UANE

SISTEMAS DE PRODUCCIÓN

1
Tema 9
Administración de la Demanda
Introducción y Conceptos
Pronósticos
 Técnicas Cualitativas
 Técnicas Cuantitativas

 Análisis de Series de Tiempo

 Análisis del Error

 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.

Para tomar un papel

pasivo es necesario : PRONOSTICAR
5
Componentes de la DEMANDA
Demanda promedio para el periodo
Tendencia
Elemento estacional
Variación aleatoria
Autocorrelación

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

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
wi ∼ Peso asignado a la ocurrencia real del periodo i
𝑛
condición necesaria:
∑ 𝑤 𝑖=1
𝑖=1
Ejemplo
La siguiente tabla representa las ventas de los primeros 4
meses del año. El mejor pronóstico se deriva utilizando
40% de las ventas del último mes, 30% del previo, 20% de
las ventas de 3 meses atrás y 10% de las de hace 4 meses.
MES Ene Feb Mar Abr May
VENTAS 100 90 105 95  

VMayo = 0.4(95) + 0.3(105) + 0.2(90) + 0.1(100) = 97.5

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

-4 : Cruce del eje “y”

y = 3x – 4

Es lo mismo que el modelo para la

Regresión Lineal (sin error):
Y = 0 + 1X + 

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

¿Puedes predecir los

siguientes 6 meses?
¿Qué opinas de estas
predicciones?
Ejercicio 1
Con las tablas del ejemplo sobre los usuarios de Banda
Angosta, elabora tú mismo la gráfica, la línea de ajuste y las
predicciones.
Ejercicio 2 10
11
37
36
Considera la cantidad de piezas 11 37
12 45
dañadas por mil fabricadas 12 40
mensualmente en una empresa 12 38
13 45
respecto al contenido de cierta 14 70
sustancia en la MP. 20 72
15 80
Elabora un análisis lineal para la 16 85
siguiente serie de tiempo 17 95
28 110
Elabora tus predicciones para los 30 120
siguientes contenidos: 35 150

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

¿Puedes predecir los

siguientes 6 meses?
¿Qué opinas de estas
predicciones?
Compara con la anterior
Ejercicio 3
Obtén primero mediante EXCEL
el polinomio de ajuste grado 2.
Obtenlo usando la función
ESTIMACION.LINEAL
Obtén los pronósticos para los
siguientes 6 meses
Compara con la predicción
lineal
Ejercicio 4
Para los datos de la tabla del Ejercicio 2 (Número de fallas
en cada 1000 piezas fabricadas mensualmente), efectúa un
análisis de la serie usando polinomios
Nota sobre ESTIMACION.LINEAL
La función “ESTIMACION.LINEAL” puede servir para el
ajuste a otros polinomios
Entre corchetes se ponen todos los exponentes que
deseamos lleve el polinomio, siendo el mayor de estos
números el grado del polinomio, por ejemplo:
{1,3} Es un polinomio grado 3 y su segundo término (el
cuadrado) no aparece: y = ax3 + bx2 + cx + d . En esta caso el
coeficiente b es cero.
Nota sobre polinomios
Hay que conocer un poco la figura de los polinomios
para saber qué tan bien pueden predecir
Grado Mayor Impar Grado Mayor Par

Coeficiente Coeficiente Coeficiente Coeficiente

principal positivo principal negativo principal positivo principal negativo
Modelo Logarítmico
Este modelo ajusta los datos a una función logarítmica
Es útil cuando hay descensos suaves o elevaciones abruptas
La curva sigue la fórmula y = a(ln(x))+b

¡Atención!:
ESTIMACION.LOGARITMICA
NO ajusta a un logaritmo!!!
Cálculo de coeficientes logarítmicos
En EXCEL use las siguiente fórmulas para su cálculo:

a = PENDIENTE(Datos_Y, LN de los Datos_X)

b = INTERSECCION.EJE(Datos_Y, LN de los Datos_X)

y = a·ln(x)+b

62
Obtención de la Línea de Tendencia
y = -349,417.195 ln(x) + 2,276,852.031

¿Puedes predecir los

siguientes 6 meses?
Compara con el resto de
tus predicciones ¿Qué
opinas?
Ejercicio 5
Obtén primero mediante EXCEL
el ajuste logarítmico. Obtenlo
usando las funciones indicadas
(NO ESTIMACION.LOGARITMICA )
Obtén los pronósticos para los
siguientes 6 meses
Compara con las predicciones
Polinomiales
Investiga sobre:
El coeficiente de CORRELACION R

65