendencia representa el comportamiento predominante
de la serie. Ésta puede ser definida vagamente como el
cambio de la media a lo largo de un periodo
300
250
200
150
100
50
0
M 2 4 6 8 10 12
SE
Comportamiento Estacional
El comportamiento de la variable en el tiempo en un
periodo esta relacionado con la época o un periodo
particular, por lo general en el espacio cronológico
presente.
Componente Aleatorio
Cuando a parecen hechos imprevistos, repentinos que
afecten las variables en estudio nos hallamos frente
variaciones residuales provocadas por factores
extern0s aleatorios
Estudio de una S. de T.
El primer paso en el análisis de series de tiempo
consiste en graficar la serie. Esto nos permite detectar
las componentes esenciales de la serie.
Una gráfica también permite detectar los casos
patológicos de un conjunto de datos, o sea, datos que
se salen totalmente de la norma
Se debe ajustar la serie a un MODELO
PRONÓSTICOS
23
Promedio Móvil Simple
Útil cuando la demanda se comporta suavemente, sin
características estacionales. Como todas las series de
tiempo requiere datos históricos. Su fórmula es simple:
𝐴 𝑡 − 1+ 𝐴 𝑡 − 2+ …+ 𝐴 𝑡 −𝑛
𝐹𝑡=
𝑛
donde:
Ft ∼ Pronóstico para el siguiente periodo
n ∼ Número de periodos a promediar
At-i ∼ Ocurrencia real en el periodo t-i; i = 1..n
24
Ejemplo
La tabla siguiente muestra las demandas de las primeras 30
semanas de un periodo. Calcular el promedio móvil
e(predicción para la siguiente semana) y ajustarlo con las
demandas reales. Repetir para un periodo de 9 semanas.
SEMANA DEMANDA SEMANA DEMANDA SEMANA DEMANDA
1 800 11 1700 21 2400
2 1400 12 1500 22 2600
3 1000 13 2300 23 2000
4 1500 14 2300 24 2500
5 1500 15 2000 25 2600
6 1300 16 1700 26 2200
7 1800 17 1800 27 2200
8 1700 18 2200 28 2500
9 1300 19 1900 29 2400
10 1700 20 2400 30 2100 25
Solución
SEMANA DEMANDA 3 SEM. 9 SEM. SEMANA DEMANDA 3 SEM. 9 SEM.
1 800 16 1700 2200 1811
2 1400 17 1800 2150 1813
3 1000 18 2200 2000 1829
4 1500 1067 19 1900 1900 1917
5 1500 1300 20 2400 1967 1960
6 1300 1333 21 2400 2167 2025
7 1800 1433 22 2600 2233 2200
8 1700 1533 23 2000 2467 2150
9 1300 1600 24 2500 2333 2000
10 1700 1600 1367 25 2600 2367 2167
11 1700 1567 1467 26 2200 2367 2267
12 1500 1567 1500 27 2200 2433 2311
13 2300 1633 1556 28 2500 2333 2311
14 2300 1833 1644 29 2400 2300 2378
15 2000 2033 1733 30 2100 2367 2378
26
Ejercicio
Calcula el promedio móvil para la demanda mensual, usa 3
y 4 meses. Grafica en Excel para un análisis del
comportamiento.
MES 1 2 3 4 5 6 7 8 9 10 11 12
DEMANDA 80 90 80 120 160 100 190 200 195 180 200 210
27
Promedio Móvil Ponderado
Este método asigna mayor peso a ciertos períodos a fin de
reflejar cierto comportamiento muy particular de la
demanda. La fórmula es la siguiente:
𝐹 𝑡 =𝑤 1 𝐴 𝑡 − 1+𝑤 2 𝐴 𝑡 − 2+ …+𝑤𝑛 𝐴 𝑡 − 𝑛
29
Ejercicio
Pronosticar la semana 11 considerando los pesos siguientes
(0.400, 0.200, 0.150, 0.100, 0.070, 0.050, 0.020, 0.005, 0.003,
0.002). Las demandas para cada semana se dan en la
siguiente tabla:
SEMANA 1 2 3 4 5 6 7 8 9 10
DEMANDA 1500 1300 800 900 1200 1000 800 1500 1300 2000
30
SUAVIZACIÓN EXPONENCIAL
En los métodos de pronósticos, la principal desventaja es
tener que manejar en forma continua gran cantidad de
datos históricos. En estos métodos, al agregar un dato, se
elimina el más antiguo. En muchas aplicaciones, la
observación más reciente es mejor indicativo del futuro que
las más distantes. Si es así, la mejor opción es la suavización
exponencial.
