Professional Documents
Culture Documents
I LABORATORIO DE
PLANEAMIENTO Y
CONTROL DE LA
PRODUCCIN
Planeamiento y
control de la
produccin
Docente: ZAVALETA VALVERDE, HUGO
Integrantes:
Rebaza Arias, Rogger
Rojas Falconi, Luca
Vargas Uriol, Yordin
Yupanqui Cruz, Jhon
Zavaleta Castillo, Alexis
UNT
UNT
UNT
UNT
UNT
UNT
estimaciones se combinan a fin de elaborar una estimacin de las ventas en todas las
regiones o zonas. Este conocimiento puede ayudar a la empresa a lograr una prediccin
con rapidez y bajo costo.
El administrador de distrito emplea los estimados de ventas individuales para crear una
prediccin de distrito. Los administradores deben ajustarlos estimados individuales para
reducir las inclinaciones optimistas(o la pesimista, s la fuerza de ventas recibe bonos
por exceder las proyecciones).Las predicciones de distrito se combinan entonces hasta
crear una prediccin global.
d.- Encuesta a los clientes:
Una empresa tambin puede hacer sus predicciones en los planes establecidos de
compras futuras de sus clientes actuales y potenciales mediante una encuesta a los
clientes.
Esta informacin puede obtenerse directamente por medio de encuestas personales, por
telfono, correo o por fax para determinar los volmenes de productos que la empresa
puede adquirir en cada periodo en el futuro y se prepara un pronstico de ventas
combinando las respuestas individuales de los cliente. Una vez combinada la
informacin proveniente de las empresas, normalmente se ajusta por un factor de
experiencia que tiene en cuenta la relacin histrica entre los requerimientos
establecidos de los clientes y las compras reales, as como la proporcin anticipada del
mercado de los fabricantes. Estas cifras de ajuste se utilizan como prediccin de la
demanda. La mejor informacin es la que se solicita a los clientes. Para muchas
empresas esto no es prctico y solicitar una muestra representativa de sus planes es
suficiente.
Existen muchas maneras de estructurar las muestras; las simples y estratificadas al azar,
las sistemticas y las de grupo se encuentran entre las estructuras ms comunes.
Puede ayudar no solamente a preparare el pronstico sino tambin a mejorar el diseo
del producto y la planeacin de productos nuevos.
9. Enunciar varias tcnicas cuantitativas de prediccin. Con base en que
horizonte de tiempo se utilizan?
Las tcnicas o mtodos cuantitativos de prediccin se dividen en modelos de series de
tiempo y modelos causales. A continuacin se presentan varias tcnicas de prediccin
cuantitativos con base en su horizonte de tiempo.
Mtodo
Promedio Simple
Promedios mviles
Promedios mviles
dobles
Suavizamiento
exponencial simple
Suavizamiento
SERIE DE TIEMPO
Se usa una regla simple que pronostica igual al
ltimo valor o igual ms o menos algn porcentaje
El pronstico es simplemente un promedio de los n
ms recientes.
El pronstico es el promedio del promedio de los n
ms recientes (para series con tendencia moderada)
Los pronsticos son promedios mviles ponderados
exponencialmente, donde los ltimos valores tienen
mayor peso (ST con patrn horizontal)
Los pronsticos son promedios mviles ponderados
H
tiempo
CP
CP
CP
CP
CP-LP
exponencial doble
(Holt)
Suavizamiento
exponencial doble
(Brown)
Suavizamiento
exponencial triple
(Winters)
UNT
CP
CP-LP
CP-LP
MP-LP
CP-MP
CP-LP
UNT
Donde:
=Pronostico ponderado o suavizado para un periodo futuro.
Alfa =Constante de suavizacin (0<
<1)
Con esta ecuacin se atena la serie en forma exponencial de manera similar a como se
haca en el caso de la suavizacin exponencial simple, la diferencia radica en que se
agrega un trmino para tomar en cuenta la tendencia.
La ecuacin con la cual se estima la tendencia es la que siguiente:
UNT
Donde:
Valor atenuado
Constante de atenuacin
Es el valor real de la serie de tiempo en el periodo t
Es la constante de atenuacin utilizada para estimar la tendencia.
Estimacin de la tendencia.
Es el nmero de periodos a pronosticar en el futuro.
Es el pronstico de m periodos hacia el futuro.
12. Qu es un modelo causal? cules son las diferencias entre prediccin de
series de tiempo y prediccin de modelo causal?
El modelo causal se denomina as porque en la explicacin de la variable o
variables objeto de estudio intervienen factores explicativos externos. Este modelo
requiere la identificacin de otras variables que se relacionan de la manera causa
efecto con la variable que se desea predecir (Moreno, 2012). Una vez identificadas
estas variables relacionadas, se construye un modelo estadstico que pretende
describir la relacin entre estas variables y la variable que se desea pronosticar
(Campos & Celeste, 2014).
Las diferencias entre prediccin de series de tiempo y prediccin de modelo causal
se basan en que la primera prediccin se utiliza cuando los valores futuros de una o
dos variables puede predecirse utilizando como informacin lo sucedido en el
pasado; en cambio en el caso de la prediccin de modelo causal, este identifica las
relaciones que produjeron (o causaron) los resultados observados en el pasado
(Gonzlez, 2009). Cabe mencionar que el uso de variables explicativas en un
modelo requiere ms esfuerzo y ms informacin que predecir a partir de un
modelo de series temporales puro.
13. Qu factores debe tenerse en cuenta al elegir una tcnica de prediccin?
Periodo
Patrn de los datos
Costo del pronstico
Exactitud deseada
Disponibilidad de la informacin
Facilidad de operar y entender
UNT
UNT
15. Por qu las empresas desean medir los errores de prediccin? Qu medidas
de errores de prediccin se utilizan?
Se desea medir los errores de prediccin puesto que es importante la eleccin de un
mtodo o tcnica que produzca mejores resultados traducidos en errores menores.
Es as que se opta por mtodos que muestren errores moderados en su prediccin a
otra que por lo regular tenga errores pequeos, pero que ocasionalmente arroje
algunos en extremo grandes.
Los errores de prediccin que usan son:
Error absoluto de la media (MAD)
Error absoluto porcentual de la media (MAPE)
Desviacin porcentual absoluta de la media (PMAD)
Error cuadrtico de la media (MSE)
Raz del error cuadrtico de la media (RMSE)
Bibliografa:
Altamirano. (2014). Taller de Administracin. Recuperado el 15 de Septiembre de 2016, de
https://sites.google.com/site/tdadmonealtamirano/home/unidad4mecanicadelprocesoad
ministrativo/4-1-planeacion/4-1-3-tecnicas-cuantitativas-y-cualitativas-de-planeacion
Campos, L., & Celeste, M. (2014). Mtodos cuntitativos. Recuperado el 14 de Septiembre de
2016, de http://contecni.jimdo.com/
Chapman, S. (2006). Planeacin y control de la produccin. Mexico: Pearson Education.
Gestiopolis.
(2013).
Recuperado
el
15
de
Septiembre
de
2016,
http://www.gestiopolis.com/que-es-un-pronostico-caracteristicas-y-metodos/
de
UNT
ASPECTO PRCTICO
1. Los datos recolectados para la demanda de sacos de 50 kg de
semilla de pasto en el Ministerio de Agricultura se muestran en la
siguiente tabla. Desarrollar un promedio mvil de tres aos para
pronosticar las ventas. Despus, determinar una vez ms la
demanda con un promedio mvil ponderado en el cual las ventas
en el ao ms reciente se les dan un peso de 2 y a las ventas de
los otros dos aos se les da un peso de 1 a cada uno. Cul
mtodo cree que sea mejor?
ao
1 2 3 4 5 6 7 8 9
demanda (miles de
sacos)
4 6 4 5
1
1
8 7 9
0
2
1
0
1
4
1
1
1
5
Deman
da
9
12
14
PMS
(Prediccin)
8.33
8.00
9.33
DMA
Error del
Pronstico
0.67
4.00
4.67
3.11
A
O
8
9
10
Deman
da
9
12
14
PMP
(Prediccin)
8.75
8.00
8.75
DMA
Error del
Pronstico
0.25
4.00
5.25
3.17
1 2 3 4 5
6 7 8 9
4 6 4 5 1
0
8 7 9 1
2
1
0
1
4
1
1
1
5
Donde;
n = 2 (Primer caso)
n = 4 (Segundo caso)
Primer caso: Promedio mvil de dos aos
Promedio mvil de cuatro aos
Ao
Segundo caso:
UNT
sacos)
5
5
4.5
7.5
9
7.5
8
10.5
13
la
(5 Ao)
4.75
(6 Ao)
6.25
(7 Ao)
6.75
(8 Ao)
7.5
(9 Ao)
8.5
(10 Ao)
9
(11 Ao)
10.5
Desv. Media Absoluta (DMA)
UNT
(E)
5.25
1.75
0.25
1.5
3.5
5
4.5
3.107
UNT
Error del
pronsti
co (E)
0.50
5.00
0.75
0.75
1.00
3.75
4.00
2.75
2.313
UNT
La demanda actual muestra que no existe un patrn en las ventas, sino que
hay fluctuaciones que necesitan ser estudiadas y analizadas; no obstante,
en los ltimos 7 aos, la demanda ha tenido una tendencia positiva, por lo
que se puede considerar que el mejor modelo sera el promedio mvil
ponderado de 3 aos, pues, este modelo permite proyectar el efecto de
las ventas ms recientes, al darle un mayor peso al ao inmediato anterior.