Se llama así porque se selecciona una factor de reducción α
y se reduce cada incremento o decremento pasado por (1 -
α)p donde "p" es el número de periodo, de ahí su nombre.
31
Pronóstico vs Demanda Real
32
Metodología
Para la suavización exponencial sólo se necesitan 3 datos
para pronosticar el futuro: el pronóstico del periodo más
reciente, la demanda real de ese periodo, y la constante de
uniformidad α.
El α determina el nivel de uniformidad y la velocidad de
reacción a las diferencias entre los pronósticos y las
ocurrencias reales.
Un α=0.2 es adecuada para casos de demanda estable; se
aumenta hasta un 0.90 si la demanda es muy inestable y
deseamos que el pronóstico se ajuste rápidamente.
33
Formulación de la S. Exponencial
La fórmula para un solo pronóstico es la siguiente:
𝐹 𝑡 = 𝐹 𝑡 −1+α ( 𝐴¿ ¿ 𝑡 −1 ― 𝐹 𝑡 −1)¿
donde:
Ft ∼ Pronóstico suavizado exponencialmente para el periodo t
Ft-1 ∼ Pronóstico suavizado exponencialmente para el periodo anterior
At-1 ∼ Demanda real en el periodo anterior
α ∼ El índice de respuesta deseado, o la constante de suavización
Ejemplo
Suponga que la demanda a largo plazo de un producto es
relativamente estable y un α=0.05 se considera aceptable. Si
la demanda pronosticada del mes pasado fue 1050 y la
demanda real fue 1000, ¿cuál sería el pronóstico para este
mes?
35
Solución - pronóstico suavizado
1050 0.05(1000 1050)
1050 0.05(50)
1047.5 unidades
36
Ejercicio
Calcula las demandas pronosticadas usando la suavización
exponencial. Utiliza un α=0.5
Grafica en Excel para un análisis del comportamiento.
MES Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
DEMANDA 80 90 100 120 160 180 170 200 220 240 260 240
37
Ejercicio
Elabora una gráfica con predicciones usando α=0.2, 0.3, 0.5
y verifica el comportamiento de la gráfica de predicciones.
MES ENE. MAR. ABR. MAY. JUN. JUL. AGO. SEP. OCT. NOV. DIC. ENE. MAR. ABR. MAY. JUN. JUL. AGO. SEP. OCT. NOV. DIC. ENE. FEB. MAR.
DEMANDA 100 150 175 200 215 230 225 190 140 100 90 92 120 140 170 200 230 280 330 375 390 375 350 310 250
38
REGRESIÓN
39
Modelos de Regresión
Existen muchos modelos a aplicar, nosotros veremos:
Modelos Lineales
Modelos Polinomiales
Modelos Logarítmicos
Objetivo de la RLS
1. Determinar la relación de dependencia que tiene una
variable respecto a otra.
2. Ajustar la distribución de frecuencias de una línea, es
decir, determinar la forma de la línea de regresión.
3. Predecir un dato desconocido de una variable partiendo
de los datos conocidos de otra variable.
Estadística Experimental 41
Regresión Lineal Simple
Sean X y Y dos variables. Se quiere explicar el
comportamiento de Y con base a los valores que toma X
Para esto se mide el valor de Y para cada valor de X y se
forman parejas (x1,y1), (x2,y2),…, (xn,yn).
Graficamos, y si se ve que los puntos formados crean una
secuencia definida, ¡hay relación!