De otro lado, podra tambin utilizarse el modelo de promedio mvil
simple de 2 aos, debido a que no slo por el hecho de que posee una
menor Desviacin media absoluta, sino que tambin tiene un mayor ajuste
en la correlacin de los datos de la demanda actual con la pronosticada y
puede ser muy til si se asume que las fluctuaciones de la demanda son
ms o menos constantes en los prximos aos.
4. Utilizar la suavizacin exponencial con una constante de
suavizacin de 0.3 para pronosticar la demanda de semillas de
pato del problema 1. Asumir que el pronstico del ltimo periodo
para el ao 1 es de 5000 sacos para iniciar el procedimiento.
Preferira utilizar el modelo de suavizacin exponencial o el
modelo de promedio ponderado desarrollado en el problema 1?
Explicar su respuesta.
Pronstico del ltimo periodo (Ao 1) = 5000 sacos
= 0.3
A
o
Demanda
(Sacos)
Alfa=0
.3
4000
5000
6000
4700.0
0
4000
5090.0
0
5000
10000
8000
7000
4763.0
0
4834.1
0
6383.8
7
6868.7
Error
1000.0
0
1300.0
0
1090.0
0
237.00
5165.9
0
1616.1
3
131.29
9000
12000
10
14000
11
15000
1
6908.1
0
7535.6
7
8874.9
7
10412.
48
UNT
2091.9
0
4464.3
3
5125.0
3
4587.5
2
2057.1
9
DMA
Deman
da
4000
6000
4000
5000
10000
8000
7000
9000
12000
10
14000
11
15000
P. M.
Simple
4666.67
5000.00
6333.33
7666.67
8333.33
8000.00
9333.33
11666.67
DMA
Error
333.33
5000.0
0
1666.6
7
666.67
666.67
4000.0
0
4666.6
7
3333.3
3
2375.0
0
Demanda
4000
6000
4000
5000
10000
8000
7000
9000
12000
14000
15000
P. M. Ponderado
Error
4500.00
5000.00
7250.00
7750.00
8000.00
8250.00
10000.00
12250.00
DMA
500.00
5000.00
750.00
-750.00
1000.00
3750.00
4000.00
2750.00
2125.00
UNT
Ao
2011
2012
2013
2014
2015
2016
Ventas
450
495
518
563
584
Pronstic
o
410
Ao
2011
2012
2013
2014
2015
2016
Ventas
450
495
518
563
584
Pronstic
o
410
Constante de
Suavizacin()
0.6
0.9
434
471
499
537
565
446
490
515
558
581
PROBLEMA 6
Utilizar un modelo de pronstico mvil de tres aos para
pronosticar las ventas del problema 5
Pronstico promedio mvil simple
AO
2011
2012
2013
2014
2015
2016
Pronstico 2014
PMS=
= 488
VENTAS
450
495
518
563
584
555
PRONSTI
CO
410
495
518
488
525
555
ERROR
40
75
59
-
UNT
Pronstico 2015
PMS=
= 525
Pronstico 2016
PMS=
DMA=
= 555
= 58
SOLUCIN 7
Utilizando el mtodo de proyeccin de tendencia, desarrollar un modelo de
pronstico para las ventas del problema 5.
Solucin
La ecuacin lineal que usamos en este tipo de pronstico es la siguiente:
Donde:
X = Aos
Y = Cantidad de ventas
a = es la interseccin con el eje y
b = pendiente de la lnea de regresin
Ahora, graficamos la tendencia lineal con una recta de los aos y ventas
dados en el problema 5.
Datos del problema
Ao
Ventas
2011
2012
2013
2014
2015
2016
450
495
518
563
584
?
Pronstic
o
410
UNT
-67115
33.597518610
4
Finalmente, reemplazando los datos de a y b en la primea ecuacin dada,
nos quedar el modelo de pronstico para las ventas:
ventas
2011
2012
2013
2014
2015
2016
450
495
518
563
584
622.6
PRONOSTI
promedi
tendencia
CO = 0.3
o mvil
410
454.6
422.0
488.2
443.9
521.8
487.7
466.1
555.4
525.3
495.2
589.0
555.0
521.8
622.6
96.9
7.6
75.3
error del pronostico
88.8
5
58.7
DMA
92.8
6.3
67
Tabla. Pronostico con alfa =3; tendencia y promedio mvil.
De acuerdo con los resultados obtenidos para cada caso, y analizando el
error del pronstico y la desviacin media absoluta para cada pronostico se
concluye que el mejor mtodo para calcular el pronstico de las ventas es el
mtodo de tenencia, ya que presenta el menor valor de desviacin media
absoluta, comparado con los dems casos.