Estadística Experimental 42
Modelo de Regresión lineal Simple
Este es el modelo de
Regresión Lineal Simple
Y = 0 + 1X +
Donde
es un error aleatorio con media=0 y varianza= 2
0 y 1 son parámetros desconocidos del modelo y son constantes
A 1 se le conoce como coeficiente de regresión
Estadística Experimental 43
Recordando la Recta
y
3 : Pendiente de la Recta
y = 3x – 4
Estadística Experimental 44
Ejemplo: Usuario de
Internet
Se desea determinar la tendencia en la cantidad de
usuarios con conexiones a Internet en la modalidad de
Banda Angosta
Se encontrarán tanto gráfica como matemáticamente
las ecuaciones que representen esta tendencia, para los
próximos 6 meses
Datos del ejemplo
Fecha B.Angosta B.Ancha Fecha B.Angosta B.Ancha
ene-02 1,984,687 648,744 nov-03 1,089,374 1,211,165
feb-02 1,931,836 673,256 dic-03 1,084,368 1,230,607
mar-02 1,887,311 716,435 ene-04 1,075,635 1,234,011
abr-02 1,829,291 756,555 feb-04 1,071,299 1,249,714
may-02 1,848,172 790,088 mar-04 1,059,003 1,265,323
jun-02 1,788,670 816,200 abr-04 1,050,978 1,280,001
jul-02 1,711,295 843,560 may-04 1,048,350 1,294,836
ago-02 1,646,154 868,753 jun-04 1,041,698 1,324,901
sep-02 1,624,667 909,579 jul-04 1,014,690 1,342,425
oct-02 1,602,595 940,315 ago-04 1,016,436 1,356,948
nov-02 1,583,908 969,355 sep-04 1,012,954 1,437,746
dic-02 1,371,705 989,115 oct-04 1,009,589 1,458,110
ene-03 1,361,420 1,009,426 nov-04 1,006,974 1,471,758
feb-03 1,347,627 1,024,137 dic-04 1,003,604 1,484,486
mar-03 1,330,340 1,038,995 ene-05 1,001,227 1,503,842
abr-03 1,361,323 1,055,571 feb-05 997,654 1,513,103
may-03 1,382,474 1,082,152 mar-05 992,812 1,517,741
jun-03 1,374,093 1,107,139 abr-05 990,287 1,542,935
jul-03 1,351,787 1,125,124 may-05 987,073 1,556,845
ago-03 1,343,314 1,147,039 jun-05 989,277 1,570,298
sep-03 1,110,968 1,169,723 jul-05 993,105 1,601,764
oct-03 1,096,604 1,193,594 ago-05 986,852 1,618,975
Gráfica de los datos
Modelo Lineal
Este modelo ajusta los datos a una línea usando el método
de mínimos cuadrados, es decir, se obtiene la línea que
minimiza la distancia el cuadrado de la distancia de cada
punto a la línea recta.
Es igual a la forma de obtener la línea en los ejemplos de
correlación
Recordar es volver a vivir
Para obtener la recta, usar la fórmula
ESTIMACION.LINEAL(Y, X), donde Y es el conjunto de
datos de la variable dependiente y “X” de la
independiente
Seleccionar la celda de la formula y la celda adyacente
horizontal derecha
Teclear “F2” y luego CTRL+Mayus+ENTER
Los valores que se muestran son los coeficientes de la
recta ajustada
Obtención de la línea de tendencia
Y=23,085x +
1,801,091
38,40,44,46,50
¿Qué tan BUENA es la Recta?
En cualquier análisis de regresión es necesario
evaluar que tan bien el modelo (línea recta)
explica la relación entre X y Y.
¡La gráfica es inicialmente la primera opción que
hay que verificar!
R 2
Coefciente de Determinación
Estadística Experimental 53
Modelo Polinomial
Un ejemplo de este tipo de modelos son los modelos
polinomiales
Recuerda que un polinomio es una manera de representar
curvas en ejes coordenados y se caracterizan por tener las
variables elevadas a potencias mayores a 1
y = ax2 + bx + c
Ajuste a Polinomios en EXCEL
Usa: ESTIMACION.LINEAL(Y, X^{1,2},1,1)
Donde:
“Y” es el conjunto de datos de la variable dependiente
“X” de la independiente
El símbolo “^” indica que es un polinomio
El número mayor entre corchetes indica el grado del
polinomio, en este caso 2
El otro número indica el grado del siguiente término
polinomial
Seleccionar 3 celdas adyacentes horizontales
Teclear “F2” y luego CTRL+Mayus+ENTER
Los valores que se muestran son los coeficientes de la recta
ajustada
Obtención de la Línea de Tendencia
y = 752x2 56934x + 2060597
¡Atención!:
ESTIMACION.LOGARITMICA
NO ajusta a un logaritmo!!!
Cálculo de coeficientes logarítmicos
En EXCEL use las siguiente fórmulas para su cálculo:
y = a·ln(x)+b
62
Obtención de la Línea de Tendencia
y = -349,417.195 ln(x) + 2,276,852.031
65