9. La demanda para ciruga de trasplante corazn en un hospital de
estados unidos ha crecido constantemente en los aos pasados,
como se aprecia en los siguiente tabla
Ao
UNT
Cirugas
realizadas de
45
50
52
56
58
?
trasplante
corazn
El director de los servicios mdicos predijo hace 6 aos que la
demanda en el ao 1 sera de 41 cirugas
a. Use la suavizacin exponencial, primero con una constante de
suavizacin de 0.6 y posteriormente con una de 0.9, para desarrollar
pronsticos para los aos 2 a 6.
b. Utilice un promedio mvil de 3 aos para pronosticar las demandas
de los aos 4,5 y 6.
c. Use el mtodo de proyeccin de tendencia para pronosticar la
demanda en los aos 1 a 6.
d. Con DMA como criterio, Cul de los cuatro sistemas anteriores de
pronstico es el mejor?
Parte A
=0.6
=0.9
Pronostic Pronostic
Demanda
o
o
45
41
41
50
43
45
52
47
49
56
50
52
58
54
56
?
56
58
Ao
1
2
3
4
5
6
Parte B
Ao
Demanda
1
2
3
4
5
6
45
50
52
56
58
?
Pronostic
o
49
53
55
Parte C
Ao
Demanda
1
2
3
4
5
6
45
50
52
56
58
?
Pronostic
o
46
49
52
55
59
62
Error
-1
1
0
1
-1
Parte D
El mtodo de proyeccin de tendencia es el que mejor pronstico arrojo ya
que su desviacin media absoluta fue 0.8 la cual es la ms ptima de los 4
sistemas estudiados.
UNT
Y
7000
9000
X
15000
(real)
15000
25000(Re
al)
25000
Y
6000
7000
9000
10000
UNT
Deman
da
11
10
13
Donde:
: Pronostico del periodo t
: Interseccin de la lnea con el eje
: Pendiente
: Periodo de tiempo
: Promedio de la variable dependiente (demanda)
: Promedio de la variable independiente
=1.11428
UNT
En
e
Feb
Mar
Abr
May
Ju
n
Jul
Ago
Se
t
Oc
t
No
v
Di
c
En
e
11
14
16
10
15
17
11
14
17
12
14
16
11
UNT
10
33
39
199
232
UNT
20
15
55
130
/
3) Calculamos la Covarianza
/
/
70
UNT
Donde a = 1 y b = 1
Entonces la Ecuacin lineal ser:
/
/
1
2
3
4
5
/
2
3
4
5
6
20
1
2
3
4
5
15
/
2
1
0
-1
-2
4
1
0
1
4
10
Ao
Tasa de
crimen
1
2
3
4
5
6
7
8
9
10
58.3
61.1
73.4
75.7
81.1
89
101.1
94.8
103.3
116.2
UNT
n de
pacient
es
36
33
40
41
40
56
60
54
58
61
N de
pacientes (Y)
XY
36
36
2
3
4
5
6
7
8
9
10
55
5.5
33
40
41
40
56
60
54
58
61
479
47.9
4
9
16
25
36
49
64
81
100
385
66
120
164
200
336
420
432
522
610
2906
/
A=3.2909
B=29.8
Con la tendencia de mnimos cuadrados para los aos 11, 12 y 13 la doctora
atender respectivamente 66, 69 y 73 pacientes respectivamente.
17. Utilizando los datos del problema anterior, aplicar la regresin
lineal para estudiar la relacin entre la tasa de crmenes y la carga
de pacientes de la Dra. Mostacero. Si la tasa de robos se
incrementa a 131.2 en el ao 11 Cuntos pacientes con fobia
UNT
31.2%; Nmero de
Caso II:
Tasa de crmenes baja a 90.6 %; Nmero de pacientes=?
Ao
Nmer
o de
pacien
tes
Tasa
de
crmen
es
1
2
3
4
5
36 33 40 41 40
6
5
5
7
8
60 54
9
58
10
61
11
75.3 50.9
1
2
58.3 61 73 75 81
.1 .4 .7 .1
8
9
10 94
1.1 .8
10
3.3
11
6.2
131.
2
CAS
OI
90.6
CAS
O II
/
Figura 1. Nmero de pacientes vs Tasa de crmenes
Podemos apreciar en el caso nmero uno, que a medida que la tasa de
crmenes (robos), se incrementa a 131.2 para el ao 11, el nmero de
pacientes ser 75.3112086. Incrementndose este ltimo con respecto al
ao anterior.
Sin embargo cundo la tasa de crmenes baja a 90.6 para el ao 11, el
nmero de pacientes se reduce a 50.9238948. Con respecto al ao
anterior.
18. Los contadores del gobierno Regional La Libertad crean que
varios ejecutivos viajeros presentaban comprobantes de viaje
inusualmente altos al regresar de viajes de negocios. Los
contadores
tomaron
una
muestra
de
200
comprobantes
presentados desde el ao pasado; posteriormente desarrollaron la
siguiente ecuacin de regresin mltiple, relacionando el costo
esperado del viaje (y), el nmero de das de viaje (
viajada (
, y la distancia
en km:
..(i)
UNT
Datos:
Reemplazamos en la ecuacin (i):
a
b1
b2
b3
7.5
3.5
4.5
2.5
a) 7.5+3.5x2+4.5x3+2.5x9=50.5
b) 7.5+3.5x3+4.5x5+2.5x1=43
c) 7.5+3.5x4+4.5x7+2.5x2=58
a)
b)
X1
2
3
X2
3
5
X3
9
1
Y
50.5
43
UNT
2
58
UNT
22. Las Millas voladas por pasajeros en Lan Per, una empresa de enlace que da
servicio en la ciudad de Lima, se muestran para las 12 pasadas.
Tabla 22.1. Recoleccin de datos
Mes
1 2 3 4 5 6 7 8 9 10 11 12
Millas reales 17 21 19 23 18 16 20 18 22 20 15 22
a) Asumiendo que el pronstico inicial para la semana 1 fue de 17 000 millas,
utilizar la suavizacin exponencial para calcular las millas de las semanas 2 a la
12. Emplear = 0.2.
UNT
Millas
reales
17
21
19
23
18
16
20
18
22
20
15
22
Pronstico
17.0
17.0
17.8
18.0
19.0
18.8
18.3
18.6
18.5
19.2
19.4
18.5
17
21
19
23
18
16
20
18
22
20
15
17.0
17.0
17.8
18.0
19.0
18.8
18.3
18.6
18.5
19.2
19.4
Error del
Pronstico
0.0
4.0
1.2
5.0
-1.0
-2.8
1.7
-0.6
3.5
0.8
-4.4
lError del
Pronsticol
0.0
4.0
1.2
5.0
1.0
2.8
1.7
0.6
3.5
0.8
4.4
12
22
18.5
3.5
UNT
3.5
28.6
23. Se cree que los viajes en autobs en la ciudad de Lima durante los meses de
verano estn vinculados con el nmero de turistas que visitan esa ciudad durante
los ltimos 12 aos se obtuvo:
Tabla 23.1. Recoleccin de datos.
AO Nmero de
turistas (x)
1
7
2
2
3
6
4
4
5
14
6
15
7
16
8
12
9
14
10
20
11
15
12
7
Viajes (miles)
(y)
1.5
1
1.3
1.5
2.5
2.7
2.4
2
2.7
4.4
3.4
1.7
UNT
AO Nmero de
turistas (x)
1
7
2
2
3
6
4
4
5
14
6
15
7
16
8
12
9
14
10
20
11
15
12
7
Luego por:
Se tiene:
Viajes
(miles) (y)
1.5
1
1.3
1.5
2.5
2.7
2.4
2
2.7
4.4
3.4
1.7
UNT
x*y
Y^2
X^2 Y
11.3477
1.6492
8.7708
4.5728
38.3068
43.4325
48.8768
29.0112
38.3068
73.84
43.4325
11.3477
2.6279652
0.6799652
2.1368592
1.3069062
7.4867904
8.3839203
9.331803
5.8447898
7.4867904
13.630864
8.3839203
2.6279652
49
4
36
16
196
225
256
144
196
400
225
49
1.6211
0.8246
1.4618
1.1432
2.7362
2.8955
3.0548
2.4176
2.7362
3.692
2.8955
1.6211
0.4074
Se obtiene: r = 0.9167
24. Las llamadas de emergencia al sistema 911 de la ciudad de Lima, durante las 24
semanas se muestran a continuacin :
Tabla 24.1. Datos
Semana
1
2
3
4
5
6
7
8
Llamada
50
35
25
40
45
35
20
30
Semana
9
10
11
12
13
14
15
16
Llamada
35
20
15
40
55
35
25
55
Semana
17
18
19
20
21
22
23
24
Llamada
55
40
35
60
75
50
40
65
SOLUCIN:
Tabla 24.2 Pronstico
SEMANA Llamada PRONSTICO
1
50
50
2
35
50
3
25
49
4
40
47
5
45
46
6
35
46
7
20
45
8
30
43
9
35
42
10
20
41
11
15
39
12
40
37
13
55
37
14
35
39
15
25
39
16
55
38
17
55
40
18
40
42
19
35
42
20
60
41
21
75
43
22
50
46
23
40
46
24
65
45
25
47
b. Pronosticar de nuevo para cada periodo empleando = 0.6.
SOLUCIN
Tabla 24.3. Pronstico
SEMANA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Llamada
50
35
25
40
45
35
20
30
35
20
15
40
55
35
PRONSTICO
50
50
41
31
36
41
37
27
29
33
25
19
32
46
UNT
15
16
17
18
19
20
21
22
23
24
25
25
55
55
40
35
60
75
50
40
65
UNT
39
31
45
51
44
39
52
66
56
46
57
UNT
UNT
Demanda en megawatts
Este
Mes
Ao pasado ao
Enero
5
17
Febrero
6
14
Marzo
10
20
Abril
13
23
Mayo
18
30
Junio
15
38
Julio
23
44
Agosto
26
41
Setiembre 21
33
Octubre
15
23
Noviembre 12
26
Diciembre 14
17
Prximo ao
(Proyeccin)
23.9
28.3
32.6
37.0
41.4
45.7
50.1
54.4
48.5
43.0
37.5
32.0
UNT
Trimestre
SOLUCIN:
AO
Invierno
Primavera
Verano
Otoo
2013
2014
2015
73
65
89
104
82
146
168
124
205
74
52
98
TOTAL
ANUAL
419
323
538
PROMEDIO
76
111
166
75
427
PROMEDIO
TRIM.
107
IND.
ESTACIONALIDAD
0.71
1.04
1.55
0.70
4.00
TRIMES
TRE
VENTA
NDI
PRONOSTIC CE
ADA
PRONST
ICO
UNT
120,000
1.25
150,000
140,000
0.90
126,000
160,000
0.75
120,000
180,000
1.15
207,000
28. La demanda histrica para los pasteles frescos de milagros Baca, en miles de
unidades:
Tabla X. Demanda histrica de los pasteles frescos Milagritos Baca
Mes
Enero Febrero Marzo Abril Mayo Junio
Demanda (miles) 14
12
12
11
17
16
a) Pronstico del mes de julio usando el mtodo de promedio mvil ponderado:
PMPjulio= (0.6*16+0.3*17+0.1*11)/(0.6+0.3+0.1)
PMPjulio= 15.8
b) Pronstico del mes de julio usando el mtodo de promedio mvil simple:
PMSjulio= (16+17+11)/3
PMSjulio= 14.67
c) Pronstico del mes de julio usando el mtodo de suavizacin exponencial:
Pjulio= Pjunio+ *(Djunio-Pjunio)
Pjulio= 14 + 0.1*(16-14)
Pjulio= 14.2
29. La siguiente tabla contiene ventas reales de cebada (en miles de toneladas
mtricas) para seis meses y la prediccin para enero:
a. calcular las predicciones para los 5 meses restantes utilizando suavizacin
exponencial con alfa = 0,3.
b. calcular la desviacin media absoluta y la inclinacin para las predicciones.
Calculo del DMA
Mes
Enero
=
0.3
=
0.5
Demanda Real Prediccin error Prediccin error
102
82
20
82
20
Febrero 94
88.0
6
Marzo 105
89.8
15.2
Abril
87
94.4
-7.4
Mayo
70
92.2
-22.2
Junio
99
85.5
13.5
Desviacin absoluta total
25.1
DMA
4.18
Tabla2. Prediccin de la demanda con alfa 0,3 y alfa 0,5.
UNT
92
93
99
93
81.5
2
12
-12
23
17.5
62.5
10.41
Se observa que la suavizacin con alfa 0.3 es la que mejor representa los datos reales de
demanda de cebada.
Prediccin
A B C
22 23 18
26 28 29
30 33 29
31 33 37
33 34 32
Real
25
32
29
38
40
Prediccin
A B C
22 23 18
26 28 29
30 33 29
31 33 37
33 34 32
Real
25
32
29
38
40
Desviacin estndar
A
B
2.12132034 1.41421356
4.24264069 2.82842712
0.70710678 2.82842712
4.94974747 3.53553391
4.94974747 4.24264069
3.39411255 2.96984848
C
4.94974747
2.12132034
0
0.70710678
5.65685425
2.68700577
UNT
Semana 1 2 3 4 5 6 7 8
Peso
3 2 1 4 3 1 2 3
Llamadas 8 9 11 10 11 13 16 12
Usaremos n=8 y asumimos pesos
C) SUAVIZACIN EXPONENCIAL
Asumimos
0.55, Pu 1= 7
Semana
1
2
3
4
5
6
7
8
9
Llamadas
8
9
11
10
11
13
16
12
Pronstico
7.55
8.1
9.2
8.65
9.2
10.3
11.95
9.75
10.9875
DMA= 1.92
Error
0.45
0.9
1.8
1.35
1.8
2.7
4.05
2.25
UNT
a = interseccin
b = pendiente de la lnea de regresin
Semana
1
2
3
4
5
6
7
8
Llamadas
8
9
11
10
11
13
16
12
Pronstico
8.3333
9.1666
9.9999
10.8332
11.6665
12.4998
13.3331
14.1664
Error
-0.3333
-0.1666
1.0001
-0.8332
-0.6665
0.5002
2.6669
-2.1664
DMA 1.04165
Demanda 114
126
151
167
161
183
UNT
138
133
140
Demanda
114
126
151
167
161
183
138
133
140
P. Mvil (3 meses)
Error
130.33
148.00
159.67
170.33
160.67
151.33
DMA
36.67
13.00
23.33
-32.33
-27.67
-11.33
0.28
Demanda
114
126
151
167
161
183
138
133
140
Alfa=0.2 Error
126.00
131.00
138.20
142.76
150.81
148.25
145.20
DMA
25.00
36.00
22.80
40.24
-12.81
-15.25
-5.20
12.97
Para este caso se elige el mtodo de promedio mvil de tres meses porque tiene una
menor desviacin media absoluta que el otro mtodo, con un valor de 0.28. Esto se
justifica con la teora que nos dice que un modelo de promedio mvil es ptimo para
patrones de demandas aleatorias o niveladas donde se pretende eliminar el impacto de
los elementos irregulares histricos mediante un enfoque en perodos de demanda
reciente.
UNT
100
137
121
112
145
125
187
89
140
Promedio
mvil Error
119.33
123.33
126.00
127.33
152.33
133.67
7.33
21.67
1.00
59.67
63.33
6.33
26.56
Promedio
movil promedio
Error
1
2
3
4
5
6
7
8
114.67
128.89
120.67
124.44
143.00
2.67
16.11
4.33
62.56
54.00
100
137
121
112
145
125
187
89
9
140
DSM
141.67
UNT
1.67
23.56
Fecha Llamadas
1
100
2
137
3
121
4
112
5
145
6
125
7
187
8
89
9
140
Promedio
Pronstico (0.1)
92.8
96.5
94.9
94.0
97.3
95.3
101.5
91.7
96.8
Pronstico (0.3)
94.4
105.5
100.7
98.0
107.9
101.9
120.5
91.1
106.4
Error (0.1)
7.20
29.56
21.57
16.07
32.90
23.76
45.72
3.03
30.86
23.41
Error (0.3)
5.60
22.99
16.78
12.50
25.59
18.48
35.56
2.36
24.00
18.21
Para determinar el modelo que mejor predice los resultados calculamos el promedio del
error hallado, y observamos que el modelo que mejor predice los resultados es el
modelo con el
35. Automotors Import Export S.A vendi+o en los ltimos seis meses del 2010, la
siguiente cantidad de veh+iculos usados:
Mes
Ventas
88
60
68
47
UNT
92
99
a. Preparar una prediccin de ventas para cada mes empezando con una prediccin
de demanda de 85 unidades y = 0.2 para el mes de julio.
MES
VENTAS PREDICCIN
JULIO
AGOSTO
SETIEMBRE
OCTUBRRE
NOVIEMBRE
DICIEMBRE
b. Calcular la desviacin media
88
85.6
60
80.48
68
77.98
47
71.79
92
75.83
99
80.46
absoluta; utilizar una desviacin media absoluta
VENTAS PREDICCIN
JULIO
AGOSTO
SETIEMBRE
OCTUBRRE
NOVIEMBRE
DICIEMBRE
88
60
68
47
92
99
85.6
80.48
77.98
71.79
75.83
80.46
Error del
promedio
2.4
20.5
10.0
24.8
16.2
18.5
SUMATORIA 92.4
15.4
DMA
VENTAS
JULIO
AGOSTO
0.3
0.4
PREDICCIN
Error del
Error del
Error del
PREDICCIN
PREDICCIN
promedio
promedio
promedio
88
85.3
2.7
85.9
2.1
86.2
1.80
60
80.2
20.2
80.7
20.7
81.0
20.96
SETIEMBRE
68
77.8
9.8
78.2
10.2
78.4
10.37
OCTUBRRE
47
71.6
24.6
71.9
24.9
72.1
25.09
NOVIEMBRE 92
75.7
16.3
76.0
16.0
76.1
15.92
DICIEMBRE
80.4
18.6
80.6
18.4
80.7
18.34
SUMATORIA
92.3
SUMATORIA
92.4
SUMATORIA
92.49
DMA
15.38
DMA
15.40
DMA
15.41
99
UNT
alas de pollo
b.
alas de pollo
c.
alas de pollo
37. La demanda de patines en una tienda local de artculos deportivos para las 8
semanas anteriores fue:
a.
122
130
98
121
96
152
Pronostico
(PMS)
117
116
105
113
124
UNT
123
120
c.
122
130
98
121
96
152
113
124
Pronostico
(PMP)
110
115
104
132
123
Demanda
122
130
98
121
96
152
113
124
Pronostico
120
121
106
134
121
122
suma
IErrorI
DMA
2
3
4
5
6
7
8
130
98
121
96
152
113
124
117
116
105
123
120
4
-20
47
-10
4
4
20
47
10
4
122
130
98
121
96
152
113
124
110
115
104
132
123
11
-19
48.3
-19.1
1
11
19
48
19
1
4
12
24
20
17
suma
IErrorI
DMA
11
30
78
97
98
11
15
26
24
20
4
25
72
82
85
UNT
122
130
98
121
96
152
113
124
120
121
106
134
121
1
-25
46
-21
3
1
25
46
21
3
suma
IErrorI
DMA
1
26
72
93
96
1
13
24
23
19
UNT
Trimestre
1
2
3
4
AO
1
2
346 361
468 483
375 390
279 300
3
381
494
392
296
4
401
515
416
355
5
408
520
436
420
AO
3
4
5
381 401 408
b). Calcular la prediccin utilizando un promedio mvil ponderado de tres perodos con
pesos de 0.5, 0.3 y 0.2.
AO
1
2
3
DEMANDA
346
361
381
PREDICCION
346
346
343
4
5
6
401
408
UNT
335.4
322.28
305.136
PMS =
Mes
Demanda
Demanda en
PMS
"n" periodos
(Prediccin)
previos
5
6
7
1.27
1.29
1.3
3.79
3.83
3.85
1.26
1.28
1.28
DMA
Error del
Pronstico
0.01
0.01
0.02
0.01
b. Promedio mvil ponderado de tres periodos con pesos de 0.6, 0.3 y 0.1
UNT
PMP =
1.27
1.29
1.3
1.248
1.276
1.284
DMA
0.022
0.014
0.016
0.02
AO Demanda Prediccin
1
2
3
4
5
6
7
8
9
10
1.2
1.23
1.27
1.29
1.27
1.29
1.3
1.31
1.29
1.3
1.20
1.20
1.20
1.21
1.22
1.22
1.23
1.24
1.24
1.25
DMA
Error del
Pronstico
0.00
0.03
0.07
0.08
0.05
0.07
0.07
0.07
0.05
0.05
0.05
UNT
40. Una cadena minoritaria de lentes ha experimentado con los precios de venta de
los lentes de contacto y obtuvo:
UNT
Primero se deben estimar los parmetros. Lo logramos con el mtodo de los mnimos
cuadrados, para ello utilizamos las siguientes ecuaciones:
b
a
Ao
(X)
1
2
3
4
5
6
7
8
9
10
Sumatoria 5.5
UNT
3.28484848
29.7333333
Hogares (Y) XY
X2
Y2
Pronstico (Y)
36
33
40
41
40
55
60
54
58
61
47.8
1
4
9
16
25
36
49
64
81
100
385
1296
1089
1600
1681
1600
3025
3600
2916
3364
3721
23892
33.02
36.30
39.59
42.87
46.16
49.44
52.73
56.01
59.30
62.58
36
66
120
164
200
330
420
432
522
610
2900
Ao
(X)
1
2
3
4
5
6
7
8
9
10
Sumatoria 5.5
1.52
12.98
Incursiones (Y) XY
X2
Y2
Pronstico (Y)
14.6
15.3
18.4
18.9
20.2
22.3
25.3
23.5
25.8
29.1
21.34
1
4
9
16
25
36
49
64
81
100
385
213.16
234.09
338.56
357.21
408.04
497.29
640.09
552.25
665.64
846.81
4753.14
14.5
16.02
17.54
19.06
20.58
22.1
23.62
25.14
26.66
28.18
14.6
30.6
55.2
75.6
101
133.8
177.1
188
232.2
291
1299.1
Ahora, con las ecuaciones que hallamos, podemos reemplazar y hallar los pronsticos
para los aos 11 y 12 como requiere el problema.
UNT
Ao Hogares Incursiones
11 65.87
29.7
12 69.15
31.22
A continuacin se presentan los grficos con la demanda real y la demanda pronosticada
UNT
UNT
Bibliografa
Altamirano,
2014.
Taller
de
Administracin.
[En
lnea]
Available
at:
https://sites.google.com/site/tdadmonealtamirano/home/unidad4mecanicadelprocesoad
ministrativo/4-1-planeacion/4-1-3-tecnicas-cuantitativas-y-cualitativas-de-planeacion
[ltimo acceso: 15 Septiembre 2016].
Gestiopolis,
2013.
[En
lnea]
Available
at:
http://www.gestiopolis.com/que-es-un-pronostico-caracteristicas-ymetodos/
[ltimo acceso: 15 Septiembre 2016].